基于微惯性测量单元(Micro-Inertial Measurement Unit,MIMU)的人体运动模式识别是模式识别领域一个新的研究方向。MIMU具有体积小、重量轻、可穿戴等优点,能够实现对目标运动模式的持续监测,因而在医疗健康、体育竞技和军事训练等领域具有广阔的应用前景。本文研究八种日常运动模式的识别,包括静态的站立、坐立、平躺和动态的走路、上楼、下楼、跑步、骑单车,主要完成的工作如下:(1)以高性能、低功耗、小型化、低成本为目标,进行了传感器节点的器件选型和硬件电路设计;通过人体运动模型分析了各运动模式的动作特点,确定了模式区分能力最佳的身体部位,设计了传感器节点部署方案。(2)针对低成本MIMU精度低且不具备高精度仪器校准条件的问题,建立了MIMU系统误差数学模型,模型考虑了坐标系未对准、轴间耦合、标度因子、零偏等误差成分;根据误差模型设计了基于多位置方法的软件校准算法;依据算法流程进行了MIMU误差校准实验,实验结果表明,校准后加速度计输出误差与校准前相比降低了74.1%,陀螺仪输出误差相比降低了32.0%。(3)针对原始数据质量不高的问题,结合数据挖掘领域知识和本研究问题背景,设计了基于正太分布的离群点校正方法和基于均值插补的数据缺失处理方法;提出了采用集合经验模态分解(Ensembel Empirical Mode Decomposition,EEMD)对传感器信号进行降噪,相比于依赖先验基函数的小波变换,EEMD具有自适应特性;分别在原始数据集和经本文数据预处理方法处理后的数据集上进行运动模式分类实验,实验结果表明,数据预处理后分层算法平均识别率提高了2.4%,LSTM分类器平均识别率提高了2.3%。(4)设计了基于支持向量机(Support Vector Machine,SVM)的运动模式分层识别算法,以对数据集的区分能力为依据设计特征方案;针对骑单车的运动特点提取了关联特征;针对走路、上楼、下楼三种易混淆的模式,提取了EEMD特征。实验表明,在本文数据集下分层算法对八种运动模式的平均识别率为96.7%。(5)设计了基于长短期记忆网络(Long Short-Term Memory,LSTM)的运动模式分类器,与传统机器学习要求基于专家知识的手工特征工程不同,LSTM能够自动对输入时间序列进行特征提取和融合,并通过隐藏层网络进行深度学习。实验表明,在本文数据集下LSTM分类器对八种运动模式的平均识别率为97.6%。(6)为了进一步对本文算法进行验证,在加州大学欧文分校开源的DSAD数据集上进行了识别实验,实验结果表明,基于SVM的分层算法具有良好的泛化能力,而基于LSTM的分类器具有更高的性能上限,但需要大规模训练数据集作为支撑。