基于加速度传感器的跌倒检测算法研究
| 中文摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 跌倒检测技术研究现状 | 第10-13页 |
| 1.3 本文工作内容 | 第13-15页 |
| 第二章 基于加速度传感器的跌倒检测原理 | 第15-21页 |
| 2.1 基于加速度传感器的人体跌倒分析 | 第15-18页 |
| 2.1.1 人体加速度信号获取 | 第15-16页 |
| 2.1.2 跌倒分析 | 第16-18页 |
| 2.2 跌倒检测算法概述 | 第18-20页 |
| 2.3 本文算法设计思想 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于时域特征及小波特征的跌倒检测算法 | 第21-37页 |
| 3.1 算法流程 | 第21-22页 |
| 3.2 数据来源与分析 | 第22页 |
| 3.3 预处理 | 第22-25页 |
| 3.4 特征提取 | 第25-28页 |
| 3.4.1 时域特征提取 | 第25-26页 |
| 3.4.2 小波特征提取 | 第26-28页 |
| 3.5 分类决策 | 第28-36页 |
| 3.5.1 经典分类算法简介 | 第28-29页 |
| 3.5.2 支持向量机 | 第29-33页 |
| 3.5.3 SVM参数优化 | 第33-35页 |
| 3.5.4 不同分类算法结果分析 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于非线性特征的跌倒检测算法 | 第37-53页 |
| 4.1 算法设计流程 | 第37页 |
| 4.2 非线性特征提取 | 第37-46页 |
| 4.2.1 KPCA原理 | 第37-42页 |
| 4.2.2 基于KPCA的三轴加速度特征提取 | 第42-43页 |
| 4.2.3 改进KPCA特征提取 | 第43-46页 |
| 4.3 分类决策 | 第46-50页 |
| 4.3.1 不同分类算法性能分析 | 第46-47页 |
| 4.3.2 概率输出SVM模型 | 第47-48页 |
| 4.3.3 概率SVM结合KNN投票及结果分析 | 第48-50页 |
| 4.4 后验证及结果分析 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 实验设计及结果分析 | 第53-57页 |
| 5.1 实验设计 | 第53-55页 |
| 5.1.1 数据采集平台搭建 | 第53-54页 |
| 5.1.2 数据采集策略 | 第54-55页 |
| 5.2 结果及分析 | 第55-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 创新点 | 第58页 |
| 6.3 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间公开发表的论文 | 第64-65页 |
| 致谢 | 第65-66页 |
