摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-16页 |
1.1 课题研究背景及意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-14页 |
1.2.1 跌倒检测研究现状 | 第12-13页 |
1.2.2 支持向量机研究现状 | 第13-14页 |
1.2.3 信息融合研究现状 | 第14页 |
1.3 研究内容和文章组织架构 | 第14-16页 |
1.3.1 论文的主要内容 | 第14-15页 |
1.3.2 论文的组织结构 | 第15-16页 |
第二章 跌倒模型理论 | 第16-28页 |
2.1 跌倒理论基础 | 第16-20页 |
2.1.1 跌倒原因 | 第16页 |
2.1.2 跌倒过程分析 | 第16-17页 |
2.1.3 跌倒特征 | 第17-20页 |
2.2 典型跌倒检测算法 | 第20-26页 |
2.2.1 基于阈值判断的算法 | 第21-22页 |
2.2.2 基于模式识别的算法 | 第22-26页 |
2.3 基于SVM的多特征融合的跌倒检测算法 | 第26-27页 |
2.4 本章小结 | 第27-28页 |
第三章 传感器数据采集的样本集构造 | 第28-38页 |
3.1 传感器数据获取 | 第28-30页 |
3.1.1 跌倒与日常活动模式 | 第28-29页 |
3.1.2 数据采集 | 第29-30页 |
3.2 传感器数据处理 | 第30-34页 |
3.2.1 传感器数据预处理流程 | 第30-31页 |
3.2.2 跌倒与日常活动的特征提取 | 第31-33页 |
3.2.3 三轴加速度与三轴角速度样本集 | 第33-34页 |
3.3 跌倒与日常活动虚拟样本集构造 | 第34-37页 |
3.3.1 测量误差分析 | 第34-35页 |
3.3.2 基于高斯分布的样本集构造方法的原理 | 第35页 |
3.3.3 加速度与角速度样本的高斯分布参数选取 | 第35-36页 |
3.3.4 模式分类中跌倒与日常活动虚拟样本集构造 | 第36-37页 |
3.4 本章小结 | 第37-38页 |
第四章 基于支持向量机的特征加权融合的跌倒识别模型 | 第38-50页 |
4.1 支持向量机(SVM)理论概述 | 第38-41页 |
4.1.1 线性可分情况 | 第38-40页 |
4.1.2 线性不可分情况 | 第40页 |
4.1.3 核函数思想 | 第40-41页 |
4.2 多特征加权融合 | 第41-42页 |
4.3 三轴加速度与三轴角速度特征融合 | 第42-48页 |
4.3.1 单特征跌倒检测 | 第42-43页 |
4.3.2 加速度与角速度加权选择分析 | 第43-46页 |
4.3.3 基于加速度与角速度加权的SVM分类器构造 | 第46-48页 |
4.4 跌倒行为识别模型的构建流程 | 第48-49页 |
4.5 本章小结 | 第49-50页 |
第五章 跌倒识别模型关键部分测试分析 | 第50-57页 |
5.1 跌倒模型中核函数的选择分析 | 第50-51页 |
5.2 加速度与角速度加权的跌倒检测 | 第51-54页 |
5.2.1 特征简单融合的跌倒识别 | 第51-53页 |
5.2.2 加速度与角速度加权的跌倒识别 | 第53-54页 |
5.3 引入类跌倒活动的性能检测 | 第54-56页 |
5.4 本章小结 | 第56-57页 |
第六章 跌倒检测系统的设计与实现 | 第57-68页 |
6.1 安卓系统介绍 | 第57-58页 |
6.1.1 安卓系统架构 | 第57-58页 |
6.1.2 安卓传感器框架 | 第58页 |
6.2 硬件需求 | 第58-59页 |
6.3 软件系统流程 | 第59页 |
6.4 软件模块核心部分设计流程 | 第59-63页 |
6.4.1 基本设置模块 | 第60页 |
6.4.2 数据处理模块 | 第60-62页 |
6.4.3 报警处理模块 | 第62-63页 |
6.5 系统验证 | 第63-67页 |
6.5.1 实验验证指标 | 第63-64页 |
6.5.2 实验验证方案 | 第64-65页 |
6.5.3 实验结果统计分析 | 第65-67页 |
6.6 本章小结 | 第67-68页 |
第七章 总结与展望 | 第68-69页 |
7.1 本文总结 | 第68页 |
7.2 展望 | 第68-69页 |
致谢 | 第69-70页 |
参考文献 | 第70-73页 |
附录 | 第73页 |