| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 主要跌倒检测设计方案 | 第14-17页 |
| 1.2.2 国内外跌倒检测产品 | 第17-18页 |
| 1.3 现有跌倒检测算法中存在的主要问题 | 第18-19页 |
| 1.4 本文研究的主要内容 | 第19-20页 |
| 1.5 本文的组织构架 | 第20-21页 |
| 第2章 人体跌倒模型及其检测原理 | 第21-28页 |
| 2.1 理论基础 | 第21-22页 |
| 2.1.1 老年人跌倒原因 | 第21页 |
| 2.1.2 人体跌倒过程分析 | 第21-22页 |
| 2.2 人体正常行为分析及分类 | 第22页 |
| 2.3 日常行为与跌倒行为的关系 | 第22-23页 |
| 2.4 跌倒检测的原理 | 第23-26页 |
| 2.5 跌倒检测的性能指标 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于年龄段的阈值跌倒检测算法 | 第28-34页 |
| 3.1 基于阈值的跌倒检测方法 | 第28-29页 |
| 3.2 不同年龄段老年人行为数据分析 | 第29-31页 |
| 3.3 不同年龄段设置不同SMV阈值 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于AI-Ada Boost的SVM分类算法 | 第34-57页 |
| 4.1 基于模式识别的跌倒检测方法 | 第34-35页 |
| 4.2 支持向量机 | 第35-39页 |
| 4.2.1 最优分类面 | 第35-37页 |
| 4.2.2 广义的最优分类面 | 第37-38页 |
| 4.2.3 核函数 | 第38-39页 |
| 4.3 特征向量提取 | 第39-48页 |
| 4.3.1 数据采集 | 第39-40页 |
| 4.3.2 数据预处理 | 第40页 |
| 4.3.3 特征值提取方法 | 第40-48页 |
| 4.3.4 组成特征向量 | 第48页 |
| 4.4 Ada Boost算法 | 第48-51页 |
| 4.5 基于AI-Ada Boost的支持向量机分类器设计 | 第51-55页 |
| 4.5.1 AI-Ada Boost算法 | 第51-53页 |
| 4.5.2 基于AI-Ada Boost的SVM分类算法 | 第53-55页 |
| 4.6 基于级联结构的跌倒检测算法 | 第55-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第5章 人体跌倒检测系统设计 | 第57-66页 |
| 5.1 人体跌倒检测系统功能分析 | 第57-58页 |
| 5.2 跌倒检测系统的硬件设计 | 第58-61页 |
| 5.2.1 硬件总体结构设计 | 第58-59页 |
| 5.2.2 硬件各模块选择 | 第59-61页 |
| 5.3 跌倒检测系统软件设计 | 第61-65页 |
| 5.3.1 跌倒检测仪软件功能 | 第61-62页 |
| 5.3.2 跌倒检测仪软件设计 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 实验设计及结果分析 | 第66-73页 |
| 6.1 实验设计 | 第66-68页 |
| 6.1.1 实验样机 | 第66-67页 |
| 6.1.2 实验对象 | 第67-68页 |
| 6.1.3 实验方法 | 第68页 |
| 6.2 跌倒检测算法验证与评价 | 第68-72页 |
| 6.2.1 算法验证 | 第68-72页 |
| 6.2.2 算法评价 | 第72页 |
| 6.3 本章小结 | 第72-73页 |
| 第7章 总结与展望 | 第73-75页 |
| 7.1 总结 | 第73-74页 |
| 7.2 展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-81页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第81页 |
