| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 本文研究内容与意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 智能监护环境研究现状 | 第12页 |
| 1.3.2 跌倒检测方法研究现状 | 第12-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第二章 系统整体框架与关键技术 | 第15-20页 |
| 2.1 系统整体框架 | 第15-16页 |
| 2.2 系统关键技术 | 第16-19页 |
| 2.2.1 ZigBee技术 | 第16-18页 |
| 2.2.2 WebSocket协议 | 第18-19页 |
| 2.2.3 LIBSVM软件工具箱 | 第19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 基于ZigBee和以太网的数据传输网络设计与实现 | 第20-32页 |
| 3.1 传感器数据采集模块 | 第20-23页 |
| 3.1.1 传感器硬件选型 | 第21-22页 |
| 3.1.2 传感器配置 | 第22-23页 |
| 3.2 ZigBee通信模块 | 第23-26页 |
| 3.2.1 ZigBee通信模块硬件选型 | 第23-24页 |
| 3.2.2 ZigBee协调器配置 | 第24-25页 |
| 3.2.3 ZigBee节点配置 | 第25-26页 |
| 3.3 ZigBee-以太网网关 | 第26-31页 |
| 3.3.1 网关硬件选型 | 第27-28页 |
| 3.3.2 协议转化与数据包发送流程设计 | 第28-29页 |
| 3.3.3 网关软件设计 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于支持向量机的老人跌倒检测算法 | 第32-45页 |
| 4.1 人体行为数据分析 | 第32-34页 |
| 4.2 数据分析与特征提取 | 第34-37页 |
| 4.2.1 数据预处理 | 第34-35页 |
| 4.2.2 数据分析 | 第35-36页 |
| 4.2.3 特征提取 | 第36-37页 |
| 4.3 跌倒检测方法的选择 | 第37-40页 |
| 4.3.1 跌倒检测方法概述 | 第37-38页 |
| 4.3.2 支持向量机算法 | 第38-40页 |
| 4.4 跌倒检测算法的实现 | 第40-44页 |
| 4.4.1 样本数据采集 | 第40-41页 |
| 4.4.2 基于SVM的分类器训练 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 系统软件设计与性能测试 | 第45-51页 |
| 5.1 服务器与前端软件设计 | 第45-49页 |
| 5.1.1 服务器环境搭建 | 第45-46页 |
| 5.1.2 数据库设计 | 第46-47页 |
| 5.1.3 程序运行流程 | 第47-49页 |
| 5.2 系统有效性实验 | 第49-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间取得的研究成果 | 第56-57页 |
| 致谢 | 第57-58页 |
| 附件 | 第58页 |