基于手机传感器的人体行为识别算法的研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题来源 | 第11页 |
| 1.2 课题研究的背景及目的、意义 | 第11-13页 |
| 1.3 人体行为识别的国内外研究现状 | 第13-17页 |
| 1.4 本文的主要研究内容及组织结构 | 第17-20页 |
| 1.4.1 本文的主要研究内容 | 第17-18页 |
| 1.4.2 本文的组织结构 | 第18-20页 |
| 第2章 基于手机传感器的人体行为数据采集与预处理 | 第20-31页 |
| 2.1 数据采集 | 第20-21页 |
| 2.1.1 传感器的选择 | 第20-21页 |
| 2.1.2 待识别的行为类别 | 第21页 |
| 2.2 预处理过程的设计 | 第21-28页 |
| 2.2.1 加窗切割 | 第21-23页 |
| 2.2.2 信号去噪 | 第23-24页 |
| 2.2.3 加速度信号的分解 | 第24-25页 |
| 2.2.4 其他信号的生成 | 第25-28页 |
| 2.3 预处理结果 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 特征提取和选择算法的研究与改进 | 第31-50页 |
| 3.1 特征提取 | 第31-38页 |
| 3.1.1 常用特征 | 第31-32页 |
| 3.1.2 本文采用的特征 | 第32-38页 |
| 3.2 特征规范化处理 | 第38页 |
| 3.3 特征选择算法的研究与改进 | 第38-45页 |
| 3.3.1 SFFS算法原理分析 | 第38-39页 |
| 3.3.2 SFFS算法的改进 | 第39-45页 |
| 3.4 实验结果对比与分析 | 第45-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 SVM分类算法的研究与优化 | 第50-75页 |
| 4.1 SVM算法的研究与分析 | 第50-56页 |
| 4.1.1 SVM算法原理分析 | 第50-55页 |
| 4.1.2 SVM模型的参数优化 | 第55-56页 |
| 4.2 SOA优化算法的研究与改进 | 第56-70页 |
| 4.2.1 SOA算法原理分析 | 第56-60页 |
| 4.2.2 SOA算法的改进 | 第60-65页 |
| 4.2.3 算法仿真结果对比分析 | 第65-70页 |
| 4.3 基于改进SOA的SVM参数优化 | 第70-74页 |
| 4.4 本章小结 | 第74-75页 |
| 第5章 基于分层的人体行为识别算法的仿真分析 | 第75-102页 |
| 5.1 基于多分类器组合模型的分层识别流程 | 第75-77页 |
| 5.2 基于改进SFFS算法的特征选择 | 第77-85页 |
| 5.2.1 对三大类行为识别进行特征选择 | 第77-79页 |
| 5.2.2 对静态行为识别进行特征选择 | 第79-80页 |
| 5.2.3 对动态行为识别进行特征选择 | 第80-81页 |
| 5.2.4 对跌倒行为判定进行特征选择 | 第81-82页 |
| 5.2.5 对跌倒行为识别进行特征选择 | 第82-84页 |
| 5.2.6 对非跌倒行为识别进行特征选择 | 第84-85页 |
| 5.3 单分类器模型的仿真结果与分析 | 第85-98页 |
| 5.3.1 三大类行为识别 | 第85-87页 |
| 5.3.2 静态行为识别 | 第87-89页 |
| 5.3.3 动态行为识别 | 第89-91页 |
| 5.3.4 跌倒行为判定 | 第91-93页 |
| 5.3.5 跌倒行为识别 | 第93-96页 |
| 5.3.6 非跌倒行为识别 | 第96-98页 |
| 5.4 多分类器组合模型的仿真结果与分析 | 第98-101页 |
| 5.5 本章小结 | 第101-102页 |
| 第6章 总结与展望 | 第102-105页 |
| 6.1 总结 | 第102-104页 |
| 6.2 展望 | 第104-105页 |
| 致谢 | 第105-106页 |
| 参考文献 | 第106-110页 |
| 攻读硕士学位期间发表的学术论文 | 第110页 |
