随着微电子系统和传感器技术的进步,基于传感器的行为识别研究吸引了科研人员的广泛关注。基于UWB技术的Ubisense定位系统由于具有定位精度高、定位时间短等优点,逐渐应用到行为识别领域。构造基于Ubisense的行为识别系统具有重要的理论意义和广阔的应用前景。通过在用户身体的关键部位佩戴多个Ubisense标签(即UWB-RFID),可以获得在不同行为条件下身体部位的实时空间位置信息。在此基础上,本文采用机器学习方法,实现了针对跑、跳、走、站、坐、躺等日常行为的识别,具体包括以下几方面工作:第一,研究 CNN(Convolutional Neural Network)算法和 BP(Back Propagation)神经网络算法等不同模型对行为识别的影响。大量的实验结果表明,CNN模型优于BP神经网络模型,行为识别的准确率达到了 87%。第二,通过选取不同的标签佩戴数量和位置,分析标签佩戴方案对行为识别的影响。实验结果表明,在标签佩戴数量方面,可以适当的减少一些标签而不影响整体的行为识别;在标签佩戴位置方面,佩戴在手腕-腰-脚踝的识别效果最佳。第三,基于前述CNN模型的研究成果,采用J2EE和SSH框架等技术实现了一个在线行为识别演示系统。综上所述,本文深入研究了基于Ubisense定位系统的行为识别问题,通过大量的实验训练了一个用于识别六种常见行为的CNN模型,并开发了一个用于演示的Web系统。