基于多感知节点数据融合的体态行为分析研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 可穿戴设备市场现状 | 第10页 |
| 1.2.2 行为识别算法研究现状 | 第10-13页 |
| 1.2.3 目前主要问题 | 第13页 |
| 1.3 研究的内容及意义 | 第13-15页 |
| 1.3.1 研究的主要内容 | 第13-14页 |
| 1.3.2 研究的意义 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 相关理论基础 | 第16-30页 |
| 2.1 感知节点识别体态行为的理论基础 | 第16-21页 |
| 2.1.1 加速度计的理论基础 | 第16-18页 |
| 2.1.2 肌电感应信号的理论基础 | 第18-19页 |
| 2.1.3 感知节点的技术细节 | 第19-21页 |
| 2.2 体态行为基础分析 | 第21-23页 |
| 2.3 体态行为识别方法 | 第23-29页 |
| 2.3.1 预处理 | 第23-24页 |
| 2.3.2 特征提取 | 第24-27页 |
| 2.3.3 分类识别 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于加速度计的体态行为识别 | 第30-46页 |
| 3.1 方案设计 | 第30-33页 |
| 3.1.1 预处理 | 第30-31页 |
| 3.1.2 特征提取 | 第31-33页 |
| 3.1.3 分类识别 | 第33页 |
| 3.2 方案实施及验证 | 第33-44页 |
| 3.2.1 数据提取 | 第33-37页 |
| 3.2.2 特征提取及分类决策树 | 第37-43页 |
| 3.2.3 分类决策验证 | 第43-44页 |
| 3.3 结果分析 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于肌电感应的体态行为识别 | 第46-62页 |
| 4.1 预处理 | 第46-50页 |
| 4.1.1 去漂移 | 第46-47页 |
| 4.1.2 信号整流积分 | 第47页 |
| 4.1.3 降噪 | 第47-50页 |
| 4.2 特征提取 | 第50-51页 |
| 4.2.1 时域特征 | 第50页 |
| 4.2.2 频域特征 | 第50-51页 |
| 4.3 ELM分类器 | 第51-54页 |
| 4.4 实验过程 | 第54-61页 |
| 4.4.1 数据采集 | 第54-58页 |
| 4.4.2 模式分类训练 | 第58-59页 |
| 4.4.3 分类识别及结果分析 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 多感知节点数据融合 | 第62-76页 |
| 5.1 数据融合决策 | 第62-65页 |
| 5.1.1 数据融合方式 | 第62-64页 |
| 5.1.2 融合决策 | 第64-65页 |
| 5.2 融合算法实现 | 第65-69页 |
| 5.2.1 融合算法 | 第65页 |
| 5.2.2 算法实现过程 | 第65-69页 |
| 5.3 融合算法验证 | 第69-74页 |
| 5.3.1 融合算法实验 | 第69-71页 |
| 5.3.2 性能分析 | 第71-74页 |
| 5.4 本章小结 | 第74-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-84页 |
| 致谢 | 第84页 |
