基于可穿戴传感器数据的人体动作识别方法的研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第19-37页 |
| 1.1 研究背景与意义 | 第19-21页 |
| 1.2 人体动作识别的应用 | 第21-25页 |
| 1.2.1 虚拟现实应用 | 第21-22页 |
| 1.2.2 医疗健康应用 | 第22-23页 |
| 1.2.3 体育训练应用 | 第23-24页 |
| 1.2.4 其它应用 | 第24-25页 |
| 1.3 基于可穿戴传感器的动作识别相关技术 | 第25-32页 |
| 1.3.1 传感器数据的噪声处理 | 第25-26页 |
| 1.3.2 窗口分割 | 第26-27页 |
| 1.3.3 特征提取 | 第27-28页 |
| 1.3.4 特征降维 | 第28-29页 |
| 1.3.5 分类技术 | 第29-32页 |
| 1.3.6 评价方法 | 第32页 |
| 1.4 基于可穿戴传感器的动作识别研究现状 | 第32-36页 |
| 1.4.1 可穿戴传感器的信号类型 | 第32-33页 |
| 1.4.2 国内外的动作识别研究进展 | 第33-35页 |
| 1.4.3 现有动作识别研究中的一些关键问题 | 第35-36页 |
| 1.5 本文主要工作和结构安排 | 第36-37页 |
| 2 基于模糊聚类的下肢动作识别方法 | 第37-53页 |
| 2.1 人体下肢动作简介 | 第37-39页 |
| 2.1.1 下肢动作的类型和信号特点 | 第37-38页 |
| 2.1.2 下肢动作识别的进展 | 第38-39页 |
| 2.2 下肢动作识别流程 | 第39-45页 |
| 2.2.1 识别框架 | 第39页 |
| 2.2.2 噪声处理与特征提取 | 第39-42页 |
| 2.2.3 模糊C均值聚类算法 | 第42-44页 |
| 2.2.4 分类器的设计 | 第44-45页 |
| 2.3 实验平台和数据的采集 | 第45-47页 |
| 2.3.1 实验平台 | 第45-46页 |
| 2.3.2 数据的采集 | 第46-47页 |
| 2.4 实验结果分析 | 第47-51页 |
| 2.4.1 识别的结果 | 第47-48页 |
| 2.4.2 分类器的性能比较 | 第48-49页 |
| 2.4.3 角速度数据的有效性 | 第49-50页 |
| 2.4.4 传感器的最佳放置位置 | 第50页 |
| 2.4.5 基于安卓开发平台的下肢动作识别 | 第50-51页 |
| 2.5 本章小结 | 第51-53页 |
| 3 基于分层机制和神经网络的并发动作识别方法 | 第53-69页 |
| 3.1 人体并发动作的特点 | 第53-54页 |
| 3.2 并发动作的识别方法 | 第54-61页 |
| 3.2.1 并发动作的识别流程 | 第54-55页 |
| 3.2.2 传感器数据的噪声处理 | 第55-56页 |
| 3.2.3 窗口分割与特征提取 | 第56-57页 |
| 3.2.4 特征归一化 | 第57页 |
| 3.2.5 特征降维 | 第57-58页 |
| 3.2.6 分类器 | 第58-61页 |
| 3.3 实验平台和数据的采集 | 第61-63页 |
| 3.3.1 实验平台 | 第61页 |
| 3.3.2 实验数据的采集 | 第61-63页 |
| 3.4 实验结果分析 | 第63-68页 |
| 3.4.1 底层状态识别 | 第63-64页 |
| 3.4.2 并发动作识别 | 第64-66页 |
| 3.4.3 单层方法和分层方法的比较 | 第66页 |
| 3.4.4 留一交叉验证 | 第66-67页 |
| 3.4.5 其它分类技术的识别结果 | 第67-68页 |
| 3.5 本章小结 | 第68-69页 |
| 4 基于PHMM的人体动作序列识别方法 | 第69-85页 |
| 4.1 引言 | 第69-71页 |
| 4.2 平行隐马尔可夫模型 | 第71-73页 |
| 4.3 基于PHMM的人体动作识别 | 第73-76页 |
| 4.4 实验平台和数据的采集 | 第76-78页 |
| 4.4.1 实验平台 | 第76页 |
| 4.4.2 实验数据的采集 | 第76-78页 |
| 4.5 实验结果分析 | 第78-83页 |
| 4.5.1 实验数据的预处理 | 第78-80页 |
| 4.5.2 识别结果 | 第80-81页 |
| 4.5.3 PHMM和HMM的性能比较 | 第81页 |
| 4.5.4 PHMM和单示例分类器的性能比较 | 第81-83页 |
| 4.5.5 留一交叉验证 | 第83页 |
| 4.6 本章小结 | 第83-85页 |
| 5 基于MLN的双人交互动作识别 | 第85-99页 |
| 5.1 引言 | 第85-87页 |
| 5.2 双人交互动作识别的方法 | 第87-91页 |
| 5.2.1 识别的流程 | 第87页 |
| 5.2.2 动态时间规整算法 | 第87-89页 |
| 5.2.3 马尔可夫逻辑网 | 第89-90页 |
| 5.2.4 交互动作的语义建模 | 第90-91页 |
| 5.3 实验平台和数据的采集 | 第91-93页 |
| 5.3.1 实验平台 | 第91-92页 |
| 5.3.2 数据的采集 | 第92-93页 |
| 5.4 实验结果分析 | 第93-97页 |
| 5.4.1 惯性数据的预处理 | 第93页 |
| 5.4.2 单人动作的识别结果 | 第93-95页 |
| 5.4.3 双人交互动作的识别结果 | 第95-96页 |
| 5.4.4 与其它方法性能的比较 | 第96-97页 |
| 5.5 本章小结 | 第97-99页 |
| 6 结论与展望 | 第99-103页 |
| 6.1 结论 | 第99页 |
| 6.2 创新点 | 第99-100页 |
| 6.3 展望 | 第100-103页 |
| 参考文献 | 第103-115页 |
| 攻读博士学位期间科研项目及科研成果 | 第115-117页 |
| 致谢 | 第117-119页 |
| 作者简介 | 第119页 |
