本文關(guān)鍵詞：基于無線體域網(wǎng)的人體姿態(tài)識別算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著現(xiàn)代社會的發(fā)展進步和人們生活方式的轉(zhuǎn)變。老齡化和年輕人久坐不動越來越成為焦點問題。常年臥床的老人,辦公室里面對電腦的白領(lǐng)都在被一些慢性病困擾。但是由于快節(jié)奏的生活和醫(yī)療資源的匱乏,慢性病和一些間歇性發(fā)作的疾病往往被忽略。一種能夠隨身攜帶的,體積小巧的,不對運動帶來負擔的小型醫(yī)療檢測和記錄設(shè)備應(yīng)運而生。無線體域網(wǎng)(WBAN,Wireless Body Area Network)作為無線傳感器網(wǎng)絡(luò)(WSN,Wireless Sensor Networks)在醫(yī)療方面的應(yīng)用日益成為研究的熱門領(lǐng)域。不僅在醫(yī)療檢測設(shè)備方面有重要的應(yīng)用,同時在娛樂,軍事,身份認證和航空航天領(lǐng)域都有廣泛的應(yīng)用價值。但是這樣一個具有應(yīng)用價值的技術(shù)領(lǐng)域,仍然存在一系列技術(shù)難題并未攻克。特別是由于WBAN的載體是高動態(tài)性的人體,復(fù)雜多變的人體姿態(tài)使WBAN的通信變得復(fù)雜。所以研究使用于無線體域網(wǎng)的人體姿態(tài)識別算法和相應(yīng)的人體姿態(tài)信號采集系統(tǒng)具有重要的理論價值和實際應(yīng)用價值。本人所做工作主要概括為以下三方面:第一,組建人體姿態(tài)識別實驗系統(tǒng),建立驗證人體姿態(tài)識別算法的數(shù)據(jù)集。提取WBAN中人體姿態(tài)信號特點,比較并選擇適合WBAN中人體姿態(tài)識別問題的數(shù)據(jù)預(yù)處理方法、矩陣降維方法、姿態(tài)識別方法。通過對人體姿態(tài)信號特點的學習,提取并選擇姿態(tài)信號的特征序列。研究微機電系統(tǒng)(MEMS,Micro-electro-mechanical Systems)傳感器的工作方式與信號采集方式,選擇合適的傳感器類型組建人體姿態(tài)識別實驗采集系統(tǒng)。并針對不同年齡和身材的實驗者,進行實驗并記錄數(shù)據(jù),建立驗證人體姿態(tài)識別算法的姿態(tài)數(shù)據(jù)庫。第二,提出一種基于無線體域網(wǎng)的人體姿態(tài)多級分層識別算法。該算法對姿態(tài)信號進行預(yù)處理,濾出異常值并抽樣之后,提取并選擇姿態(tài)信號具有姿態(tài)標識的特征信號,僅用三層判定條件準確將5種姿態(tài)信號進行識別。并通過設(shè)定參數(shù)提高識別率的過程,發(fā)現(xiàn)閾值設(shè)定規(guī)則和識別率的關(guān)系。第三,提出一種基于BP(back propagation)神經(jīng)網(wǎng)絡(luò)的人體姿態(tài)多級分層識別算法。在分析并總結(jié)基于無線體域網(wǎng)的人體姿態(tài)多級分層識別算法的不足過程中,發(fā)現(xiàn)算法需要人為進行提取和選擇姿態(tài)信號的特征序列,所以設(shè)計一種有效減少人為工作的算法。BP神經(jīng)網(wǎng)絡(luò)作為人體姿態(tài)信號的分類器,在提高姿態(tài)識別率的同時,提高了網(wǎng)絡(luò)的魯棒性。通過仿真實驗,討論并總結(jié)了網(wǎng)絡(luò)中參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)與姿態(tài)識別率的關(guān)系。本文主要工作為解決WBAN的人體姿態(tài)識別問題提供了新的方法。提出將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用至無線體域網(wǎng)中的人體姿態(tài)識別問題中,行之有效的提高姿態(tài)識別率,并且增加人體姿態(tài)識別算法的魯棒性。上述兩種算法為無線體域網(wǎng)的后續(xù)研究奠定了基礎(chǔ)。
【關(guān)鍵詞】：無線體域網(wǎng) 人體姿態(tài)識別 加速度傳感器 神經(jīng)網(wǎng)絡(luò)
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TN92
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 第1章 緒論11-19
• 1.1 課題研究背景及意義11-12
• 1.2 無線體域網(wǎng)研究現(xiàn)狀12-15
• 1.2.1 國外現(xiàn)狀13-15
• 1.2.2 國內(nèi)現(xiàn)狀15
• 1.3 課題研究意義15-16
• 1.4 本文研究工作和內(nèi)容結(jié)構(gòu)16-19
• 1.4.1 主要研究工作16-17
• 1.4.2 內(nèi)容結(jié)構(gòu)17-19
• 第2章 無線體域網(wǎng)概述和相關(guān)工作19-31
• 2.1 無線體域網(wǎng)19-22
• 2.1.1 無線體域網(wǎng)的概念19-20
• 2.1.2 無線體域網(wǎng)系統(tǒng)結(jié)構(gòu)20-22
• 2.2 數(shù)據(jù)預(yù)處理方法22-24
• 2.2.1 數(shù)據(jù)歸一化22-23
• 2.2.2 數(shù)據(jù)標準化23-24
• 2.3 姿態(tài)特征提取24-27
• 2.3.1 時域特征24-25
• 2.3.2 頻域特征25-26
• 2.3.3 時頻域特征26-27
• 2.4 神經(jīng)網(wǎng)絡(luò)27-29
• 2.4.1 神經(jīng)網(wǎng)絡(luò)基本概念27
• 2.4.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程27-28
• 2.4.3 BP神經(jīng)網(wǎng)絡(luò)簡介28-29
• 2.5 本章小結(jié)29-31
• 第3章 姿態(tài)識別方法與姿態(tài)識別系統(tǒng)設(shè)計31-47
• 3.1 矩陣降維方法31-34
• 3.1.1 主成分分析法31-32
• 3.1.2 線性判別分析法32-34
• 3.2 姿態(tài)識別方法34-42
• 3.2.1 神經(jīng)網(wǎng)絡(luò)34-35
• 3.2.2 K近鄰35-36
• 3.2.3 決策樹36-38
• 3.2.4 貝葉斯分類38-39
• 3.2.5 支持向量機39-41
• 3.2.6 隱式馬爾可夫模型41
• 3.2.7 幾種姿態(tài)識別方法的比較41-42
• 3.3 實驗系統(tǒng)設(shè)計42-43
• 3.4 實驗過程和數(shù)據(jù)采集43-45
• 3.5 實驗數(shù)據(jù)記錄45-46
• 3.5.1 姿態(tài)多級分層識別算法使用數(shù)據(jù)集45
• 3.5.2 BP神經(jīng)網(wǎng)絡(luò)算法數(shù)據(jù)集45-46
• 3.6 本章小結(jié)46-47
• 第4章 基于無線體域網(wǎng)的人體姿態(tài)多級分層識別算法47-57
• 4.1 坐標建立47-48
• 4.2 人體姿態(tài)特征選取48-49
• 4.3 人體姿態(tài)多級分層識別算法實現(xiàn)49-52
• 4.4 仿真實驗和結(jié)果分析52-56
• 4.5 本章小結(jié)56-57
• 第5章 基于BP神經(jīng)網(wǎng)絡(luò)的人體姿態(tài)識別算法57-67
• 5.1 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程57-60
• 5.2 基于BP神經(jīng)網(wǎng)絡(luò)的人體姿態(tài)識別算法設(shè)計60-63
• 5.2.1 BP神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層60-61
• 5.2.2 BP神經(jīng)網(wǎng)絡(luò)的隱含層61-62
• 5.2.3 基于BP神經(jīng)網(wǎng)絡(luò)的人體姿態(tài)識別算法62-63
• 5.3 仿真結(jié)果分析63-66
• 5.4 本章小結(jié)66-67
• 第6章 總結(jié)與展望67-69
• 6.1 本文總結(jié)67-68
• 6.2 工作展望68-69
• 參考文獻69-75
• 導(dǎo)師及作者介紹75-76
• 攻讀碩士學位期間的研究工作76-77
• 致謝77

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李麗;劉君義;李學斌;;一種新的大型四肢動物體姿態(tài)識別方法[J];電腦知識與技術(shù)(學術(shù)交流);2007年05期

2 鄭莉莉;黃鮮萍;梁榮華;;基于支持向量機的人體姿態(tài)識別[J];浙江工業(yè)大學學報;2012年06期

3 魏振忠;趙征;張廣軍;;空間圓姿態(tài)識別二義性的角度約束消除[J];光學精密工程;2010年03期

4 殷海艷;劉波;;基于部位檢測的人體姿態(tài)識別[J];計算機工程與設(shè)計;2013年10期

5 陳U

本文編號：428705