基于可佩戴传感器的饮食习惯监控方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究的背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 本文的研究意义 | 第9-10页 |
| 1.2 国内外研究动态 | 第10-13页 |
| 1.3 本文工作及内容安排 | 第13-17页 |
| 第2章 饮食习惯监控系统 | 第17-23页 |
| 2.1 硬件系统描述 | 第17-20页 |
| 2.1.1 传感器的选择和比较 | 第17-19页 |
| 2.1.2 硬件系统整体描述 | 第19-20页 |
| 2.2 基于IOS系统的应用平台描述 | 第20-21页 |
| 2.3 本章小结 | 第21-23页 |
| 第3章 基于HMM的进食事件检测 | 第23-39页 |
| 3.1 HMM介绍 | 第23-28页 |
| 3.1.1 HMM基本描述 | 第23-25页 |
| 3.1.2 HMM基本算法 | 第25-28页 |
| 3.2 MFCC特征介绍 | 第28-31页 |
| 3.2.1 MFCC基本原理 | 第28-29页 |
| 3.2.2 MFCC求解过程 | 第29-31页 |
| 3.3 基于HMM的进食事件检测系统 | 第31-32页 |
| 3.4 实验结果与分析 | 第32-38页 |
| 3.4.1 实验数据采集 | 第32-36页 |
| 3.4.2 检测正确率实验结果 | 第36-37页 |
| 3.4.3 ROC曲线分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于决策树的食物种类识别 | 第39-59页 |
| 4.1 食物种类识别整体框架 | 第39页 |
| 4.2 进食事件特征提取 | 第39-48页 |
| 4.2.1 进食事件时域特征提取 | 第39-41页 |
| 4.2.2 进食事件频域特征提取 | 第41-43页 |
| 4.2.3 进食事件非线性特征提取 | 第43-48页 |
| 4.3 决策树分类技术 | 第48-53页 |
| 4.3.1 决策树结构和基本思想 | 第49-51页 |
| 4.3.2 决策树学习和ID3算法 | 第51-53页 |
| 4.4 实验结果与分析 | 第53-58页 |
| 4.4.1 不同测试者实验结果 | 第53-54页 |
| 4.4.2 食物种类实验结果 | 第54-55页 |
| 4.4.3 固、液体食物识别实验结果 | 第55-56页 |
| 4.4.4 特征敏感度分析 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 结论与展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士期间取得的学术成果 | 第67-69页 |
| 致谢 | 第69页 |
