| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 课题研究的目的和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 面向KOA患者的步态分析技术研究现状 | 第14-16页 |
| 1.2.2 机器学习在步态分析及辅助诊断中的研究现状 | 第16页 |
| 1.3 研究现状的分析及总结 | 第16-18页 |
| 1.4 本文的课题来源 | 第18页 |
| 1.5 本文的主要研究内容 | 第18-20页 |
| 第二章 面向KOA的步态分析 | 第20-35页 |
| 2.1 KOA病症基本理论 | 第20-21页 |
| 2.2 基于穿戴式传感器测量步态分析仪的KOA步态分析 | 第21-23页 |
| 2.3 GaitWatch三维步态动作捕捉与训练系统 | 第23-28页 |
| 2.3.1 GaitWatch相关知识及工作原理 | 第23-25页 |
| 2.3.2 KOA与非KOA患者在GaitWatch中的步态分析 | 第25-28页 |
| 2.4 数据集中的KOA与非KOA患者的步态特征分析及总结 | 第28-34页 |
| 2.4.1 运动学步态特征数据分析 | 第30-31页 |
| 2.4.2 时间-空间步态特征数据分析 | 第31-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 机器学习在KOA辅助诊断中的应用 | 第35-55页 |
| 3.1 基于机器学习的KOA辅助诊断方法原理 | 第35-40页 |
| 3.1.1 基本流程 | 第36页 |
| 3.1.2 诊断分类器的训练与测试 | 第36-38页 |
| 3.1.3 KOA辅助诊断分类器的分类性能指标 | 第38-40页 |
| 3.2 数据预处理 | 第40-41页 |
| 3.2.1 异常值的讨论与处理 | 第40-41页 |
| 3.2.2 数据归一化处理 | 第41页 |
| 3.3 基于机器学习的KOA辅助诊断方法 | 第41-52页 |
| 3.3.1 K近邻方法 | 第42-44页 |
| 3.3.2 逻辑斯谛回归方法 | 第44-47页 |
| 3.3.3 朴素贝叶斯方法 | 第47-49页 |
| 3.3.4 支持向量机方法 | 第49-52页 |
| 3.4 各机器学习方法在KOA辅助诊断中的差异分析 | 第52-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 诊断分类器的数据仿真测试 | 第55-64页 |
| 4.1 KNN诊断分类器的数据仿真测试 | 第55-56页 |
| 4.2 LR诊断分类器的数据仿真测试 | 第56-58页 |
| 4.3 NB诊断分类器的数据仿真测试 | 第58页 |
| 4.4 SVM诊断分类器的数据仿真测试 | 第58-62页 |
| 4.5 诊断分类器的评估分析 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 基于Adaboost的诊断分类器集成学习 | 第64-78页 |
| 5.1 KOA辅助诊断中的集成学习方法 | 第64-66页 |
| 5.1.1 Bagging方法 | 第64-65页 |
| 5.1.2 Boosting方法 | 第65-66页 |
| 5.2 基于Adaboost的诊断分类器集成学习方法 | 第66-68页 |
| 5.2.1 基本流程 | 第66页 |
| 5.2.2 Adaboost方法在KOA辅助诊断中的应用原理 | 第66-68页 |
| 5.3 各诊断分类器在Adaboost集成学习的数据仿真测试 | 第68-74页 |
| 5.3.1 Adaboost-KNN的数据仿真测试 | 第68-69页 |
| 5.3.2 Adaboos-LR的数据仿真测试 | 第69-71页 |
| 5.3.3 Adaboost-NB的数据仿真测试 | 第71-73页 |
| 5.3.4 Adaboost-PSO-RBF-SVM的数据仿真测试 | 第73-74页 |
| 5.4 Adaboost诊断分类器的评估分析 | 第74-76页 |
| 5.5 本章小结 | 第76-78页 |
| 总结与展望 | 第78-80页 |
| 研究工作总结 | 第78-79页 |
| 工作展望 | 第79-80页 |
| 参考文献 | 第80-87页 |
| 致谢 | 第87页 |
