可穿戴设备中的人体姿态识别方法
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究状况 | 第10-12页 |
| 1.3 发展趋势 | 第12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第二章 课题的研究内容和设计方案 | 第14-23页 |
| 2.1 课题的主要研究内容 | 第14-15页 |
| 2.1.1 数据的获取与存储 | 第14页 |
| 2.1.2 模型建立与算法实现 | 第14-15页 |
| 2.1.3 应用程序及软件实现 | 第15页 |
| 2.2 安卓平台数据获取 | 第15-18页 |
| 2.2.1 传感器硬件及其工作原理 | 第15-16页 |
| 2.2.2 安卓平台加速度数据的获取 | 第16-18页 |
| 2.3 特征选择和提取 | 第18-19页 |
| 2.4 分类识别方法 | 第19-20页 |
| 2.5 常用数据滤波方法 | 第20-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 基于穿戴设备的姿态特征分析 | 第23-37页 |
| 3.1 人体迈步时受力分析 | 第23-26页 |
| 3.1.1 受力分析 | 第24-25页 |
| 3.1.2 加速度数据变化趋势 | 第25-26页 |
| 3.2 数据预处理 | 第26-27页 |
| 3.2.1 时间窗口 | 第26-27页 |
| 3.2.2 滤波处理 | 第27页 |
| 3.3 运动姿态特征的选取 | 第27-34页 |
| 3.3.1 迈步周期及其周期性分段 | 第29-30页 |
| 3.3.2 迈步周期内振幅偏转 | 第30-32页 |
| 3.3.3 抖动差值 | 第32-34页 |
| 3.3.4 特征向量及训练集介绍 | 第34页 |
| 3.4 静止姿态判别 | 第34-36页 |
| 3.4.1 迈步区间判别 | 第34-35页 |
| 3.4.2 静止姿态判别 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于穿戴设备的姿态识别分析 | 第37-47页 |
| 4.1 迈步姿态识别方法 | 第37-40页 |
| 4.1.1 余弦测度 | 第37-38页 |
| 4.1.2 Softmax回归算法 | 第38-39页 |
| 4.1.3 单体迈步姿态识别 | 第39-40页 |
| 4.2 姿态转换识别方法 | 第40-42页 |
| 4.2.1 持续姿态判定 | 第40-41页 |
| 4.2.2 不同姿态的转换区间 | 第41-42页 |
| 4.3 不同姿态的转换分析 | 第42-44页 |
| 4.3.1 走路-跑步姿态的转换 | 第42-43页 |
| 4.3.2 静止-走路姿态的转换 | 第43-44页 |
| 4.4 基于姿态识别的跌倒识别分析 | 第44-46页 |
| 4.4.1 跌倒特征分析 | 第44-45页 |
| 4.4.2 跌倒识别 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 模拟穿戴设备实验分析 | 第47-59页 |
| 5.1 功能模块设计 | 第48-53页 |
| 5.1.1 模块总体设计 | 第48-49页 |
| 5.1.2 数据采集模块 | 第49-50页 |
| 5.1.3 特征提取模块 | 第50-51页 |
| 5.1.4 姿态识别模块 | 第51-53页 |
| 5.2 实验测试 | 第53-58页 |
| 5.2.1 单体迈步姿态识别测试 | 第53-55页 |
| 5.2.2 持续姿态识别测试 | 第55-57页 |
| 5.2.3 跌倒的判断测试 | 第57-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59-60页 |
| 6.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录1 攻读硕士学位期间申请的专利 | 第64-65页 |
| 致谢 | 第65页 |
