近年来,随着移动互联网和无线传感技术的不断发展,基于智能终端的各种智能服务成为人们日常生活的重要组成部分。其中基于智能终端的用户姿态检测服务作为一项基础服务,是当下手机应用厂商和科研机构关注的热点。常用的用户姿态包括步行、上下楼梯、跑步、跳跃等。基于智能终端的用户姿态检测技术大多通过传感器采集和用户运动姿态相关的原始数据信息,结合适当的技术和方法处理、分析这些信息,进而感知用户姿态。用户姿态检测技术可广泛应用于智能家居、健康医疗、运动健身等多个领域,因此对于这项技术的研究具有重要的现实意义。另外,用户姿态检测技术作为一项基础性研究,可以为很多科学研究提供包括用户姿态上下文服务在内的有力技术支撑。现阶段,大多数基于惯性传感器来检测用户运动姿态的技术和方法假定传感器是固定在用户身体上的,例如固定在脚上或者腰带上。当传感器固定在人的脚上时,可以很容易地确定脚的站立阶段,并且可以通过零速更新(Zero velocity UPdaTes,ZUPTs)方法对位置误差进行约束。但是,长时间让用户将传感器固定在身体的某个位置,会给用户带来很多不便。为了更加自然地检测到用户姿态,很多研究者开始通过智能手机检测用户的姿态。论文定义了 10种常见的用户姿态来表征用户姿态和手机的携带方式。通过从三轴加速度传感器信号和三轴陀螺仪信号中提取时域和频域特征,设计并实现了一个层次化分类系统,采用基于决策树、随机森林算法实现由粗粒度到细粒度的用户姿态检测。在通过随机森林检测用户姿态的实验过程中,将加速度分解为垂直分量和水平分量并分别提取用户姿态数值特征,以增加特征提取的维度,达到提高检测精度的目的。论文还使用隐马尔科夫模型(hidden Markov model, HMM)对姿态检测过程中出现的噪声和随机误差进行过滤,进一步提高了用户姿态的检测精度。实验结果表明,论文提出的方法对于10种复杂用户姿态的检测精度大于93.8%。同时论文提出的方法具有较高的可行性和实用性,可以为其他智能应用、室内定位技术、交通工具检测技术等研究提供指导。