隨著社會與科技的發(fā)展,智能手機(jī)、手表等智能產(chǎn)品成為了人們?nèi)粘１貍涞纳钣闷�。與此同時,人們對自身與家人的身體健康與運動狀態(tài)的情況也提出了更高的要求。目前,結(jié)合智能可穿戴設(shè)備進(jìn)行人體姿態(tài)識別的研究尚處于初級階段,研究成果也相對較少。在此背景下,本文通過對人體運動姿態(tài)識別方法的研究,圍繞人體運動時通過智能可穿戴設(shè)備對加速度時間序列數(shù)據(jù)的采集、數(shù)據(jù)預(yù)處理、特征提取并以基于加速度信號的人體運動姿態(tài)的識別方法作為重點進(jìn)行了研究。本文的主要研究內(nèi)容和作者工作如下:1.為了滿足基于時間序列的人體運動姿態(tài)識別的研究要求,本文介紹了基于加速度傳感器的數(shù)據(jù)采集方案、特征提取方法并通過大量文獻(xiàn)資料總結(jié)了常用的人體運動姿態(tài)識別方法。2.提出了基于DTW距離的加速度時間序列數(shù)據(jù)的相似性度量的人體姿態(tài)識別方法,即計算每個人體動作姿態(tài)加速度數(shù)據(jù)時間序列間的相似度,最后結(jié)合最近鄰算法對人體常見的各種運動姿態(tài)進(jìn)行識別。實驗結(jié)果表明,該方法達(dá)到了很好地識別效果。3.為解決時間序列間距離度量計算誤差過大和保證時間序列縮放平移的不變性的問題,提出了一種基于DTW的shapelets特征提取算法,即將DTW度量時間序列間距離與... 

【文章來源】：山東工商學(xué)院山東省

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

人體姿態(tài)識別一般流程框圖

圖 2.2ADXL345 的三軸的方向及引腳式多種多樣，有些研究者將數(shù)據(jù)預(yù)處理操作及分類減小傳輸過程中出現(xiàn)數(shù)據(jù)丟失和錯誤的概率，但，同時，也對人體姿態(tài)識別算法的有效性提出了更ZigBee 等無線傳輸方式，這種數(shù)據(jù)傳輸方式一般的是將存儲器和加速度傳感器集成在一起，然后算機(jī)進(jìn)行后續(xù)的數(shù)據(jù)處理和識別等操作。方案佩戴位置采集裝置在人體各位置使用越多，對提高人體姿

2.3 文獻(xiàn)[34]傳感器固定位置況能表現(xiàn)出明顯的差別，別。Mathie[35]等人以老人分類模型加以識別。Ka的不同加速度數(shù)據(jù)進(jìn)行年齡和性別的人體運動數(shù)

【參考文獻(xiàn)】：
期刊論文
[1]Taiga: Performance Optimization of the C4.5 Decision Tree Construction Algorithm[J]. Yi Yang,Wenguang Chen.  Tsinghua Science and Technology. 2016(04)
[2]基于深度學(xué)習(xí)的人體行為識別算法綜述[J]. 朱煜,趙江坤,王逸寧,鄭兵兵.  自動化學(xué)報. 2016(06)
[3]基于慣性傳感器的人體動作檢測系統(tǒng)設(shè)計[J]. 李世琳,王洪源.  計算機(jī)光盤軟件與應(yīng)用. 2014(23)
[4]人體動作行為識別研究綜述[J]. 李瑞峰,王亮亮,王珂.  模式識別與人工智能. 2014(01)
[5]人體動作姿態(tài)識別綜述[J]. 黃國范,李亞.  電腦知識與技術(shù). 2013(01)
[6]基于組合微慣性測量元件的人體動作檢測系統(tǒng)設(shè)計[J]. 張繼光,羊彥,李偉.  傳感技術(shù)學(xué)報. 2010(02)
[7]基于加速度信號的走路模式多級分類算法[J]. 李月香,劉燕,袁濤,王文劍.  電子學(xué)報. 2009(08)
[8]基于加速度信號幾何特征的動作識別[J]. 陳雷,楊杰,沈紅斌,王雙全.  上海交通大學(xué)學(xué)報. 2008(02)
[9]數(shù)字式MEMS加速度傳感器在傾角測量的應(yīng)用[J]. 嵇正華,成良兵,張仁杰,楊暉.  微計算機(jī)信息. 2006(05)

博士論文
[1]基于單個加速度傳感器的人體運動模式識別[D]. 薛洋.華南理工大學(xué) 2011

碩士論文
[1]基于多傳感器信息融合的人體姿態(tài)識別研究[D]. 李景輝.山東大學(xué) 2014
[2]基于加速度信號的人體上肢動作識別研究[D]. 洪俊.中國計量學(xué)院 2014



本文編號：3356606