在科学技术的推动下,人们的生活水平不断提高,诸如肥胖、高血压等健康问题日益凸显。尽管现代医疗水平飞速提升,仍不能从根本上解决。然而,适当的运动却可以避免或解决这些健康问题。由此,人们逐渐认识到以预防为主、体医融合的主动健康管理的重要性。基于可穿戴设备进行健康管理已然成为时代的潮流,但纵观整个市场发现,体育科学与医疗实践相分离,远远没有实现体医融合的健康管理。因此,构建基于体医融合的健康管理体系,实现全面主动的健康管理是非常迫切的需求。基于可穿戴设备识别人体行为方式,发现人体健康方面存在的风险因素,是保证实现主动健康管理的必要条件。本论文基于数据挖掘技术,对人体行为识别过程中的方法和理论进行分析和管理。从管理问题的角度引入和改进相应技术,优化管理整个识别流程,确保实现全面主动的健康管理。本论文主要研究内容和创新点如下:(1)在数据预处理方法阶段:根据数据实际情况和人体运动特点设计了适用于人体运动行为的低通滤波方法,并与两种常用的滤波方法对比分析。(2)在行为特征提取和特征选择方法阶段:提取时域、频域等多维统计特征;在特征约减阶段,考虑到经过特征变换降维得到的特征没有具体的物理意义,很难做好特征的分类管理工作,提出引入基于最大相关最小冗余的特征选择方法(minimal-redundancy-maximal-relevance criterion,m RMR)降低特征维度和特征冗余性,获得与分类相关性最大、相互之间冗余性较小的特征子集;并将Relief F方法和m RMR方法结合,对m RMR方法中的最大相关准则进行改进;最后基于混合方法获得最优特征子集,做好特征的分类管理工作。(3)在行为识别分类算法阶段:针对整个行为识别流程进行管理,提出建立分层的行为识别框架;对一次识别效果不理想的类别,提出基于混淆矩阵信息和无向图设计算法进行二次识别,从而优化管理整个行为识别流程。