| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-25页 |
| 1.1 使用智能手机进行睡眠周期识别的背景及研究目的 | 第14-17页 |
| 1.1.1 研究目的 | 第14页 |
| 1.1.2 睡眠周期相关背景 | 第14-17页 |
| 1.2 使用智能手机进行睡眠周期识别的可行性 | 第17-20页 |
| 1.2.1 可行性 | 第17-18页 |
| 1.2.2 挑战 | 第18-20页 |
| 1.3 基于智能手机的睡眠周期识别及应用系统概述 | 第20页 |
| 1.4 国内外使用智能手机对睡眠的探测研究现状 | 第20-23页 |
| 1.4.1 国内外研究状况 | 第20-21页 |
| 1.4.2 现有工作的问题 | 第21-23页 |
| 1.5 本文贡献 | 第23-24页 |
| 1.6 本文内容和组织结构 | 第24-25页 |
| 第二章 相关技术背景 | 第25-35页 |
| 2.1 数字信号处理相关性质 | 第25-27页 |
| 2.1.1 Gauss滤波 | 第25-26页 |
| 2.1.2 Butterworth滤波 | 第26-27页 |
| 2.2 Random Forest分类算法 | 第27-29页 |
| 2.2.1 Decision Tree | 第27-28页 |
| 2.2.2 基于Boosting方式集成DT构成的Random Forest | 第28-29页 |
| 2.3 高斯混合隐式马尔可夫模型 | 第29-35页 |
| 2.3.1 高斯混合模型 | 第29-32页 |
| 2.3.2 隐式马尔可夫模型 | 第32-33页 |
| 2.3.3 高斯混合隐式马尔可夫模型 | 第33-35页 |
| 第三章 系统设计和框架 | 第35-45页 |
| 3.1 系统设计 | 第36-39页 |
| 3.2 系统总体设计 | 第39-40页 |
| 3.3 流式数据处理框架 | 第40-42页 |
| 3.4 离散数据处理框架 | 第42-43页 |
| 3.5 睡眠事件识别模块 | 第43页 |
| 3.6 睡眠周期识别模块 | 第43-44页 |
| 3.7 小结 | 第44-45页 |
| 第四章 系统实现 | 第45-66页 |
| 4.1 流式数据处理 | 第45-59页 |
| 4.1.1 音频数据处理 | 第45-55页 |
| 4.1.2 陀螺仪数据处理 | 第55-59页 |
| 4.2 离散数据处理 | 第59-60页 |
| 4.3 基于Random Forest的音频事件识别 | 第60-62页 |
| 4.4 基于GMM-HMM的睡眠周期识别 | 第62-65页 |
| 4.4.1 GMM-HMM特征生成 | 第62-63页 |
| 4.4.2 基于GMM-HMM模型的睡眠周期识别 | 第63-65页 |
| 4.5 小结 | 第65-66页 |
| 第五章 实验和分析 | 第66-74页 |
| 5.1 快速眼动期的识别 | 第66-69页 |
| 5.2 睡眠周期识别实验设计及实验步骤 | 第69-70页 |
| 5.3 睡眠周期识别实验分析 | 第70-73页 |
| 5.4 小结 | 第73-74页 |
| 第六章 示范应用 | 第74-79页 |
| 6.1 智能唤醒闹钟 | 第74-77页 |
| 6.2 睡眠统计报告 | 第77-79页 |
| 第七章 总结与展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 简历与科研成果 | 第85-86页 |
| 致谢 | 第86-87页 |
