基于智能手环的人体运动信息采集与分类技术研究
发布时间：2022-10-27 22:12
人体运动信息识别技术有着普遍的应用前景,在人体行为监控、医疗监护、医疗康复、交互式游戏、虚拟运动场景、电影特效和交互式学习等领域有着潜在的应用价值。本文设计了一套将信息采集与识别集合在移动端的识别系统,做到了通过对智能手环加速度传感器的数据分析实时识别人体动作。本文基于日常佩戴的智能手环,利用智能手机的内置三轴加速计数据,采用支持向量机和卷积神经网络两种算法对腕部运动姿态进行分析,经过对比得出卷积神经网络有着更好的识别效果。使用卷积神经网络进行人体姿态识别并在移动设备上实现该方法是本文的创新点。针对上述内容,本文主要工作如下:1.设计了基于智能手环的人体信息采集系统,并编写了相关程序软件。2.使用机器学习中的支持向量机构建识别算法。此算法可以得到较高的识别准确率,表明该方法可行有效。3.设计了使用深度学习中的卷积神经网络构建识别算法。本文对卷积神经网络的参数进行了比较分析,得到最优的网络结构模型。然后将该网络模型移植到移动端并成功实现运行。总体来说,基于智能手环的人体运动信息采集与分类技术还处于发展阶段,该课题研究内容有着实际的应用需求和理论研究价值,有着深入研究的意义和价值。
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 引言
1.2 人体姿态识别研究现状
1.3 基于加速度传感器的人体姿态识别研究现状
1.4 相关技术理论基础
1.4.1 智能手环传感器技术
1.4.2 加速度传感器类型
1.4.3 基于智能手环传感器技术的发展前景
1.4.4 机器学习技术
1.4.5 深度学习技术
1.5 课题的研究内容及章节安排
第2章 基于加速度传感器的数据采集与预处理系统
2.1 蓝牙无线传输与安卓手机数据处理
2.1.1 蓝牙技术
2.1.2 安卓系统
2.1.3 移动端数据采集与数据分析
2.2 数据采集与预处理
2.2.1 数据采集
2.2.2 信号预处理
2.3 本章小结
第3章 基于支持向量机的人体姿态识别方法
3.1 支持向量机
3.2 特征提取
3.2.1 时域特征
3.2.2 频域特征
3.2.3 特征图
3.3 特征选择
3.4 实验及结果分析
3.4.1 RBF核下的SVM分类测试
3.4.2 线性核下的SVM分类测试
3.4.3 两种SVM分类算法对比
3.5 本章小结
第4章 基于卷积神经网络的人体姿态识别方法
4.1 卷积神经网络原理
4.1.1 卷积层
4.1.2 池化层
4.1.3 全连接层及输出层
4.2 卷积神经网络训练过程
4.2.1 误差反向传播
4.2.2 权值更新
4.3 卷积神经网络在基于加速度传感器的姿态识别方面的优势
4.4 数据信号处理
4.5 实验及结果分析
4.5.1 网络结构对识别效果的影响
4.5.2 学习率对识别效果的影响
4.5.3 训练次数对识别效果的影响
4.5.4 网络参数设置及性能分析
4.5.5 卷积神经网络过拟合验证
4.5.6 基于安卓系统的人体姿态采集与识别系统
4.5.7 多种人体姿态识别方法对比分析
4.6 本章小节
第5章 总结与展望
5.1 论文主要研究工作总结
5.2 后续工作及研究展望
参考文献
附录
附录A 支持向量机主要程序代码
附录B 卷积神经网络主要程序代码
B.1 python语言下卷积神经网络主要程序代码
B.2 安卓端卷积神经网络主要程序代码
在读期间发表的学术论文及研究成果
致谢
【参考文献】：
期刊论文
[1]基于支持向量机的特征提取方法研究与应用[J]. 蒋琳,彭黎. 计算机工程与应用. 2007(20)
[2]基于电磁跟踪系统的人体上肢运动测量[J]. 姜明涛,张建国. 天津科技大学学报. 2005(01)
[3]3轴加速度传感器将在消费电子产品中普及[J]. 山田刚良,南庭. 电子设计应用. 2007(01)
[4]对主成分分析法三个问题的剖析[J]. 许淑娜,李长坡. 数学理论与应用. 2011(04)
[5]Android系统架构及应用程序开发研究[J]. 曾健平,邵艳洁. 微计算机信息. 2011(09)
[6]基于多标签ReliefF的特征选择算法[J]. 黄莉莉,汤进,孙登第,罗斌. 计算机应用. 2012(10)
[7]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[8]iOS系统数据安全研究[J]. 陈佳霖,王轶骏,薛质. 信息安全与通信保密. 2012(08)
[9]基于WSN穿戴式系统的研究现状与展望[J]. 王子洪. 中国医疗设备. 2012(02)
[10]基于三轴加速度传感器的人机交互智能手环[J]. 李易陆,陈洪波,蒋晓旭,李腾生,冯思浩. 桂林电子科技大学学报. 2015(05)
博士论文
[1]三维人体运动分析与动作识别方法[D]. 蔡美玲.中南大学 2013
硕士论文
[1]基于MEMS传感器的手势识别算法研究[D]. 仇立杰.北京化工大学 2016
[2]基于光学和惯性跟踪数据融合的上肢运动测量技术及应用研究[D]. 张姹.浙江大学 2014
[3]基于三轴加速度传感器的人体行为识别研究[D]. 王洪斌.江南大学 2014
[4]基于深度图像的人体姿态识别[D]. 殷海艳.北京工业大学 2013
[5]基于惯性传感器的人体动作分析与识别[D]. 侯祖贵.哈尔滨工程大学 2013
[6]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
[7]基于MEMS传感器的动作捕捉系统开发设计[D]. 刘博.北京理工大学 2011
[8]BP神经网络的改进研究及应用[D]. 刘天舒.东北农业大学 2011
[9]基于Android平台蓝牙设备音频应用的设计与实现[D]. 王巍.北京邮电大学 2009
[10]基于电磁跟踪系统的人体上肢运动信息的检测[D]. 汪莉.天津科技大学 2006
本文编号：3697306
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 引言
1.2 人体姿态识别研究现状
1.3 基于加速度传感器的人体姿态识别研究现状
1.4 相关技术理论基础
1.4.1 智能手环传感器技术
1.4.2 加速度传感器类型
1.4.3 基于智能手环传感器技术的发展前景
1.4.4 机器学习技术
1.4.5 深度学习技术
1.5 课题的研究内容及章节安排
第2章 基于加速度传感器的数据采集与预处理系统
2.1 蓝牙无线传输与安卓手机数据处理
2.1.1 蓝牙技术
2.1.2 安卓系统
2.1.3 移动端数据采集与数据分析
2.2 数据采集与预处理
2.2.1 数据采集
2.2.2 信号预处理
2.3 本章小结
第3章 基于支持向量机的人体姿态识别方法
3.1 支持向量机
3.2 特征提取
3.2.1 时域特征
3.2.2 频域特征
3.2.3 特征图
3.3 特征选择
3.4 实验及结果分析
3.4.1 RBF核下的SVM分类测试
3.4.2 线性核下的SVM分类测试
3.4.3 两种SVM分类算法对比
3.5 本章小结
第4章 基于卷积神经网络的人体姿态识别方法
4.1 卷积神经网络原理
4.1.1 卷积层
4.1.2 池化层
4.1.3 全连接层及输出层
4.2 卷积神经网络训练过程
4.2.1 误差反向传播
4.2.2 权值更新
4.3 卷积神经网络在基于加速度传感器的姿态识别方面的优势
4.4 数据信号处理
4.5 实验及结果分析
4.5.1 网络结构对识别效果的影响
4.5.2 学习率对识别效果的影响
4.5.3 训练次数对识别效果的影响
4.5.4 网络参数设置及性能分析
4.5.5 卷积神经网络过拟合验证
4.5.6 基于安卓系统的人体姿态采集与识别系统
4.5.7 多种人体姿态识别方法对比分析
4.6 本章小节
第5章 总结与展望
5.1 论文主要研究工作总结
5.2 后续工作及研究展望
参考文献
附录
附录A 支持向量机主要程序代码
附录B 卷积神经网络主要程序代码
B.1 python语言下卷积神经网络主要程序代码
B.2 安卓端卷积神经网络主要程序代码
在读期间发表的学术论文及研究成果
致谢
【参考文献】：
期刊论文
[1]基于支持向量机的特征提取方法研究与应用[J]. 蒋琳,彭黎. 计算机工程与应用. 2007(20)
[2]基于电磁跟踪系统的人体上肢运动测量[J]. 姜明涛,张建国. 天津科技大学学报. 2005(01)
[3]3轴加速度传感器将在消费电子产品中普及[J]. 山田刚良,南庭. 电子设计应用. 2007(01)
[4]对主成分分析法三个问题的剖析[J]. 许淑娜,李长坡. 数学理论与应用. 2011(04)
[5]Android系统架构及应用程序开发研究[J]. 曾健平,邵艳洁. 微计算机信息. 2011(09)
[6]基于多标签ReliefF的特征选择算法[J]. 黄莉莉,汤进,孙登第,罗斌. 计算机应用. 2012(10)
[7]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[8]iOS系统数据安全研究[J]. 陈佳霖,王轶骏,薛质. 信息安全与通信保密. 2012(08)
[9]基于WSN穿戴式系统的研究现状与展望[J]. 王子洪. 中国医疗设备. 2012(02)
[10]基于三轴加速度传感器的人机交互智能手环[J]. 李易陆,陈洪波,蒋晓旭,李腾生,冯思浩. 桂林电子科技大学学报. 2015(05)
博士论文
[1]三维人体运动分析与动作识别方法[D]. 蔡美玲.中南大学 2013
硕士论文
[1]基于MEMS传感器的手势识别算法研究[D]. 仇立杰.北京化工大学 2016
[2]基于光学和惯性跟踪数据融合的上肢运动测量技术及应用研究[D]. 张姹.浙江大学 2014
[3]基于三轴加速度传感器的人体行为识别研究[D]. 王洪斌.江南大学 2014
[4]基于深度图像的人体姿态识别[D]. 殷海艳.北京工业大学 2013
[5]基于惯性传感器的人体动作分析与识别[D]. 侯祖贵.哈尔滨工程大学 2013
[6]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
[7]基于MEMS传感器的动作捕捉系统开发设计[D]. 刘博.北京理工大学 2011
[8]BP神经网络的改进研究及应用[D]. 刘天舒.东北农业大学 2011
[9]基于Android平台蓝牙设备音频应用的设计与实现[D]. 王巍.北京邮电大学 2009
[10]基于电磁跟踪系统的人体上肢运动信息的检测[D]. 汪莉.天津科技大学 2006
本文编号：3697306
本文链接：https://www.wllwen.com/kejilunwen/yiqiyibiao/3697306.html
