在人口老齡化的背景下,研究可穿戴式老年人運(yùn)動(dòng)識(shí)別裝置,對(duì)老年人的運(yùn)動(dòng)狀態(tài)進(jìn)行監(jiān)測(cè)研究,具有其重要的社會(huì)意義�，F(xiàn)有的可穿戴式運(yùn)動(dòng)識(shí)別系統(tǒng)存在功耗高、使用場(chǎng)景受限且正確率偏低等缺點(diǎn),缺乏對(duì)類跌倒動(dòng)作的檢測(cè)識(shí)別,難以被大眾所接受;基于MTK+STM32+MPU9250的低成本可穿戴式運(yùn)動(dòng)識(shí)別系統(tǒng)具有檢測(cè)精度高、體積小、便攜性優(yōu)良、實(shí)時(shí)檢測(cè)和多重定位等優(yōu)點(diǎn),更具研究與開發(fā)價(jià)值。通過對(duì)可穿戴式運(yùn)動(dòng)識(shí)別系統(tǒng)的需求進(jìn)行分析以及對(duì)支持向量機(jī)SVM分類算法進(jìn)行研究,本文主要進(jìn)行了如下工作:(1)對(duì)人體運(yùn)動(dòng)模型進(jìn)行建模分析,并設(shè)計(jì)了人體運(yùn)動(dòng)實(shí)驗(yàn),選取合加速度和姿態(tài)角對(duì)人體的走、跑、坐、站、上下樓和跌倒動(dòng)作進(jìn)行分析;(2)完成了可穿戴式運(yùn)動(dòng)識(shí)別系統(tǒng)的軟硬件設(shè)計(jì),進(jìn)行系統(tǒng)硬件選型,并對(duì)系統(tǒng)的實(shí)時(shí)數(shù)據(jù)采集傳輸、多重定位、低功耗模式和服務(wù)器通信等軟件模塊進(jìn)行了設(shè)計(jì);完成了基于閾值法的運(yùn)動(dòng)識(shí)別算法的設(shè)計(jì)與實(shí)現(xiàn);(3)結(jié)合SVM分類算法的基本原理,提取人體運(yùn)動(dòng)時(shí)的合加速度時(shí)域特征,包括最大值、最小值、平均值、標(biāo)準(zhǔn)差、峰度等12個(gè)特征訓(xùn)練SVM分類器,并針對(duì)影響SVM算法分類精度的兩個(gè)關(guān)鍵因素:特征子集選擇和參數(shù)優(yōu)化,...

【文章頁數(shù)】：88 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題來源
    1.2 課題研究背景與意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 運(yùn)動(dòng)識(shí)別系統(tǒng)研究現(xiàn)狀
        1.3.2 運(yùn)動(dòng)識(shí)別算法研究現(xiàn)狀
    1.4 研究?jī)?nèi)容及論文章節(jié)安排
第2章 人體運(yùn)動(dòng)模式分類及實(shí)驗(yàn)設(shè)計(jì)
    2.1 人體坐標(biāo)系轉(zhuǎn)換與姿態(tài)表示
        2.1.1 人體坐標(biāo)系建立
        2.1.2 參考坐標(biāo)系
        2.1.3 人體姿態(tài)表示
    2.2 人體運(yùn)動(dòng)模式及其分類
    2.3 人體ADL動(dòng)作與跌倒實(shí)驗(yàn)設(shè)計(jì)
    2.4 實(shí)驗(yàn)數(shù)據(jù)分析
    2.5 本章小結(jié)
第3章 運(yùn)動(dòng)識(shí)別系統(tǒng)軟硬件設(shè)計(jì)
    3.1 系統(tǒng)功能需求分析
    3.2 系統(tǒng)硬件設(shè)計(jì)
        3.2.1 總體結(jié)構(gòu)設(shè)計(jì)
        3.2.2 系統(tǒng)硬件各模塊設(shè)計(jì)
    3.3 系統(tǒng)軟件設(shè)計(jì)
        3.3.1 運(yùn)動(dòng)數(shù)據(jù)采集
        3.3.2 低功耗模式
        3.3.3 多重定位方式
        3.3.4 基于閾值的運(yùn)動(dòng)識(shí)別算法
        3.3.5 服務(wù)器遠(yuǎn)程通信功能
        3.3.6 系統(tǒng)報(bào)警機(jī)制
    3.4 本章小結(jié)
第4章 運(yùn)動(dòng)識(shí)別算法的研究與實(shí)現(xiàn)
    4.1 支持向量機(jī)原理
    4.2 SVM算法在運(yùn)動(dòng)識(shí)別中的應(yīng)用
        4.2.1 運(yùn)動(dòng)數(shù)據(jù)預(yù)處理
        4.2.2 時(shí)域特征提取
        4.2.3 特征向量歸一化
        4.2.4 基于PCA的特征選擇方法
    4.3 二進(jìn)制粒子群優(yōu)化算法
        4.3.1 粒子群優(yōu)化算法概述
        4.3.2 二進(jìn)制粒子群優(yōu)化算法
        4.3.3 DBPSO算法在特征選擇問題中的應(yīng)用
        4.3.4 一種改進(jìn)的DBPSO算法
    4.4 基于改進(jìn) DBPSO-SVM 的運(yùn)動(dòng)識(shí)別算法的實(shí)現(xiàn)
    4.5 本章小結(jié)
第5章 系統(tǒng)測(cè)試及算法性能評(píng)價(jià)
    5.1 系統(tǒng)功能測(cè)試
        5.1.1 系統(tǒng)樣機(jī)
        5.1.2 數(shù)據(jù)采集測(cè)試
        5.1.3 低功耗模式測(cè)試
        5.1.4 定位功能測(cè)試
        5.1.5 服務(wù)器遠(yuǎn)程通信測(cè)試
    5.2 算法性能評(píng)價(jià)
        5.2.1 閾值法
        5.2.2 基于改進(jìn) DBPSO-SVM 的運(yùn)動(dòng)識(shí)別算法
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 本文的創(chuàng)新及特色
    6.3 工作展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的論文及其它成果



本文編號(hào)：3869894