随着经济的快速发展,人类生活水平的不断提高,越来越多的慢性病出现。一些慢性病在发病早期就会出现一些相应的症状,造成病人行为上的变化,及早发现异常行为并进行及时的干预将有助于疾病的早发现早治疗。慢性病的成因比较复杂,肥胖被公认为是很多慢性病形成的主要因素。除了不健康的饮食习惯外,更多的肥胖是由人们久坐不动引起的,适当的锻炼既能保持头脑的清醒,又能防止身体肥胖,预防慢性病的发生。本文以智能手表为平台进行人体行为识别研究,有助于人们了解自己的运动状态,进行适当的运动,保持健康,且对慢性病的预测具有重要意义。现有的人体行为识别系统大多不适合人类日常使用,使用智能手表进行人体行为识别具有更好的适用性。本文针对静止、平面行走、慢跑、上楼梯、下楼梯五种人体运动行为,以Apple Watch智能手表为平台对行为识别算法进行研究。本文使用智能手表进行人体行为识别,首先基于Apple Watch智能手表设计并实现了一个数据采集系统,利用智能手表中的加速度传感器采集人体运动行为数据;为了减少采集数据过程中无关动作的影响,本文使用中值滤波算法对原始加速度信号进行处理,消除噪声干扰;考虑到五种行为的三轴加速度数据的不同变化规律以及穿戴习惯的不同,本文使用基于主成分分析(PCA)的特征提取方法分别对从左右手采集到的三轴加速度数据进行特征提取,最终得到了辨识度较高的特征集;行为识别算法的本质是一种分类算法,本文使用数据挖掘中的经典分类算法朴素贝叶斯分类算法、决策树分类算法和神经网络分类算法分别对以上得到的特征集进行测试。以Matlab软件为实验仿真工具,结果显示,神经网络分类算法的分类准确率更高。实验结果表明,基于智能手表进行人体行为识别具有较好的可用性。