基于传感器的人体跌倒检测算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 研究背景及研究意义 | 第7-8页 |
| 1.1.1 研究背景 | 第7页 |
| 1.1.2 研究意义 | 第7-8页 |
| 1.2 研究现状 | 第8-12页 |
| 1.2.1 跌倒检测方案研究现状 | 第8-11页 |
| 1.2.2 跌倒检测算法研究现状 | 第11-12页 |
| 1.3 本文研究内容及组织结构 | 第12-14页 |
| 第二章 跌倒行为数据分析及特征提取 | 第14-25页 |
| 2.1 人体运动过程分析 | 第14-15页 |
| 2.1.1 跌倒行为分析 | 第14-15页 |
| 2.1.2 日常生活活动分析 | 第15页 |
| 2.2 人体运动三维模型建立 | 第15-19页 |
| 2.2.1 加速度传感器与陀螺仪原理 | 第16-17页 |
| 2.2.2 人体运动数据获取 | 第17-19页 |
| 2.3 跌倒行为特征描述 | 第19-23页 |
| 2.3.1 运动幅度特征 | 第19-20页 |
| 2.3.2 倾斜程度特征 | 第20-22页 |
| 2.3.3 旋转程度特征 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 基于PSO-SVM的跌倒检测算法 | 第25-33页 |
| 3.1 SVM与PSO理论基础 | 第25-28页 |
| 3.1.1 SVM简介 | 第25-27页 |
| 3.1.2 PSO简介 | 第27-28页 |
| 3.2 跌倒检测算法 | 第28-30页 |
| 3.2.1 特征向量构建 | 第28-29页 |
| 3.2.2 分类模型构建 | 第29页 |
| 3.2.3 跌倒检测流程 | 第29-30页 |
| 3.3 仿真结果及分析 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于DTW与D-S证据理论的跌倒检测算法 | 第33-43页 |
| 4.1 基于DTW的初步检测算法 | 第33-35页 |
| 4.1.1 DTW简介 | 第33页 |
| 4.1.2 匹配数据获取 | 第33-34页 |
| 4.1.3 跌倒行为模板注册 | 第34页 |
| 4.1.4 基于DTW的跌倒检测方法 | 第34-35页 |
| 4.2 基于D-S证据理论的跌倒检测算法 | 第35-39页 |
| 4.2.1 D-S证据理论基础 | 第35-36页 |
| 4.2.2 基本概率分配函数模型 | 第36-37页 |
| 4.2.3 基于证据权修正的证据组合 | 第37-38页 |
| 4.2.4 基于D-S融合的跌倒检测流程 | 第38-39页 |
| 4.3 仿真结果与分析 | 第39-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第五章 基于Android平台的人体跌倒检测系统 | 第43-53页 |
| 5.1 系统设计 | 第43-45页 |
| 5.1.1 Android开发环境 | 第43-44页 |
| 5.1.2 系统设计目标与原则 | 第44-45页 |
| 5.1.3 系统设计整体框架 | 第45页 |
| 5.2 系统功能实现 | 第45-50页 |
| 5.2.1 初始设置模块 | 第45-47页 |
| 5.2.2 跌倒检测模块 | 第47-49页 |
| 5.2.3 报警求救模块 | 第49-50页 |
| 5.3 检测结果及分析 | 第50-51页 |
| 5.4 本章小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 全文总结 | 第53-54页 |
| 6.2 工作展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第59页 |
