论文题目:数据挖掘技术在人体运动状态识别中的应用研究
摘要:随着互联网相关技术的不断发展,个人健康信息管理也逐渐开始流行。个人健康信息管理作为一种全新的网络信息管理模式,可以更多地追随用户的需求,由患者自己去管理与其自身健康情况联系紧密的健康信息和医疗数据。近年来,在模式识别领域兴起了众多的新的研究方向,基于惯性传感器的人体活动状态识别就是发展较快的分支之一,它以能最大程度地满足人们对智能人机交互和实时健康监测的需求见长,其中最受关注的就是基于加速度传感器的人体运动状态识别,通过在医疗健康保健、运动数据监测和能量消耗评估等诸多场景中的优良表现越来越受到人们的青睐。同时,相较于基于目标追踪和计算机视觉的活动识别,基于加速度传感器的方式还有不受场景限制、能耗少、成本低和易于推广等众多优势。本文结合加速度传感器所采集的人体移动健康数据,将数据挖掘技术应用于人体运动状态识别的研究工作中,采用加速度数据的时频特征,综合地对人体保持站立状态和每步频的运动分解姿态进行精准判断;并在有限的训练集中采用了基于属性组合的集成学习算法,用以解决不平衡数据的半监督学习问题,构建了随机森林模型对人体骑自行车状态进行机器识别,根据实验结果分析了集成学习算法得优劣。
关键词:健康信息管理;人体运动状态识别;半监督学习;随机森林算法
学科专业:信息管理与信息系统
摘要
abstract
第一章 绪论
1.1 研究背景与意义
1.1.1 健康信息管理
1.1.2 交叉学科研究的意义
1.2 国内外研究现状
1.2.1 健康信息管理的研究现状
1.2.2 人体运动状态识别研究现状
1.3 论文主要研究内容及组织结构
第二章 人体运动状态识别研究的关键技术
2.1 人体运动状态感知方式
2.2 MHEALTH数据集简介
2.3 数据预处理
2.3.1 惯性传感器佩戴位置的选择
2.3.2 人体物理活动的加速度特征
2.3.3 滑动窗口分割技术
2.3.4 去除加速度信号噪声的主要方法
2.4 运动信息的特征提取与选择
2.4.1 加速度信号特征
2.4.2 规范化处理
2.4.3 特征降维
2.5 运动状态识别算法
2.5.1 静态识别算法
2.5.2 时序识别算法
第三章 常见人体运动状态识别
3.1 常见人体行为种类分析
3.2 人体运动加速度特征的提取
3.3 基于时频检测算法的实验数据分析与特征值提取
3.4 常见人体运动模式识别过程及实验结果
3.4.1 人体保持站立状态
3.4.2 人体步行状态
第四章 复杂的新活动状态识别
4.1 小波阈值去噪
4.1.1 小波阈值去噪原理
4.1.2 阈值函数的选择
4.1.3 小波阈值的确定
4.2 基于随机森林算法的人体运动模式识别
4.2.1 分类器算法简述
4.2.2 半监督学习
4.2.3 随机森林算法概述
4.3 随机森林理论分析
4.3.1 随机森林模型
4.3.2 随机森林算法应用
4.4 基于随机森林算法的骑自行车活动识别结果分析
第五章 结论与展望
参考文献
致谢
推荐阅读:
压力传感器技术协议07-17
传感网技术06-22
传感器原理与检测技术考试题07-11
传感器实验报告--光纤传感器静态实验09-07
电流传感器07-21
光线传感器教学设计07-09
高职传感器课程改革07-23