基于智能手机的人体跌倒检测方法研究与实现
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 基于视频图像的跌倒检测方法 | 第9-10页 |
| 1.2.2 基于穿戴式跌倒检测方法 | 第10页 |
| 1.2.3 基于智能手机的跌倒检测方法 | 第10-11页 |
| 1.3 本文研究内容及文章结构 | 第11-12页 |
| 2 人体跌倒行为识别相关技术 | 第12-24页 |
| 2.1 跌倒行为的模型和原理 | 第12-16页 |
| 2.1.1 跌倒理论分析 | 第12页 |
| 2.1.2 跌倒模型建立 | 第12-14页 |
| 2.1.3 跌倒检测原理 | 第14-16页 |
| 2.2 典型跌倒行为识别方法 | 第16-22页 |
| 2.2.1 基于阈值的跌倒检测方法 | 第18-19页 |
| 2.2.2 基于模式识别的跌倒检测方法 | 第19-22页 |
| 2.3 本章小结 | 第22-24页 |
| 3 基于智能手机传感器的跌倒行为检测方法 | 第24-38页 |
| 3.1 基于智能手机传感器的跌倒行为检测模型 | 第24-25页 |
| 3.2 基于阈值的一级跌倒检测方法 | 第25-28页 |
| 3.2.1 滑动窗口与特征提取 | 第25-27页 |
| 3.2.2 多阈值跌倒检测算法 | 第27-28页 |
| 3.3 基于模式识别的二级跌倒检测方法 | 第28-31页 |
| 3.3.1 基于模式识别的跌倒检测一般过程 | 第28-29页 |
| 3.3.2 朴素贝叶斯理论 | 第29-30页 |
| 3.3.3 基于朴素贝叶斯的跌倒检测 | 第30-31页 |
| 3.4 实验设计与结果分析 | 第31-37页 |
| 3.4.1 基于阈值的跌倒检测方法 | 第31-35页 |
| 3.4.2 基于模式识别的跌倒检测方法 | 第35-36页 |
| 3.4.3 基于阈值和模式识别的二级跌倒检测方法 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 基于智能手机传感器的跌倒行为检测系统 | 第38-52页 |
| 4.1 系统开发环境简介 | 第38页 |
| 4.2 跌倒行为识别系统结构 | 第38-40页 |
| 4.3 数据采集模块 | 第40-42页 |
| 4.3.1 数据采集客户端 | 第40-41页 |
| 4.3.2 数据采集服务端 | 第41-42页 |
| 4.4 数据预处理与特征提取模块 | 第42-44页 |
| 4.4.1 数据预处理 | 第42-43页 |
| 4.4.2 特征提取 | 第43-44页 |
| 4.5 跌倒检测模块 | 第44-47页 |
| 4.5.1 跌倒一级检测 | 第45-46页 |
| 4.5.2 跌倒二级检测 | 第46-47页 |
| 4.6 跌倒检测系统 | 第47-50页 |
| 4.6.1 GPS定位功能 | 第47-48页 |
| 4.6.2 系统界面 | 第48-50页 |
| 4.7 本章小结 | 第50-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 本文总结 | 第52页 |
| 5.2 未来展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士期间研究成果 | 第60页 |
