基于手机的老人跌倒监护终端软件设计与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究的目的及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 基于视频图像的跌倒检测系统 | 第12-14页 |
| 1.3.2 基于可穿戴式的跌倒检测系统 | 第14-15页 |
| 1.3.3 基于环境式的跌倒检测系统 | 第15-16页 |
| 1.4 研究内容 | 第16-18页 |
| 1.5 论文的组织结构 | 第18-20页 |
| 第二章 人体信息的获取 | 第20-26页 |
| 2.1 人体活动信息 | 第20-21页 |
| 2.1.1 人体活动分类 | 第20页 |
| 2.1.2 人体坐标模型 | 第20-21页 |
| 2.2 活动信息获取 | 第21-24页 |
| 2.2.1 手机坐标模型 | 第21页 |
| 2.2.2 手机的佩戴位置 | 第21-23页 |
| 2.2.3 人体活动数据的采集 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 跌倒特征提取 | 第26-38页 |
| 3.1 人体活动数据的滤波 | 第26-27页 |
| 3.2 特征提取 | 第27-36页 |
| 3.2.1 滑动观察窗 | 第27-28页 |
| 3.2.2 人体特征量 | 第28-33页 |
| 3.2.3 特征量分析 | 第33-34页 |
| 3.2.4 特征量选择 | 第34-36页 |
| 3.3 本章小结 | 第36-38页 |
| 第四章 跌倒检测算法 | 第38-50页 |
| 4.1 常用的模式识别算法 | 第38-43页 |
| 4.1.1 朴素贝叶斯 | 第38-39页 |
| 4.1.2 决策树C4.5 | 第39页 |
| 4.1.3 人工神经网络 | 第39-40页 |
| 4.1.4 支持向量机 | 第40-43页 |
| 4.2 模式识别算法的比较 | 第43-46页 |
| 4.2.1 WEKA的介绍 | 第43-44页 |
| 4.2.2 算法在WEKA中的结果比较 | 第44-46页 |
| 4.3 二级跌倒判定算法 | 第46-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第五章 系统设计与实现 | 第50-63页 |
| 5.1 跌倒检测系统的整体设计 | 第50页 |
| 5.2 系统硬件 | 第50-51页 |
| 5.3 系统开发平台 | 第51页 |
| 5.4 系统软件功能 | 第51-54页 |
| 5.5 系统主要模块的实现 | 第54-62页 |
| 5.5.1 数据模块 | 第54-57页 |
| 5.5.2 跌倒识别模块 | 第57-59页 |
| 5.5.3 报警模块 | 第59-61页 |
| 5.5.4 参数模块 | 第61-62页 |
| 5.6 本章小结 | 第62-63页 |
| 第六章 实验分析与软件测试 | 第63-76页 |
| 6.1 实验过程 | 第63-68页 |
| 6.1.1 实验对象 | 第63页 |
| 6.1.2 实验设置 | 第63页 |
| 6.1.3 动作样本 | 第63页 |
| 6.1.4 样本训练与测试 | 第63-68页 |
| 6.2 实验结果分析 | 第68-71页 |
| 6.3 软件测试 | 第71-73页 |
| 6.3.1 功能测试 | 第71-72页 |
| 6.3.2 稳定性测试 | 第72-73页 |
| 6.3.3 兼容性测试 | 第73页 |
| 6.4 本章小结 | 第73-76页 |
| 第七章 总结与展望 | 第76-78页 |
| 7.1 全文总结 | 第76-77页 |
| 7.2 研究展望 | 第77-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-83页 |
