BAs与PTs动作识别算法及应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题的研究背景与意义 | 第10-11页 |
| 1.2 国内外的研究现状与发展趋势 | 第11-14页 |
| 1.3 本文人体动作识别研究方法 | 第14-16页 |
| 1.4 本文主要研究内容和结构安排 | 第16-18页 |
| 第2章 实验系统平台搭建与预处理 | 第18-33页 |
| 2.1 系统功能概述 | 第18-19页 |
| 2.2 下位机主要组成部分 | 第19-24页 |
| 2.2.1 低功耗蓝牙（BLE）4.0 技术 | 第19-20页 |
| 2.2.2 MCU模块 | 第20-22页 |
| 2.2.3 MEMS加速度传感器及状态机编程 | 第22-24页 |
| 2.3 原始数据采集 | 第24-26页 |
| 2.4 数据预处理 | 第26-32页 |
| 2.4.1 加速度传感器数据的去噪处理 | 第26-29页 |
| 2.4.2 加速度分解 | 第29-31页 |
| 2.4.3 数据加窗处理 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 日常动作识别算法研究与改进 | 第33-53页 |
| 3.1 数据采集与预处理 | 第33页 |
| 3.2 特征提取与选择 | 第33-39页 |
| 3.3 常用的动作分类方法 | 第39-40页 |
| 3.4 随机森林算法 | 第40-43页 |
| 3.4.1 Bagging算法与随机子空间方法 | 第40-42页 |
| 3.4.2 随机森林算法实现 | 第42-43页 |
| 3.5 随机森林算法的改进 | 第43-48页 |
| 3.5.1 遗传算法 | 第44-45页 |
| 3.5.2 利用遗传算法进行参数优化 | 第45-48页 |
| 3.6 识别结果分析 | 第48-52页 |
| 3.6.1 性能评价指标 | 第48页 |
| 3.6.2 几种分类方法的识别结果 | 第48-50页 |
| 3.6.3 RF与改进RF方法的识别结果 | 第50-52页 |
| 3.7 本章小结 | 第52-53页 |
| 第4章 PTs动作特征提取算法研究与优化 | 第53-68页 |
| 4.1 EEMD算法 | 第53-54页 |
| 4.2 多元多尺度熵的特征提取算法 | 第54-58页 |
| 4.2.1 样本熵 | 第54-55页 |
| 4.2.2 多尺度熵 | 第55-56页 |
| 4.2.3 多元多尺度熵 | 第56-58页 |
| 4.3 结果分析 | 第58-66页 |
| 4.3.1 四种PTs的EEMD分解效果分析 | 第58-60页 |
| 4.3.2 多元多尺度熵的优化 | 第60-65页 |
| 4.3.3 EEMD和MMSE结合的分类识别结果 | 第65-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第5章 基于状态机的动作识别结果分析 | 第68-73页 |
| 5.1 实验设计 | 第68-69页 |
| 5.2 状态机编程 | 第69-71页 |
| 5.3 仿真与实验结果分析 | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第81-82页 |
| 致谢 | 第82页 |
