基于智能移动终端的人体运动识别技术研究与应用
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文的主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 运动识别相关技术 | 第16-23页 |
| 2.1 智能手机传感器 | 第16-18页 |
| 2.2 Android平台数据获取 | 第18-21页 |
| 2.2.1 Android平台概述 | 第18-19页 |
| 2.2.2 传感器数据采集 | 第19-21页 |
| 2.3 人体运动识别流程 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于加速度传感器的人体运动识别研究 | 第23-48页 |
| 3.1 运动数据采集方案 | 第23-24页 |
| 3.2 数据预处理 | 第24-26页 |
| 3.2.1 信号滤波去噪 | 第24-25页 |
| 3.2.2 数据加窗分割 | 第25-26页 |
| 3.3 特征提取和降维 | 第26-31页 |
| 3.3.1 特征提取与规范化 | 第27-30页 |
| 3.3.2 特征降维 | 第30-31页 |
| 3.4 分类器选择 | 第31-39页 |
| 3.4.1 K近邻分类器 | 第31-33页 |
| 3.4.2 决策树分类器 | 第33-34页 |
| 3.4.3 SVM分类器 | 第34-37页 |
| 3.4.4 随机森林分类器 | 第37-39页 |
| 3.5 实验结果分析 | 第39-47页 |
| 3.5.1 实验设置 | 第39-40页 |
| 3.5.2 分类结果分析 | 第40-43页 |
| 3.5.3 算法性能对比 | 第43-45页 |
| 3.5.4 数据集对比实验 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 跌倒行为识别研究 | 第48-58页 |
| 4.1 跌倒原因及动作行为分析 | 第48-49页 |
| 4.2 跌倒识别方法研究 | 第49-50页 |
| 4.3 基于SVM的跌倒识别算法设计 | 第50-55页 |
| 4.3.1 跌倒特征提取 | 第50-52页 |
| 4.3.2 SVM分类器参数调优 | 第52-53页 |
| 4.3.3 基于SVM的跌倒识别算法设计 | 第53-55页 |
| 4.4 跌倒实验及结果分析 | 第55-56页 |
| 4.4.1 跌倒实验方案 | 第55页 |
| 4.4.2 实验结果及分析 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第5章 基于Android的人体运动识别系统设计 | 第58-65页 |
| 5.1 系统总体结构设计 | 第58-59页 |
| 5.2 系统功能设计与实现 | 第59-62页 |
| 5.2.1 用户信息设置 | 第60页 |
| 5.2.2 运动实时识别 | 第60-61页 |
| 5.2.3 GPS定位 | 第61-62页 |
| 5.2.4 跌倒检测与求助 | 第62页 |
| 5.3 系统运行界面 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 总结与展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
