跌倒检测关键技术研究
| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题背景及研究意义 | 第13-15页 |
| 1.2 国内外的研究现状 | 第15-18页 |
| 1.3 论文的主要内容和章节安排 | 第18-21页 |
| 1.3.1 论文主要内容 | 第18-19页 |
| 1.3.2 论文章节安排 | 第19-21页 |
| 第二章 跌倒检测算法概述 | 第21-36页 |
| 2.1 跌倒检测算法的总体框架 | 第21页 |
| 2.2 数据预处理 | 第21-22页 |
| 2.3 特征提取 | 第22-30页 |
| 2.3.1 阈值特征 | 第23-28页 |
| 2.3.2 统计特征 | 第28-29页 |
| 2.3.3 其他特征 | 第29-30页 |
| 2.4 常见的分类算法 | 第30-35页 |
| 2.4.1 阈值判别法 | 第30-31页 |
| 2.4.2 机器学习分类法 | 第31-35页 |
| 2.5 算法评估 | 第35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 跌倒信息数据库的设计与搭建 | 第36-42页 |
| 3.1 跌倒数据采集系统介绍 | 第36-37页 |
| 3.2 数据测量 | 第37-40页 |
| 3.2.1 测量场景及行为 | 第37-39页 |
| 3.2.2 数据测量方案 | 第39-40页 |
| 3.3 跌倒信息数据库搭建 | 第40-41页 |
| 3.3.1 数据库内部构建 | 第40-41页 |
| 3.3.2 数据命名 | 第41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 跌倒检测算法的研究 | 第42-62页 |
| 4.1 多阈值的跌倒检测算法 | 第42-51页 |
| 4.1.1 阈值分析和选取 | 第42-48页 |
| 4.1.2 多阈值算法的设计 | 第48-50页 |
| 4.1.3 实验结果及分析 | 第50-51页 |
| 4.2 基于机器学习的跌倒检测算法 | 第51-57页 |
| 4.2.1 特征选择 | 第52-53页 |
| 4.2.2 机器学习法的设计 | 第53-54页 |
| 4.2.3 实验结果及分析 | 第54-57页 |
| 4.3 基于权重判别的两层跌倒检测算法 | 第57-60页 |
| 4.3.1 基于权重判别的两层检测算法的流程 | 第57-59页 |
| 4.3.2 实验结果及分析 | 第59-60页 |
| 4.4 三种算法的性能比较分析 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 行为的多分类问题研究 | 第62-71页 |
| 5.1 基于支持向量机的多分类方法 | 第62-65页 |
| 5.1.1 多分类问题的策略 | 第62-63页 |
| 5.1.2 实验结果及分析 | 第63-65页 |
| 5.2 基于深度学习的多分类方法 | 第65-70页 |
| 5.2.1 深度学习 | 第66-67页 |
| 5.2.2 基于卷积神经网络的实验方案 | 第67-69页 |
| 5.2.3 实验结果和分析 | 第69-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 论文总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-80页 |
| 攻读硕士期间专利和发表的论文 | 第80-81页 |
| 附件 | 第81页 |
