基于MPU6050的老年人摔倒检测系统设计
中文摘要 | 第3-4页 |
英文摘要 | 第4-5页 |
1 绪论 | 第8-15页 |
1.1 研究背景及意义 | 第8-11页 |
1.1.1 社会人口现状 | 第8-10页 |
1.1.2 摔到危害及检测摔倒状态的意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-13页 |
1.2.1 国外研究现状 | 第12-13页 |
1.2.2 国内研究现状 | 第13页 |
1.3 本文主要工作、内容及结构 | 第13-15页 |
1.3.1 本文的主要工作及内容 | 第13页 |
1.3.2 论文的组织结构 | 第13-15页 |
2 人体摔倒检测系统改进设计 | 第15-28页 |
2.1 人体摔倒过程分析 | 第15-18页 |
2.2 摔倒检测系统整体方案 | 第18-26页 |
2.2.1 摔倒检测系统总体架构 | 第18页 |
2.2.2 摔倒检测系统硬件组成 | 第18-24页 |
2.2.3 摔倒检测系统软件架构 | 第24-26页 |
2.2.4 摔倒检测系统参数设定 | 第26页 |
2.3 摔倒人体特征部位选择 | 第26-27页 |
2.4 本章小结 | 第27-28页 |
3 人体摔倒过程特征提取及分类方法研究 | 第28-54页 |
3.1 人体摔倒检测的数据描述 | 第28-32页 |
3.2 人体摔倒过程中数据特征的变化分析 | 第32-34页 |
3.3 人体摔倒过程特征提取方法 | 第34-47页 |
3.3.1 基于FFT变换的特征提取方法 | 第37-41页 |
3.3.2 基于双传感器的特征融合方法 | 第41-42页 |
3.3.3 基于主成分分析的特征向量降维方法 | 第42-47页 |
3.4 基于极限学习机的人体摔倒过程分类 | 第47-53页 |
3.4.1 单隐层前馈神经网络(SLFN)概述 | 第47-49页 |
3.4.2 极限学习机 | 第49-51页 |
3.4.3 极限学习机与支持向量机对比 | 第51-53页 |
3.5 本章小结 | 第53-54页 |
4 实验及结果分析 | 第54-62页 |
4.1 实验设计过程 | 第54-58页 |
4.2 实验结果 | 第58-61页 |
4.2.1 基于支持向量机的人体摔倒行为分类 | 第58-59页 |
4.2.2 基于极限学习机的人体摔倒行为分类 | 第59-61页 |
4.3 对比分析 | 第61页 |
4.4 本章小结 | 第61-62页 |
5 总结与展望 | 第62-64页 |
5.1 总结 | 第62-63页 |
5.2 研究展望 | 第63-64页 |
致谢 | 第64-65页 |
参考文献 | 第65-68页 |