| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题来源 | 第8页 |
| 1.2 研究背景及意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-12页 |
| 1.4 主要研究内容及组织结构 | 第12-14页 |
| 第2章 CSI的感知信息处理及动作指纹库建立 | 第14-32页 |
| 2.1 CSI数据结构及组成 | 第15-16页 |
| 2.2 基于小波技术的CSI幅值信息分析及提取 | 第16-19页 |
| 2.2.1 针对摔倒动作幅值特性的分析方法选取 | 第16-18页 |
| 2.2.2 小波变换技术在摔倒动作幅值信息提取中的应用 | 第18-19页 |
| 2.3 CSI相位信息提取 | 第19-24页 |
| 2.3.1 CSI相位信息的分布特性 | 第20-21页 |
| 2.3.2 802.11中子载波对称特性 | 第21-23页 |
| 2.3.3 利用子载波对称性获得稳定相位信息 | 第23-24页 |
| 2.4 针对摔倒检测的动态窗.设计 | 第24-29页 |
| 2.4.1 基于Hilbert变换的包络提取 | 第25-26页 |
| 2.4.2 多重包络提取实现动作窗 | 第26-29页 |
| 2.5 动作指纹库建立 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 室内人体摔倒检测系统设计与实现 | 第32-53页 |
| 3.1 利用MIMO空间分集的数据融合 | 第33-39页 |
| 3.1.1 数据融合方法选择 | 第33-35页 |
| 3.1.2 CSI-MIMO与其空间分集特性对判决的影响 | 第35-37页 |
| 3.1.3 依据数据流特点的权重投票融合实现 | 第37-39页 |
| 3.2 CSI感知数据特征提取 | 第39-43页 |
| 3.2.1 针对摔倒检测的4种统计特征值 | 第39-40页 |
| 3.2.2 削弱环境影响的特征值选取 | 第40-41页 |
| 3.2.3 不同特征值选取方法效果比较 | 第41-43页 |
| 3.3 针对摔倒检测的分类算法对比选择 | 第43-50页 |
| 3.3.1 k-means集群决策及为数据融合提取聚类中心 | 第43-45页 |
| 3.3.2 针对摔倒检测的k-NN分类算法 | 第45-47页 |
| 3.3.3 针对摔倒识别的SVM分类算法 | 第47-48页 |
| 3.3.4 分类算法效果比较 | 第48-50页 |
| 3.4 室内摔倒检测系统框架 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 实验结果与分析 | 第53-68页 |
| 4.1 实验平台与环境建立 | 第53-55页 |
| 4.1.1 硬件平台搭建 | 第53页 |
| 4.1.2 软件环境实现 | 第53-54页 |
| 4.1.3 实验场景设计 | 第54-55页 |
| 4.2 CSI感知信号测试 | 第55-60页 |
| 4.2.1 稳定性测试 | 第56-57页 |
| 4.2.2 相似性测试 | 第57-58页 |
| 4.2.3 LOS与NLOS测试 | 第58-60页 |
| 4.3 摔倒检测系统实验结果 | 第60-67页 |
| 4.3.1 无干扰情况 | 第60-65页 |
| 4.3.2 存在干扰情况 | 第65-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 总结与展望 | 第68-71页 |
| 5.1 全文工作总结 | 第68-69页 |
| 5.2 下一步工作展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-74页 |
