办公场景下基于EOG的人体行为识别算法研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 发展趋势及研究状况 | 第11-13页 |
| 1.3 研究面临的问题 | 第13-14页 |
| 1.4 研究内容 | 第14-15页 |
| 1.5 本文结构安排 | 第15-17页 |
| 第二章 EOG信号简介 | 第17-23页 |
| 2.1 眼球运动分析 | 第17-20页 |
| 2.1.1 眼球运动检测技术 | 第17-18页 |
| 2.1.2 EOG信号产生原理 | 第18-20页 |
| 2.2 EOG信号与行为状态的关系 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 人体行为识别技术相关知识 | 第23-34页 |
| 3.1 引言 | 第23页 |
| 3.2 基于计算机视觉的人体行为识别 | 第23-25页 |
| 3.2.1 运动目标检测 | 第24-25页 |
| 3.2.2 特征提取 | 第25页 |
| 3.3 基于传感器的人体行为识别 | 第25-31页 |
| 3.3.1 数据采集 | 第26-27页 |
| 3.3.2 预处理 | 第27-29页 |
| 3.3.3 特征提取与选择 | 第29-31页 |
| 3.4 行为识别分类算法 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 单元眼动信号的确定与识别研究 | 第34-47页 |
| 4.1 EOG信号采集 | 第34-35页 |
| 4.1.1 设备的选择 | 第34-35页 |
| 4.1.2 电极的安放位置 | 第35页 |
| 4.2 EOG信号预处理 | 第35-38页 |
| 4.3 眼电信号特征提取 | 第38-43页 |
| 4.3.1 小波变换 | 第39-41页 |
| 4.3.2 功率谱密度 | 第41-42页 |
| 4.3.3 Hjorth参数 | 第42-43页 |
| 4.4 实验结果 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 双模型融合的人体行为识别算法研究 | 第47-65页 |
| 5.1 行为关系模型 | 第47-49页 |
| 5.2 EOG信号识别模型 | 第49页 |
| 5.3 算法框架 | 第49-50页 |
| 5.4 置信参数算法设计 | 第50-54页 |
| 5.4.1 混合高斯模型 | 第50-52页 |
| 5.4.2 置信参数获取 | 第52-54页 |
| 5.5 实验方案的设计与实施 | 第54-56页 |
| 5.5.1 实验范式的设计 | 第54-55页 |
| 5.5.2 实验的实施 | 第55-56页 |
| 5.6 实验结果与分析 | 第56-64页 |
| 5.6.1 置信参数算法的评估 | 第56-58页 |
| 5.6.2 结果分析与对比 | 第58-62页 |
| 5.6.3 行为关系模型的评估 | 第62-64页 |
| 5.7 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 附图 | 第72-73页 |
| 附表 | 第73-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间取得的学术成果 | 第75页 |
