深度学习在生理机能中的应用

目录 \n
前言 \n
第1章　人体目标跟踪算法研究　1 \n
1.1　研究背景和意义　1 \n
1.2　人体目标跟踪算法的研究现状　3 \n
1.2.1　人体目标跟踪的重要组成部分　3 \n
1.2.2　人体目标跟踪算法分类　6 \n
参考文献　10 \n
第2章　可变形卷积神经网络算法跟踪器　13 \n
2.1　卷积神经网络　13 \n
2.2　可变形卷积神经网络　16 \n
2.2.1　可变形卷积的构建　16 \n
2.2.2　可变形网络理论　18 \n
2.2.3　可变形网络反向传播　21 \n
2.3　可变形卷积神经网络算法的设计　21 \n
2.3.1　MDNet跟踪算法概述　21 \n
2.3.2　DCT网络设计　22 \n
2.3.3　DCT算法软化损失函数　23 \n
2.3.4　DCT跟踪器算法设计　25 \n
2.3.5　DCT算法性能优化　27 \n
2.4　本章小结　33 \n
参考文献　33 \n
第3章　通道注意力形变算法跟踪器　35 \n
3.1　注意力基础知识　35 \n
3.2　通道注意力形变网络设计　36 \n
3.2.1　CDCT的组归一化　36 \n
3.2.2　通道注意力形变模块设计　37 \n
3.2.3　CDCT跟踪算法设计　40 \n
3.3　跟踪器性能比较　41 \n
3.3.1　CDCT性能对比　41 \n
3.3.2　对比实验　42 \n
3.4　本章小结　43 \n
参考文献　43 \n
第4章　3D骨架朝向数据的几何代数表示与集成方法研究　45 \n
4.1　3D骨架朝向数据应用　45 \n
4.2　骨架数据获取方法　46 \n
4.2.1　直接获取3D骨架数据　46 \n
4.2.2　3D姿态估计和骨架构造　50 \n
4.3　信息表达　50 \n
4.3.1　关于关节位移的表征　50 \n
4.3.2　基于关节方向的表征　51 \n
4.3.3　基于原始关节位置的表征　52 \n
4.3.4　多模态表征　53 \n
4.3.5　小结　53 \n
4.4　表征编码　54 \n
4.4.1　基于连接的编码　54 \n
4.4.2　基于统计的编码　54 \n
4.4.3　基于词袋的编码　55 \n
4.4.4　小结　55 \n
4.5　结构和拓扑变换　55 \n
4.5.1　基于低级特征的表征　55 \n
4.5.2　基于身体部位模型的表征　56 \n
4.5.3　基于流行的表征　56 \n
4.5.4　小结　57 \n
参考文献　57 \n
第5章　几何代数基础　63 \n
5.1　几何代数　63 \n
5.2　外积　63 \n
5.3　内积　66 \n
5.4　几何积　68 \n
5.5　逆运算和倒运算　72 \n
5.6　叉积　73 \n
5.7　反射和旋转　73 \n
5.7.1　反射　73 \n
5.7.2　旋转　75 \n
5.8　本章小结　78 \n
参考文献　78 \n
第6章　基于几何代数的人体姿态朝向描述符及集成动作分类算法介绍　79 \n
6.1　人体的姿态描述与内在关系　79 \n
6.2　基于几何代数的人体姿态朝向描述符　80 \n
6.2.1　基于几何代数的人体关节旋转描述　81 \n
6.2.2　基于几何代数的人体关节角度描述　87 \n
6.3　基于几何代数的人体姿态朝向表征及集成动作分类方法　90 \n
6.3.1　基于几何代数的人体姿态朝向表征　90 \n
6.3.2　集成动作分类方法　90 \n
6.4　线性及非线性GA-SVM　93 \n
6.4.1　线性GA-SVM　93 \n
6.4.2　非线性GA-SVM　96 \n
6.5　本章小结　97 \n
参考文献　98 \n
第7章　基于几何代数的人体姿态朝向表征算法分析、验证及应用　99 \n
7.1　基于Kinect V2骨骼朝向数据集　99 \n
7.2　在数据集SZU-3D-SOEARD上的表征和分类算法分析、验证　101 \n
7.3　在数据集SYSU-3D-HOI上的表征和分类算法分析、验证　111 \n
7.4　基于单帧人体姿态朝向表征的在线实时姿态校准系统　113 \n
7.5　本章小结　117 \n
参考文献　118 \n
第8章　基于运动目标的光流信息以及光流网络介绍　119 \n
8.1　光流法的基本概念　119 \n
8.2　L-K光流法及改进算法　120 \n
8.2.1　L-K光流算法　121 \n
8.2.2　L-K金字塔光流算法　121 \n
8.3　光流网络的分类　122 \n
8.3.1　光流卷积网络FlowNet　122 \n
8.3.2　光流卷积网络FlowNet 2.0　124 \n
8.3.3　光流网络 TV-Net　125 \n
8.4　本章小结　128 \n
参考文献　129 \n
第9章　基于光流法的抗鲁棒跟踪算法　130 \n
9.1　CMT跟踪算法详解　130 \n
9.1.1　静态相适应匹配　130 \n
9.1.2　非相似性方法　131 \n
9.1.3　特征点匹配优化　131 \n
9.2　虚拟特征点的补充　132 \n
9.3　模糊逻辑的权重选择　133 \n
9.3.1　模糊逻辑的概念　133 \n
9.3.2　模糊集合和模糊规则　133 \n
9.3.3　模糊神经网络　135 \n
9.3.4　基于模糊逻辑的判断　136 \n
9.3.5　权重的相适应性　137 \n
9.4　实验结果与分析　139 \n
9.5　本章小结　140 \n
参考文献　140 \n
第10章　基于光流卷积网络的Siamese双路输入模型介绍　142 \n
10.1　端到端训练的Siamese框架跟踪模型　142 \n
10.1.1　算法框架一深度相似性学习　142 \n
10.1.2　算法细节　144 \n
10.1.3　SiamFC算法跟踪结果　145 \n
10.2　基于光流网络的检测帧模型　146 \n
10.2.1　检测帧融合模型　146 \n
10.2.2　模板更新分析　150 \n
10.3　基于光流网络的注意力模型　151 \n
10.3.1　注意力机制　151 \n
10.3.2　通用解码-编码注意力模型　151 \n
10.3.3　基于光流网络的注意力模型　153 \n
10.3.4　滴漏注意力模型　154 \n
10.4　实验结果　156 \n
10.4.1　SiamFlow实验　156 \n
10.4.2　对比实验　158 \n
10.5　本章小结　160 \n
参考文献　160 \n
第11章　生理机能评估研究　162 \n
11.1　研究背景　162 \n
11.2　生理机能　162 \n
11.2.1　运动功能　163 \n
11.2.2　感官功能　164 \n
11.2.3　认知功能　165 \n
11.2.4　免疫功能　165 \n
11.2.5　皮肤功能　165 \n
11.3　生理机能评估　165 \n
11.4　国内外发展现状　167 \n
参考文献　168 \n
第12章　基于Kinect深度摄像头的生理机能评估　171 \n
12.1　Kinect深度摄像头简介　171 \n
12.1.1　Kinect 深度摄像头　171 \n
12.1.2　骨豁跟踪　172 \n
12.2　关节活动度评估　174 \n
12.2.1　肘及膝关节活动表征　175 \n
12.2.2　肩髋关节活动度表征　175 \n
12.2.3　颈椎关节活动度表征　176 \n
12.2.4　Kinect关节角度采集及验证　177 \n
12.3　动作检测分析　178 \n
12.3.1　DTW匹配算法　178 \n
12.3.2　DTW算法改进　181 \n
12.3.3　DTW改进算法分析及验证　183 \n
12.4　步态评估　190 \n
12.4.1　步态评估表征数据的提取　190 \n
12.4.2　K近邻算法　192 \n
12.4.3　步态评估结果　194 \n
12.5　基于Kinect V2的快速上肢评估　195 \n
12.5.1　快速上肢评估　195 \n
12.5.2　基于Kin2-RULA的快速上肢评估　196 \n
12.5.3　实验结果与分析　199 \n
12.5.4　基于Kin2-RULA的生理机能评估　201 \n
12.6　本章小结　201 \n
参考文献　202 \n
第13章　基于立体摄像头的生理机能评估　204 \n
13.1　基于立体摄像头的3D人体姿态评估模型　204 \n
13.1.1　立体摄像机标定　205 \n
13.1.2　帧同步　208 \n
13.1.3　2D人体姿态评估　208 \n
13.1.4　滤波处理　210 \n
13.1.5　3D人体姿态重建　211 \n
13.2　3D人体姿态评估模型实验验证　212 \n
13.2.1　手标获取标准库方法验证　213 \n
13.2.2　3D人体姿态评估验证　214 \n
13.3　基于人体姿态评估模型的生理机能评估　218 \n
13.3.1　基于人体姿态评估模型的TUG评估　218 \n
13.3.2　步态评估　220 \n
13.4　本章小结　221 \n
参考文献　221