随着微型传感器(加速度计、磁力计、压力计等)在智能设备上的普及,催生出许多新型的研究领域,其中基于可穿戴设备的动作识别是一项重要的应用。该领域的研究普遍应用于安全、监控、娱乐领域,比如步态身份认证、智能家居、老人跌倒检测和VR游戏等。目前基于可穿戴设备的动作识别研究大多存在着相似性动作之间区分度较差、数据集中样本分布不均匀,特征值提取困难等问题,从而导致个别类别的分类准确率低于平均水平,进而影响整体的识别效果。本课题针对上述存在的问题,通过以下几个方面来解决:一、通过飞思卡尔公司(NXP)生产的FXOS8700CQ传感器芯片作为数据采集终端,设计并搭建了一套动作识别系统,并且开发相应的APK用于数据的存储和上传,以及部署用于数据存储的Tomcat服务器,最终实现“终端—客户端—服务器”三位一体的动作识别系统数据采集平台,以便用于后续的研究。二、完成了相似性动作数据集的采集,选取四种易混淆动作(步行、慢跑、上楼梯和下楼梯)进行研究,共采集10个无运动障碍的受试者,每个人按照既定路线在指定的实验场地采集数据,每人采集一次,共采集到五万多个原始数据。此外,为验证算法的泛化性,我们还采用两个公共数据集,并对数据集进行相应的预处理。三、解决了非均衡数据的相似性动作识别率低的问题,采取人工合成样本(SMOTE)+简单随机采样(Resample)技术对公共数据集进行类别均衡化处理,然后再应用五种不同的算法对其进行分析,综合不同的性能指标得出在相似性动作识别中随机森林(RF)和多层感知器(MP)的分类效果最佳,平均准确率达到99%以上,且对采样频率和非均衡数据有较好的鲁棒性。四、针对特征值提取困难的问题进行改进,直接将TensorFlow下构建的卷积神经网络模型应用于自制数据集中的原始时间序列数据,免去提取特征值这一繁琐的步骤,经过参数优化,最终在最优参数的情况下得到了 96.67%的识别率。此外还对自制数据集提取43个特征值,采用特征提取方法下表现较好的两种算法(RF,MP)与该方案的实验结果进行对比,再一次验证了该方案的优越性。综上所述,本课题设计并搭建了一套动作识别系统,并针对数据集中类别不均衡、相似性动作识别率低的问题,提出相应的解决方案,提高了动作的识别率。并且在传统的基于特征提取的方法上进行改进,将卷积神经网络直接应用于原始的时间序列数据,免去提取特征值的繁琐步骤,从而简化整个流程。