深度學習在生理機能中的應用

目錄 \n
前言 \n
第1章　人體目標跟蹤算法研究　1 \n
1.1　研究背景和意義　1 \n
1.2　人體目標跟蹤算法的研究現(xiàn)狀　3 \n
1.2.1　人體目標跟蹤的重要組成部分　3 \n
1.2.2　人體目標跟蹤算法分類　6 \n
參考文獻　10 \n
第2章　可變形卷積神經(jīng)網(wǎng)絡算法跟蹤器　13 \n
2.1　卷積神經(jīng)網(wǎng)絡　13 \n
2.2　可變形卷積神經(jīng)網(wǎng)絡　16 \n
2.2.1　可變形卷積的構(gòu)建　16 \n
2.2.2　可變形網(wǎng)絡理論　18 \n
2.2.3　可變形網(wǎng)絡反向傳播　21 \n
2.3　可變形卷積神經(jīng)網(wǎng)絡算法的設計　21 \n
2.3.1　MDNet跟蹤算法概述　21 \n
2.3.2　DCT網(wǎng)絡設計　22 \n
2.3.3　DCT算法軟化損失函數(shù)　23 \n
2.3.4　DCT跟蹤器算法設計　25 \n
2.3.5　DCT算法性能優(yōu)化　27 \n
2.4　本章小結(jié)　33 \n
參考文獻　33 \n
第3章　通道注意力形變算法跟蹤器　35 \n
3.1　注意力基礎知識　35 \n
3.2　通道注意力形變網(wǎng)絡設計　36 \n
3.2.1　CDCT的組歸一化　36 \n
3.2.2　通道注意力形變模塊設計　37 \n
3.2.3　CDCT跟蹤算法設計　40 \n
3.3　跟蹤器性能比較　41 \n
3.3.1　CDCT性能對比　41 \n
3.3.2　對比實驗　42 \n
3.4　本章小結(jié)　43 \n
參考文獻　43 \n
第4章　3D骨架朝向數(shù)據(jù)的幾何代數(shù)表示與集成方法研究　45 \n
4.1　3D骨架朝向數(shù)據(jù)應用　45 \n
4.2　骨架數(shù)據(jù)獲取方法　46 \n
4.2.1　直接獲取3D骨架數(shù)據(jù)　46 \n
4.2.2　3D姿態(tài)估計和骨架構(gòu)造　50 \n
4.3　信息表達　50 \n
4.3.1　關(guān)于關(guān)節(jié)位移的表征　50 \n
4.3.2　基于關(guān)節(jié)方向的表征　51 \n
4.3.3　基于原始關(guān)節(jié)位置的表征　52 \n
4.3.4　多模態(tài)表征　53 \n
4.3.5　小結(jié)　53 \n
4.4　表征編碼　54 \n
4.4.1　基于連接的編碼　54 \n
4.4.2　基于統(tǒng)計的編碼　54 \n
4.4.3　基于詞袋的編碼　55 \n
4.4.4　小結(jié)　55 \n
4.5　結(jié)構(gòu)和拓撲變換　55 \n
4.5.1　基于低級特征的表征　55 \n
4.5.2　基于身體部位模型的表征　56 \n
4.5.3　基于流行的表征　56 \n
4.5.4　小結(jié)　57 \n
參考文獻　57 \n
第5章　幾何代數(shù)基礎　63 \n
5.1　幾何代數(shù)　63 \n
5.2　外積　63 \n
5.3　內(nèi)積　66 \n
5.4　幾何積　68 \n
5.5　逆運算和倒運算　72 \n
5.6　叉積　73 \n
5.7　反射和旋轉(zhuǎn)　73 \n
5.7.1　反射　73 \n
5.7.2　旋轉(zhuǎn)　75 \n
5.8　本章小結(jié)　78 \n
參考文獻　78 \n
第6章　基于幾何代數(shù)的人體姿態(tài)朝向描述符及集成動作分類算法介紹　79 \n
6.1　人體的姿態(tài)描述與內(nèi)在關(guān)系　79 \n
6.2　基于幾何代數(shù)的人體姿態(tài)朝向描述符　80 \n
6.2.1　基于幾何代數(shù)的人體關(guān)節(jié)旋轉(zhuǎn)描述　81 \n
6.2.2　基于幾何代數(shù)的人體關(guān)節(jié)角度描述　87 \n
6.3　基于幾何代數(shù)的人體姿態(tài)朝向表征及集成動作分類方法　90 \n
6.3.1　基于幾何代數(shù)的人體姿態(tài)朝向表征　90 \n
6.3.2　集成動作分類方法　90 \n
6.4　線性及非線性GA-SVM　93 \n
6.4.1　線性GA-SVM　93 \n
6.4.2　非線性GA-SVM　96 \n
6.5　本章小結(jié)　97 \n
參考文獻　98 \n
第7章　基于幾何代數(shù)的人體姿態(tài)朝向表征算法分析、驗證及應用　99 \n
7.1　基于Kinect V2骨骼朝向數(shù)據(jù)集　99 \n
7.2　在數(shù)據(jù)集SZU-3D-SOEARD上的表征和分類算法分析、驗證　101 \n
7.3　在數(shù)據(jù)集SYSU-3D-HOI上的表征和分類算法分析、驗證　111 \n
7.4　基于單幀人體姿態(tài)朝向表征的在線實時姿態(tài)校準系統(tǒng)　113 \n
7.5　本章小結(jié)　117 \n
參考文獻　118 \n
第8章　基于運動目標的光流信息以及光流網(wǎng)絡介紹　119 \n
8.1　光流法的基本概念　119 \n
8.2　L-K光流法及改進算法　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　光流網(wǎng)絡的分類　122 \n
8.3.1　光流卷積網(wǎng)絡FlowNet　122 \n
8.3.2　光流卷積網(wǎng)絡FlowNet 2.0　124 \n
8.3.3　光流網(wǎng)絡 TV-Net　125 \n
8.4　本章小結(jié)　128 \n
參考文獻　129 \n
第9章　基于光流法的抗魯棒跟蹤算法　130 \n
9.1　CMT跟蹤算法詳解　130 \n
9.1.1　靜態(tài)相適應匹配　130 \n
9.1.2　非相似性方法　131 \n
9.1.3　特征點匹配優(yōu)化　131 \n
9.2　虛擬特征點的補充　132 \n
9.3　模糊邏輯的權(quán)重選擇　133 \n
9.3.1　模糊邏輯的概念　133 \n
9.3.2　模糊集合和模糊規(guī)則　133 \n
9.3.3　模糊神經(jīng)網(wǎng)絡　135 \n
9.3.4　基于模糊邏輯的判斷　136 \n
9.3.5　權(quán)重的相適應性　137 \n
9.4　實驗結(jié)果與分析　139 \n
9.5　本章小結(jié)　140 \n
參考文獻　140 \n
第10章　基于光流卷積網(wǎng)絡的Siamese雙路輸入模型介紹　142 \n
10.1　端到端訓練的Siamese框架跟蹤模型　142 \n
10.1.1　算法框架一深度相似性學習　142 \n
10.1.2　算法細節(jié)　144 \n
10.1.3　SiamFC算法跟蹤結(jié)果　145 \n
10.2　基于光流網(wǎng)絡的檢測幀模型　146 \n
10.2.1　檢測幀融合模型　146 \n
10.2.2　模板更新分析　150 \n
10.3　基于光流網(wǎng)絡的注意力模型　151 \n
10.3.1　注意力機制　151 \n
10.3.2　通用解碼-編碼注意力模型　151 \n
10.3.3　基于光流網(wǎng)絡的注意力模型　153 \n
10.3.4　滴漏注意力模型　154 \n
10.4　實驗結(jié)果　156 \n
10.4.1　SiamFlow實驗　156 \n
10.4.2　對比實驗　158 \n
10.5　本章小結(jié)　160 \n
參考文獻　160 \n
第11章　生理機能評估研究　162 \n
11.1　研究背景　162 \n
11.2　生理機能　162 \n
11.2.1　運動功能　163 \n
11.2.2　感官功能　164 \n
11.2.3　認知功能　165 \n
11.2.4　免疫功能　165 \n
11.2.5　皮膚功能　165 \n
11.3　生理機能評估　165 \n
11.4　國內(nèi)外發(fā)展現(xiàn)狀　167 \n
參考文獻　168 \n
第12章　基于Kinect深度攝像頭的生理機能評估　171 \n
12.1　Kinect深度攝像頭簡介　171 \n
12.1.1　Kinect 深度攝像頭　171 \n
12.1.2　骨豁跟蹤　172 \n
12.2　關(guān)節(jié)活動度評估　174 \n
12.2.1　肘及膝關(guān)節(jié)活動表征　175 \n
12.2.2　肩髖關(guān)節(jié)活動度表征　175 \n
12.2.3　頸椎關(guān)節(jié)活動度表征　176 \n
12.2.4　Kinect關(guān)節(jié)角度采集及驗證　177 \n
12.3　動作檢測分析　178 \n
12.3.1　DTW匹配算法　178 \n
12.3.2　DTW算法改進　181 \n
12.3.3　DTW改進算法分析及驗證　183 \n
12.4　步態(tài)評估　190 \n
12.4.1　步態(tài)評估表征數(shù)據(jù)的提取　190 \n
12.4.2　K近鄰算法　192 \n
12.4.3　步態(tài)評估結(jié)果　194 \n
12.5　基于Kinect V2的快速上肢評估　195 \n
12.5.1　快速上肢評估　195 \n
12.5.2　基于Kin2-RULA的快速上肢評估　196 \n
12.5.3　實驗結(jié)果與分析　199 \n
12.5.4　基于Kin2-RULA的生理機能評估　201 \n
12.6　本章小結(jié)　201 \n
參考文獻　202 \n
第13章　基于立體攝像頭的生理機能評估　204 \n
13.1　基于立體攝像頭的3D人體姿態(tài)評估模型　204 \n
13.1.1　立體攝像機標定　205 \n
13.1.2　幀同步　208 \n
13.1.3　2D人體姿態(tài)評估　208 \n
13.1.4　濾波處理　210 \n
13.1.5　3D人體姿態(tài)重建　211 \n
13.2　3D人體姿態(tài)評估模型實驗驗證　212 \n
13.2.1　手標獲取標準庫方法驗證　213 \n
13.2.2　3D人體姿態(tài)評估驗證　214 \n
13.3　基于人體姿態(tài)評估模型的生理機能評估　218 \n
13.3.1　基于人體姿態(tài)評估模型的TUG評估　218 \n
13.3.2　步態(tài)評估　220 \n
13.4　本章小結(jié)　221 \n
參考文獻　221