| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 行为识别研究现状 | 第10-12页 |
| 1.2.2 深度学习及其研究现状 | 第12-15页 |
| 1.2.3 基于深度学习的可穿戴人体行为识别研究现状 | 第15-16页 |
| 1.3 面临的关键技术问题及挑战 | 第16-17页 |
| 1.4 本文的研究内容和组织结构 | 第17-20页 |
| 1.4.1 本文主要研究内容与创新点 | 第17-18页 |
| 1.4.2 本文组织结构 | 第18-20页 |
| 第二章 行为识别数据集与识别流程 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 数据集分析 | 第20-27页 |
| 2.2.1 HAPT数据集介绍 | 第20-22页 |
| 2.2.2 数据预处理 | 第22-27页 |
| 2.3 行为识别实验流程 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于卷积特征提取的人体行为识别 | 第29-41页 |
| 3.1 引言 | 第29页 |
| 3.2 卷积特征提取方法介绍 | 第29-33页 |
| 3.2.1 一维卷积的特征提取 | 第29-30页 |
| 3.2.2 二维卷积的特征提取 | 第30-31页 |
| 3.2.3 一维卷积与递归结合的特征提取 | 第31-33页 |
| 3.3 实验方法介绍 | 第33-36页 |
| 3.3.1 基于一维卷积的特征提取方法 | 第33-34页 |
| 3.3.2 基于二维卷积的特征提取方法 | 第34-35页 |
| 3.3.3 基于一维卷积与递归的特征提取方法 | 第35-36页 |
| 3.4 实验过程及结果分析 | 第36-39页 |
| 3.4.1 实验环境及参数设置 | 第36-37页 |
| 3.4.2 实验结果与分析 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于递归神经网络的人体行为识别 | 第41-50页 |
| 4.1 引言 | 第41页 |
| 4.2 递归神经网络介绍 | 第41-44页 |
| 4.2.1 递归神经网络(RNN) | 第41-42页 |
| 4.2.2 长短期时间记忆(LSTM) | 第42页 |
| 4.2.3 双向长短期记忆网络(BLSTM) | 第42-43页 |
| 4.2.4 门控循环单元(GRU) | 第43-44页 |
| 4.3 实验方法介绍 | 第44-46页 |
| 4.4 实验结果与分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 基于Android的传感器数据采集装置实现 | 第50-61页 |
| 5.1 引言 | 第50页 |
| 5.2 Android平台传感器种类 | 第50-51页 |
| 5.3 传感器的框架及调用原理 | 第51-53页 |
| 5.4 传感器数据采集总体架构设计 | 第53-55页 |
| 5.4.1 数据显示模块 | 第53-54页 |
| 5.4.2 行为运动采集模决 | 第54-55页 |
| 5.4.3 传感器数据采集模块 | 第55页 |
| 5.5 传感器原始数据采集 | 第55-59页 |
| 5.5.1 数据采集流程 | 第55-56页 |
| 5.5.2 移动设备和传感器的选择 | 第56页 |
| 5.5.3 预定义设备位置和行为类别 | 第56-57页 |
| 5.5.4 传感器数据采集 | 第57-59页 |
| 5.6 本章小结 | 第59-61页 |
| 第六章 全文总结 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-72页 |
| 硕士期间发表的论文 | 第72-73页 |
| 致谢 | 第73页 |