基于穿戴式传感器设备的姿态识别是判断姿态类别较为主流的方式,也是无线传感网与人工智能领域的一大研究热点。目前,传统姿态识别技术有运动信息采集单一、识别精度低等问题,过多的传感器种类和数目又导致携带不便、能耗过高的问题。基于此,本文研究了基于多源信息融合的物联网姿态识别技术,意在使用少量姿态特征取得高精度的识别效果。最后面向高频长久采集、携带便利的应用场景,设计并实现了具有低能耗、远距离传输、高精度的一种基于LoRa无线网的姿态识别系统。具体来说,本文主要研究成果如下:(1)姿态识别相关信息源的选定:针对人体运动信息源选定的问题,采用了基于多源信息融合的采集和处理方法。具体选择单一放置位多传感器的采集运动信息,与主流多放置位方案相比,多种传感器能够充分获取信息从而提高识别精度,单一放置位又可满足携带便利的需求。本文首先介绍了方案所使用的加速度计、陀螺仪、磁力计、单片机。之后采用移动平均滤波法对传感器的原始数据做去噪处理并使用滑动窗口法分割数据流,然后对单窗口的传感器数据提取时域、频域特征并根据后续分类器的输入要求,对特征向量做标准化处理。此外,按照上述步骤采集走、跑、跳、站、上下楼等六种姿态的九轴传感器数据集用于后续训练。(2)多维特征的特征归约方法选定:针对特征维度过大的问题,研究并提出了一种基于过滤式与封装式结合的特征选择算法。首先采用基于最大相关最小冗余(MRMR)的过滤式算法对162个全体特征依照高相关、低冗余的评价标准排序并选取分数较高的前21位实现特征初筛。基于此对初筛结果采用序列向前(SFS)、序列向后(SBS)搜索算法结合分类器分类精度做封装式特征选择,完成关键特征的最终精选。该方式有效选择表征能力较强的特征,且具有可解读性。容易将分类影响推理至传感器层面,放弃贡献低的传感器,有利于降低无线节点的能耗,满足系统低能耗的初衷。(3)人体姿态识别分类模型的选定:针对人体姿态识别的问题,在主流识别算法研究的基础上。本文构建了基于随机森林模型的姿态识别模型。为验证分类模型效果,本文还构建了如支持向量机、决策树等几种分类模型以做实验对比。实验表明,随机森林算法在姿态识别的分类识别精度上较其他算法突出。为近一步验证本文提出姿态识别方法,分别在自采、经典数据集上做出验证。基于自采数据集,特征数量为4时分类准确度到98.9%;基于经典数据集,当特征数量为5时,分类准确度达96.3%。(4)一种基于物联网技术的姿态识别系统的构建:针对特定个人或群体长期的监测姿态数据的应用背景下,基于特征提取、分类器类别选择和具体参数等相关结论设计了一个基于LoRa物联网技术的姿态识别系统。系统具有低功耗、低成本、高识别精度、远距离无线传输的特点,可满足大群体、频繁、长期识别的需求。系统分为传感器感知、LoRa无线传输、服务器姿态识别、前端界面展示四个模块。整个系统无需用户训练可直接开机使用,系统开发完成后运行,并具有可扩展性。