| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 远程监护系统研究现状 | 第8-9页 |
| 1.2.2 生理参数监测预测算法研究现状 | 第9-10页 |
| 1.2.3 痰雍检测研究现状 | 第10页 |
| 1.3 本文主要内容及工作安排 | 第10-12页 |
| 第二章 健康护理系统软硬件设计 | 第12-20页 |
| 2.1 硬件系统设计 | 第12-13页 |
| 2.1.1 控制器模块 | 第13页 |
| 2.1.2 温湿度模块 | 第13页 |
| 2.1.3 心率传感器模块 | 第13页 |
| 2.2 系统基本功能 | 第13-14页 |
| 2.3 ANDROID软件健康监护系统 | 第14-19页 |
| 2.3.1 应用场景 | 第15-16页 |
| 2.3.2 开发环境 | 第16页 |
| 2.3.3 系统运行界面 | 第16-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 病患生理参数学习算法设计 | 第20-37页 |
| 3.1 时间序列的基本特性 | 第20页 |
| 3.2 时间序列相似性查询 | 第20-21页 |
| 3.3 时间序列预测方法 | 第21-25页 |
| 3.3.1 统计方法 | 第21-23页 |
| 3.3.2 人工智能方法 | 第23-25页 |
| 3.4 基于局部模型的时间序列预测 | 第25-33页 |
| 3.4.1 基于K-means算法的学习过程 | 第26-27页 |
| 3.4.2 基于多任务LS-SVM的局部建模方法 | 第27-29页 |
| 3.4.3 单步预测与多步预测比较结果 | 第29-31页 |
| 3.4.4 基于K-means与MTLS-SVM结合的预测模型 | 第31-33页 |
| 3.5 实验结果 | 第33-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第四章 基于VDS算法的痰壅监测系统设计 | 第37-55页 |
| 4.1 基于图像的痰壅学习算法设计 | 第37-38页 |
| 4.1.1 智能视频监控系统结构 | 第37-38页 |
| 4.2 喉部运动目标帧差法检测 | 第38-41页 |
| 4.3 喉部运动区域目标检测结果与分析 | 第41-42页 |
| 4.4 痰壅行为分类算法 | 第42-48页 |
| 4.4.1 喉部运动目标特征参数的提取 | 第42-43页 |
| 4.4.2 DTW算法原理 | 第43-45页 |
| 4.4.3 SVM支持向量机 | 第45-46页 |
| 4.4.4 VDS算法 | 第46-48页 |
| 4.5 实验过程与结果讨论 | 第48-54页 |
| 4.5.1 实验过程 | 第48-49页 |
| 4.5.2 实验结果分析 | 第49-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 作者简介 | 第62页 |