用于步态识别的体域网实验系统研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文工作 | 第12-13页 |
| 1.4 章节安排 | 第13页 |
| 1.5 本章小结 | 第13-15页 |
| 第二章 体域网实验验证系统概述 | 第15-19页 |
| 2.1 系统设计目标 | 第15页 |
| 2.2 系统实现 | 第15-16页 |
| 2.3 主要器件及平台 | 第16-17页 |
| 2.3.1 Shimmer Platform | 第16页 |
| 2.3.2 TinyOS | 第16-17页 |
| 2.4 本章小结 | 第17-19页 |
| 第三章 体域网中基于特征组合的步态行为识别 | 第19-35页 |
| 3.1 步态识别算法简介 | 第20-22页 |
| 3.1.1 基于计算机视觉的算法 | 第20-21页 |
| 3.1.2 基于运动加速度的算法 | 第21-22页 |
| 3.2 系统处理流程 | 第22-23页 |
| 3.3 特征提取与组合 | 第23-27页 |
| 3.3.1 步态特征计算 | 第23-25页 |
| 3.3.2 步态特征的提取 | 第25-26页 |
| 3.3.3 步态特征向量 | 第26-27页 |
| 3.4 分类识别算法 | 第27-31页 |
| 3.4.1 决策树算法 | 第27-29页 |
| 3.4.2 贝叶斯网络算法 | 第29-31页 |
| 3.5 数据采集 | 第31-32页 |
| 3.6 结果分析 | 第32-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第四章 体域网中基于阈值和分类识别的跌倒检测 | 第35-47页 |
| 4.1 跌倒检测的研究意义 | 第35-36页 |
| 4.2 跌倒检测算法简介 | 第36-37页 |
| 4.3 系统处理流程 | 第37-38页 |
| 4.4 跌倒特征提取 | 第38-40页 |
| 4.4.1 数据预处理 | 第38-39页 |
| 4.4.2 跌倒检测阈值设定 | 第39页 |
| 4.4.3 跌倒特征的提取 | 第39-40页 |
| 4.5 朴素贝叶斯算法 | 第40-41页 |
| 4.6 数据采集 | 第41-42页 |
| 4.7 结果分析 | 第42-45页 |
| 4.8 本章小结 | 第45-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 本文总结 | 第47-48页 |
| 5.2 未来展望 | 第48-49页 |
| 参考文献 | 第49-55页 |
| 致谢 | 第55-57页 |
| 攻读硕士学位期间发表论文及申请专利 | 第57页 |
