摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第11-17页 |
1.1 课题研究背景和意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-15页 |
1.3 本文的研究内容 | 第15-16页 |
1.4 论文组织结构 | 第16-17页 |
第二章 跌倒分析与机器学习 | 第17-28页 |
2.1 人体跌倒模型分析 | 第17-21页 |
2.1.1 运动姿态分析及分类 | 第17页 |
2.1.2 跌倒过程分析 | 第17-20页 |
2.1.3 跌倒建模 | 第20-21页 |
2.2 统计学习理论 | 第21-23页 |
2.2.1 VC维理论 | 第21-22页 |
2.2.2 SRM原则 | 第22-23页 |
2.3 支持向量机(SVM)算法 | 第23-26页 |
2.3.1 广义最优分类超平面 | 第23-25页 |
2.3.2 核函数 | 第25-26页 |
2.4 K近邻分类算法 | 第26-27页 |
2.4.1 KNN算法基本原理 | 第26-27页 |
2.4.2 距离度量函数 | 第27页 |
2.5 本章小结 | 第27-28页 |
第三章 基于多传感器的数据采集、处理及特征提取 | 第28-41页 |
3.1 智能手机中的传感器 | 第28-29页 |
3.1.1 MEMS | 第28页 |
3.1.2 加速度传感器 | 第28-29页 |
3.1.3 气压传感器 | 第29页 |
3.2 跌倒数据处理准侧 | 第29-30页 |
3.3 数据采集平台 | 第30-36页 |
3.3.1 平台整体框架 | 第30-31页 |
3.3.2 数据获取 | 第31页 |
3.3.3 数据传输与存储 | 第31-34页 |
3.3.4 数据展示 | 第34-36页 |
3.4 数据预处理 | 第36-40页 |
3.4.1 滤波处理 | 第36-38页 |
3.4.2 特征值提取 | 第38-39页 |
3.4.3 数据归一化 | 第39-40页 |
3.5 本章小结 | 第40-41页 |
第四章 网格寻参优化的SVM-KNN跌倒检测算法 | 第41-54页 |
4.1 基于网格搜索法的SVM参数优化 | 第41-46页 |
4.1.1 网格搜索法参数优化 | 第42-43页 |
4.1.2 遗传算法参数优化 | 第43-44页 |
4.1.3 粒子群算法参数优化 | 第44-45页 |
4.1.4 参数优化算法小结 | 第45-46页 |
4.2 基于参数优化的SVM老人跌倒检测 | 第46-47页 |
4.3 基于SVM-KNN的老人跌倒检测算法及改进 | 第47-51页 |
4.3.1 SVM-KNN算法的提出背景 | 第47-48页 |
4.3.2 SVM-KNN算法的实现步骤 | 第48-50页 |
4.3.3 SVM-KNN算法的改进 | 第50-51页 |
4.4 仿真实验与分析 | 第51-53页 |
4.4.1 性能评价标准 | 第51-52页 |
4.4.2 实验结果及分析 | 第52-53页 |
4.5 本章小结 | 第53-54页 |
第五章 跌倒检测系统的设计与实现 | 第54-68页 |
5.1 跌倒检测系统设计 | 第54-55页 |
5.2 系统整体架构 | 第55-56页 |
5.3 基于Android系统的手机端软件设计与实现 | 第56-58页 |
5.3.1 手机端软件功能需求及设计 | 第56页 |
5.3.2 数据传输 | 第56页 |
5.3.3 报警模块 | 第56-57页 |
5.3.4 GPS定位模块 | 第57-58页 |
5.3.5 界面介绍 | 第58页 |
5.4 服务器端软件设计 | 第58-63页 |
5.5 Web页面展示端设计与实现 | 第63-67页 |
5.5.1 跌倒信息展示 | 第64-67页 |
5.6 本章小结 | 第67-68页 |
第六章 系统测试及结果分析 | 第68-75页 |
6.1 测试环境及准备 | 第68-69页 |
6.2 实验设计及结果分析 | 第69-71页 |
6.2.1 实验设计 | 第69-70页 |
6.2.2 实验结果分析 | 第70-71页 |
6.3 报警测试 | 第71-72页 |
6.4 跌倒日志 | 第72-74页 |
6.5 本章小结 | 第74-75页 |
第七章 总结与展望 | 第75-77页 |
7.1 论文总结 | 第75-76页 |
7.2 论文展望 | 第76-77页 |
参考文献 | 第77-82页 |
致谢 | 第82-83页 |
攻读硕士学位期间取得的科研成果 | 第83页 |