| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 相关研究工作 | 第13-17页 |
| 1.2.1 基于智能手机的活动识别 | 第13-14页 |
| 1.2.2 基于多模态信息的活动识别研究 | 第14-15页 |
| 1.2.3 模型融合中的多样性学习 | 第15-17页 |
| 1.3 研究目标与内容 | 第17-18页 |
| 1.4 本文结构组织 | 第18-19页 |
| 第2章 相关方法和技术 | 第19-24页 |
| 2.1 时序数据shapelet发现 | 第19-21页 |
| 2.1.1 Shapelet定义 | 第19-20页 |
| 2.1.2 Shapelet发现算法 | 第20-21页 |
| 2.2 时序数据分类 | 第21-22页 |
| 2.2.1 时序数据特征提取 | 第21-22页 |
| 2.2.2 时序数据分类 | 第22页 |
| 2.3 常见的集成学习方法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于设备朝向和位置不变性活动识别方法 | 第24-34页 |
| 3.1 概述 | 第24-25页 |
| 3.2 具有设备朝向不变性的加速度数据 | 第25-27页 |
| 3.3 基于加速度数据的一维Shapelet发现 | 第27-31页 |
| 3.3.1 时序数据SAX化 | 第28页 |
| 3.3.2 基于SAX化的随机映射 | 第28-31页 |
| 3.4 基于shapelet的特征空间转换 | 第31页 |
| 3.5 两种特征集成策略 | 第31-32页 |
| 3.6 本章小结 | 第32-34页 |
| 第4章 多模态信息融合的活动识别方法 | 第34-46页 |
| 4.1 概述 | 第34页 |
| 4.2 基于分类器层融合加速度和生理数据的活动识别方法 | 第34-39页 |
| 4.2.1 方法形式化描述 | 第35-36页 |
| 4.2.2 HRV特征提取 | 第36-37页 |
| 4.2.3 改进的分类器层集成框架 | 第37-39页 |
| 4.3 基于分类器集成多样性的多模态活动识别方法 | 第39-45页 |
| 4.3.1 研究问题的形式化定义 | 第40-41页 |
| 4.3.2 利用未标注数据的神经网络集成 | 第41-44页 |
| 4.3.3 多模态子分类器的融合 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 实验评估 | 第46-64页 |
| 5.1 基于设备朝向和位置不变性活动识别 | 第46-54页 |
| 5.1.1 数据采集和实验设置 | 第46-47页 |
| 5.1.2 实验中算法参数配置 | 第47-49页 |
| 5.1.3 设备朝向不变性的实验验证 | 第49-50页 |
| 5.1.4 设备放置位置不变性的实验 | 第50-52页 |
| 5.1.5 与现有方法的对比实验 | 第52-53页 |
| 5.1.6 可解释性分析 | 第53-54页 |
| 5.2 分类器层融合加速度和生理数据 | 第54-56页 |
| 5.2.1 生理特征对识别结果的影响 | 第55页 |
| 5.2.2 不同特征集成策略对识别结果的影响 | 第55-56页 |
| 5.3 基于分类器集成多样性的多模态活动识别方法 | 第56-63页 |
| 5.3.1 实验设置和数据集 | 第56-58页 |
| 5.3.2 参数影响 | 第58-60页 |
| 5.3.3 与现有方法的对比实验 | 第60-62页 |
| 5.3.4 无标注数据的用处 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-74页 |
| 致谢 | 第74页 |