长期以来,各种环境下的人体行为识别都具是有吸引力和现实意义的领域。比如,对人体在日常工作中行为产生的各种信号的有效监测和对身体健康状态的检测相互关联。心冲击图（ballistocardiographic,BCG）信号是一种反映人体体表随心室收缩产生的变化与振动的信号,能够提供信息以分析人体的机能和活动状态。BCG信号同时还含有多种干扰源,这些干扰源通常来自人体和外界的各种物理活动,因此也可用于检测人体运动模式。将BCG信号用于人体行为识别时,可以同时监测到人体肢体活动与内部心血管运动等生理活动,提供更加全面的人体机能监测支持,但更复杂多样的信号源也给分离带来了困难。在此提出一种在复杂的室内工作环境下,使用BCG信号综合分析人体肢体活动行为和生理状态行为的方法。首先利用词包模型的方法将原始信号的特征聚类转化为字符并建立字典,利用字典查询向量化信号片段,用于训练集成学习的分类器,使得可以基于模式将BCG波形图像辨别为离座、静止、工作和运动等不同活动状态。进一步,在前步中被分类为静止状态下的信号,可以利用无监督流形学习框架在混合相位空间中进行处理,即用相空间投影到高维的方式分离信号中的不同成分,并采用流形学习来分析全局和局部一致性的主要成分,以去除长期及短期伪影的干扰,处理后的信号经还原为一维的时间序列后能用于估计心跳间隔,观察心血管的活动状态等生理行为信息。为了验证提出的方法的效果,实地采集了10名不同性别、年龄的受试者的BCG数据进行测试。在离座、静止、工作和运动四种不同的运动状态下采集受试者的BCG信号,并利用提出方法的进行分析,得到的运动状态估计与过程中实际记录的运动状态进行对比,得到了90%以上的准确率,进而计算得到的心跳间隔时间也与同期采集的ECG信号参考值的计算结果比较,得到的平均标准差不超过22ms。