| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题来源与研究背景及意义 | 第8-10页 |
| 1.1.1 课题来源 | 第8页 |
| 1.1.2 课题研究背景及意义 | 第8-10页 |
| 1.2 课题相关技术的国内外研究现状 | 第10-14页 |
| 1.2.1 行为识别方法 | 第10-11页 |
| 1.2.2 基于加速度传感器的行为识别与状态监测研究现状 | 第11-14页 |
| 1.3 本文研究内容及章节安排 | 第14-16页 |
| 第2章 人体行为识别总体方案和数据预处理 | 第16-28页 |
| 2.1 人体行为识别问题描述 | 第16页 |
| 2.2 人体行为识别的总体框架 | 第16-17页 |
| 2.3 人体行为数据获取方法和硬件平台 | 第17-20页 |
| 2.3.1 传感器配置及人体行为数据采集 | 第17-19页 |
| 2.3.2 硬件平台 | 第19-20页 |
| 2.4 加速度信号的预处理 | 第20-22页 |
| 2.4.1 加速度的合成 | 第20-21页 |
| 2.4.2 数据平滑过滤 | 第21-22页 |
| 2.5 时间序列的特性和分割方法 | 第22-24页 |
| 2.6 数据片段的特征提取和人体行为特征向量的生成 | 第24-27页 |
| 2.6.1 时域特征 | 第24-25页 |
| 2.6.2 频域特征 | 第25-26页 |
| 2.6.3 人体行为特征向量的生成 | 第26-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第3章 人体行为识别方法 | 第28-49页 |
| 3.1 引言 | 第28-29页 |
| 3.2 基于决策树的行为识别方法 | 第29-34页 |
| 3.2.1 基于决策树的行为识别模型 | 第29-31页 |
| 3.2.2 行为识别模型的训练 | 第31-33页 |
| 3.2.3 行为模型的实验验证 | 第33-34页 |
| 3.3 基于随机森林的行为识别方法 | 第34-40页 |
| 3.3.1 基于随机森林的行为识别模型 | 第34-36页 |
| 3.3.2 行为识别模型的训练 | 第36-38页 |
| 3.3.3 行为模型的实验验证 | 第38-40页 |
| 3.4 基于人工神经网络的行为识别方法 | 第40-47页 |
| 3.4.1 基于人工神经网络的行为识别模型 | 第40-43页 |
| 3.4.2 行为识别模型的训练 | 第43-45页 |
| 3.4.3 行为模型的实验验证 | 第45-47页 |
| 3.5 三种行为识别方法的复杂度分析与分类效果对比 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 基于人体行为识别的状态监测方法 | 第49-59页 |
| 4.1 引言 | 第49页 |
| 4.2 多传感器信息融合的睡眠监测 | 第49-53页 |
| 4.3 步数统计 | 第53-56页 |
| 4.4 睡眠监测及步数统计的性能评价 | 第56-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 行为识别与状态监测原型系统的设计与实现 | 第59-64页 |
| 5.1 行为识别与状态监测原型系统的设计 | 第59-61页 |
| 5.2 行为识别与状态监测原型系统的设计与实现 | 第61-63页 |
| 5.3 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-73页 |
| 致谢 | 第73-74页 |
| 简历 | 第74页 |
