| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-20页 |
| 1.1 选题背景及研究意义 | 第12-14页 |
| 1.1.1 课题来源 | 第12页 |
| 1.1.2 研究的目的及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 心率检测方法研究现状 | 第14-16页 |
| 1.2.2 跌倒检测算法研究现状 | 第16-17页 |
| 1.2.3 基于数据挖掘的用户分组分类研究现状 | 第17-18页 |
| 1.3 论文组织结构 | 第18-20页 |
| 2 基于PPG信号的心率检测算法优化研究 | 第20-34页 |
| 2.1 主流的心率检测方法 | 第20-22页 |
| 2.1.1 接触式检测方法 | 第20-21页 |
| 2.1.2 非接触式检测方法 | 第21页 |
| 2.1.3 适用于智能手表的光电式心率检测方法 | 第21-22页 |
| 2.2 光电式心率检测的现状及问题 | 第22-25页 |
| 2.2.1 光电式心率检测现状 | 第22-23页 |
| 2.2.2 智能手表上进行光电式心率检测存在的问题 | 第23-25页 |
| 2.3 基于PPG信号的光电式心率检测的算法优化 | 第25-30页 |
| 2.4 实验结果与分析 | 第30-32页 |
| 2.4.1 实验对象与条件 | 第30页 |
| 2.4.2 实验结果分析 | 第30-32页 |
| 2.5 本章小结 | 第32-34页 |
| 3 基于加速度、角速度与高度值融合的阈值判断跌倒检测算法研究 | 第34-50页 |
| 3.1 主流的跌倒检测 | 第34-35页 |
| 3.1.1 跌倒检测方法 | 第34-35页 |
| 3.1.2 跌倒检测算法 | 第35页 |
| 3.2 影响跌倒检测的因素 | 第35-37页 |
| 3.3 基于加速度、角速度与高度值融合的阈值判断跌倒检测算法 | 第37-46页 |
| 3.3.1 本文的研究思路 | 第37-38页 |
| 3.3.2 算法实现 | 第38-46页 |
| 3.4 实验结果分析 | 第46-48页 |
| 3.4.1 实验数据获取 | 第46-47页 |
| 3.4.2 实验结果分析 | 第47-48页 |
| 3.5 本章小结 | 第48-50页 |
| 4 基于数据挖掘的用户分组分类研究 | 第50-58页 |
| 4.1 数据挖掘简介 | 第50-52页 |
| 4.1.1 常用的数据挖掘方法 | 第50-51页 |
| 4.1.2 常用的数据挖掘算法 | 第51-52页 |
| 4.2 基于数据挖掘的用户分类常见问题 | 第52-53页 |
| 4.2.1 用户数据特征选择 | 第52页 |
| 4.2.2 分类算法的选择 | 第52-53页 |
| 4.3 基于K-means算法的用户分组分类研究 | 第53-55页 |
| 4.3.1 数据采集 | 第53页 |
| 4.3.2 特征分析 | 第53-54页 |
| 4.3.3 K-means算法实现用户分组分类 | 第54-55页 |
| 4.4 本章小结 | 第55-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 主要工作总结 | 第58页 |
| 5.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 个人简历 | 第66页 |
| 发表的学术论文 | 第66页 |
