新書推薦：
《
创客训练营 Arduino 应用技能实训
》
售價：HK$
67.9
《
伯罗奔尼撒战争史（修订译本）
》
售價：HK$
205.9
《
中国医学的起源（知史丛书）
》
售價：HK$
227.7
《
机器人学基础 于靖军 王巍
》
售價：HK$
86.3
《
骰子世界
》
售價：HK$
57.3
《
乾隆的百宝箱：清宫宝藏与京城时尚
》
售價：HK$
135.7
《
第二琵琶协奏曲
》
售價：HK$
56.4
《
工程机械手册——农林牧渔机械
》
售價：HK$
457.7
|
| 內容簡介： |
|
基于穿戴传感器的人体行为识别技术在辅助老年人日常生活和患者康复训练方面展现出巨大潜力。本书主要介绍该技术在健康领域的研究与应用，涵盖方法流程、数据预处理、特征提取与融合、识别模型构建等内容，书中详细探讨了腕部和多位置穿戴传感器的行为识别、步态数据的增强与预测、鲁棒性特征提取等关键问题。本书可作为高等院校人工智能相关专业本科生和研究生的参考教材，也可供从事人工智能、模式识别、神经网络应用等领域的技术和研究人员阅读。
|
| 關於作者： |
|
王燕，中原工学院副教授，近年来一直从事基于传感器的行为识别和机器人控制等方向的研究，在传感器数据处理与融合、特征提取与降维、传统机器学习及深度学习在数据科学中的研究与应用等方面打下了坚实的基础。目前担任多个人工智能相关的主流国际期刊的论文审稿人，与领域内多位卓越的学者保持交流与合作。
|
| 目錄：
|
第1章 绪论1
1.1 人体行为识别研究的背景及意义1
1.2 穿戴行为识别研究4
1.3 人体行为数据增强与预测8
参考文献10
第2章 人体行为识别基础16
2.1 人体行为识别的一般流程16
2.2 传感器形式18
2.3 穿戴传感器及其布局18
2.3.1 穿戴传感器类型18
2.3.2 穿戴传感器的布局方式21
2.4 穿戴传感器数据预处理24
2.5 特征提取与选择25
2.5.1 人工提取的特征25
2.5.2 自动学习的特征28
2.5.3 特征降维与特征选择28
2.6 人体行为识别模型30
2.7 人体行为识别评价指标37
2.8 本章小结37
参考文献38
第3章 基于传统机器学习的人体行为识别研究50
3.1 实验方法及设计50
3.1.1 实验系统设计50
3.1.2 混合感知与布局53
3.1.3 特征提取与选择方法57
3.1.4 识别模型及性能评估58
3.2 数据采集和数据处理61
3.2.1 行为定义和穿戴行为数据采集61
3.2.2 环境数据64
3.2.3 人工特征集65
3.2.4 穿戴行为数据窗口分割68
3.2.5 互信息特征选择方法评估扩展特征贡献70
3.3 核典型相关分析特征选择mRMJR-KCCA70
3.3.1 互信息和核典型相关分析（KCCA）71
3.3.2 mRMJR-KCCA特征选择73
3.3.3 不同穿戴传感器对行为识别的贡献研究77
3.3.4 mRMJR-KCCA衡量穿戴传感器扩展特征贡献82
3.4 穿戴感知数据和环境感知数据融合研究87
3.4.1 PIR传感器识别日常行为规律88
3.4.2 互信息特征选择衡量穿戴行为数据与环境数据融合89
3.4.3 mRJMR-KCCA衡量混合感知数据融合94
3.5 本章小结100
参考文献101
第4章 基于深度学习的腕部穿戴人体行为识别研究106
4.1 腕部行为数据采集106
4.2 多层LSTM行为识别模型的建立108
4.3 注意力机制模型的建立109
4.3.1 注意力机制109
4.3.2 注意力分布110
4.3.3 加权平均111
4.3.4 多阶段注意力机制模型111
4.4 腕部穿戴传感器局部移位及补偿研究114
4.4.1 混合位置行为识别补偿116
4.4.2 基于姿态角的反馈原理行为识别补偿118
4.4.3 基于源位置的迁移微调行为识别补偿121
4.5 本章小结126
参考文献127
第5章 基于深度学习的多位置穿戴人体行为识别研究129
5.1 多位置穿戴行为数据采集129
5.2 MhaGNN框架和基准模型132
5.3 多位置穿戴行为识别鲁棒性特征提取研究134
5.3.1 多位置穿戴行为识别实验设置134
5.3.2 MhaGNN框架实验结果135
5.3.3 MhaGNN框架与其他模型对比分析137
5.3.4 MhaGNN框架与基准模型对比分析140
5.4 本章小结143
参考文献143
第6章 基于生成对抗网络的人体步态数据增强与预测146
6.1 下肢康复机器人146
6.2 时间序列数据增强与预测149
6.2.1 时间序列数据增强方法149
6.2.2 时间序列数据预测方法150
6.3 步态增强与预测研究框架152
6.3.1 人体步态动作捕获系统152
6.3.2 步态数据采集与预处理153
6.3.3 生成对抗网络155
6.4 基于GAN网络的人体步态数据增强157
6.4.1 增强模型建立及实验设置157
6.4.2 多维时间序列步态数据增强模型158
6.4.3 度量结果分析162
6.5 步态轨迹预测167
6.5.1 基于LSTM的步态轨迹预测168
6.5.2 基于注意力机制的步态轨迹预测168
6.5.3 轨迹预测结果分析169
6.6 本章小结173
参考文献173
第7章 结论与展望179
7.1 本书内容总结179
7.2 未来研究展望181
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
