随着物联网产业的飞速发展,便携式医疗康复设备以及日常健康监测设备也有借物联网发展的大趋势,智能手环、体脂秤等日常健康监测设备已经慢慢开始融入人们的日常生活中。随着互联网、物联网、ICT、大数据、人工智能产业的大力发展,由于互联网产业的性质,越来越多的人开始长时间的在办公室工作,长此以往引发的坐姿健康问题也慢慢开始被人们关注。在人体坐姿识别和监测领域一直以来都是研究者研究的重点,所以本文基于薄膜式压力传感器设计了人体坐姿压力数据采集终端,基于人体坐姿压力数据采集终端获取的数据进行了人体坐姿识别方法研究。本文主要研究的内容有:搭建人体坐姿压力数据采集终端:本文采用压阻式薄膜压力传感器采集数据并以STM32F103RCT6控制器为主控芯片,控制器将采集到的压力数据通过模数转换、复合滤波后打包成固定协议的数据,最后将数据通过蓝牙上传至上位机UI界面。基于PyQt5和python开发了上位机UI界面,实现的功能有数据的接收、存储、调用、时间序列绘图和人体坐姿的识别。设计了一种薄膜压力传感器组的排布选择算法。通过时间序列的相似性,解决了从阵列式压力传感器到非阵列式压力传感器的排布和选择。对压力传感器进行一致性实验并对传感器数值进行标定。在对薄膜压力传感器进行排布时,首先设计实验、标定坐姿,然后采集了前倾、后倾、左倾、右倾、正常坐姿等五种坐姿的实验数据。最后分区域采用基于时间相似性的压力传感器排布选择算法淘汰每个区域中数据最为相似的传感器。将确定好排布的传感器组再次通过实验采集压力数据,采用基于时间序列分类的方法,首先将采集到的压力数据转化为时间序列数据并提取时间序列中的shapelet,将提取得shapelet再采用传统的机器学习分类算法(SVM、KNN、RandomForest)进行分类。设计对比实验,将采集到的12个传感器的压力数据进行PCA降维后直接使用SVM、KNN、随机森林等算法对降维后的数据进行分类,得到该方法下测试集的准确率。通过对比实验显示将采集到的压力数据进行时间序列转换并提取shapelet后,再使用SVM、随机森林等方法可以显著提高对测试集分类的准确率,尤其是随机森林算法在所有方法中对测试集的识别准确率最高。