| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.2.1 跌倒检测主要方案 | 第8-11页 |
| 1.2.2 国内外跌倒检测市场产品现状 | 第11-12页 |
| 1.2.3 跌倒检测现状分析 | 第12-13页 |
| 1.3 本文研究内容与贡献 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 2 人体跌倒模型及原理 | 第15-21页 |
| 2.1 理论基础 | 第15-16页 |
| 2.1.1 老年人跌倒原因 | 第15页 |
| 2.1.2 人体跌倒过程分析 | 第15-16页 |
| 2.2 人体日常行为分析及分类 | 第16-17页 |
| 2.3 基于加速度的跌倒检测原理 | 第17-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 基于支持向量机的跌倒检测算法 | 第21-39页 |
| 3.1 典型跌倒检测算法 | 第21-23页 |
| 3.1.1 阈值判断方法 | 第21页 |
| 3.1.2 模式识别方法 | 第21-23页 |
| 3.2 支持向量机(SVM)理论 | 第23-29页 |
| 3.2.1 支持向量机原理 | 第23-27页 |
| 3.2.2 支持向量机应用 | 第27-29页 |
| 3.3 特征向量提取 | 第29-34页 |
| 3.3.1 数据预处理 | 第29-31页 |
| 3.3.2 特征提取方法 | 第31-32页 |
| 3.3.3 特征值选择 | 第32-34页 |
| 3.4 支持向量机分类器设计 | 第34-37页 |
| 3.4.1 软件平台与分类器实现环境 | 第34页 |
| 3.4.2 跌倒检测分类器参数设计 | 第34-37页 |
| 3.5 跌倒检测算法启动策略 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 人体跌倒检测仪设计 | 第39-51页 |
| 4.1 人体跌倒检测仪功能分析 | 第39页 |
| 4.2 跌倒检测仪的硬件设计 | 第39-45页 |
| 4.2.1 硬件总体结构设计 | 第39-40页 |
| 4.2.2 硬件各模块设计 | 第40-45页 |
| 4.3 跌倒检测仪系统软件设计 | 第45-50页 |
| 4.3.1 嵌入式 uC/OS-Ⅱ 在 stm32 上移植 | 第45-46页 |
| 4.3.2 支持向量机检测方法在 STM32 实现 | 第46-47页 |
| 4.3.3 基于 uC/OS-Ⅱ 的功能软件设计 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 实验设计及其结果分析 | 第51-69页 |
| 5.1 实验设计 | 第51-54页 |
| 5.1.1 跌倒检测仪的佩戴位置 | 第51-52页 |
| 5.1.2 跌倒实验对象 | 第52页 |
| 5.1.3 实验方法和指标 | 第52-54页 |
| 5.2 实验数据分析 | 第54-66页 |
| 5.2.1 典型人体动作的特征值量化分析 | 第54-65页 |
| 5.2.2 针对于各人体行为的泛化能力分析 | 第65-66页 |
| 5.3 算法验证与评价 | 第66-67页 |
| 5.3.1 算法验证 | 第66-67页 |
| 5.3.2 算法评价 | 第67页 |
| 5.4 本章小结 | 第67-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 附录 | 第79页 |
| A 作者在攻读学位期间发布的论文目录 | 第79页 |
| B 作者在攻读学位期间发表的专利目录 | 第79页 |