目前,大多数人体行为识别问题的研究聚集在视频数据上,而基于视频数据的行为识别方法容易侵犯个人隐私,同时由于视频图像数据的复杂性造成识别准确度不高。随着物联网技术的快速发展,使用穿戴设备来识别人体行为逐渐成为人体行为识别的一种新办法,吸引了一大批专家学者的目光。研究人员尝试使用了许多机器学习的办法,如:随机森林、支持向量机等浅层学习方法,在实验室环境下表现不错,但是距离实际应用还有一段距离。由于人体行为属于一种连续型的时间序列数据,同时考虑到递归神经网络在时间序列数据上表现出来的神奇效果,以及在大量实际应用中均取得不错的结果,因此本文使用深层学习中的递归神经网络模型来解决行为识别问题。本文具体的研究工作和创新点包括:1.本文基于穿戴设备,依据人体行为的特点,提出了一种先识别原子活动,后识别复杂活动的分层级识别行为的方法。2.本文将原子活动定义为日常活动所包含的短周期活动和外出交通方式活动,包括跌倒、下楼、上楼、电梯向下、电梯向上、跑、坐、站、走、坐地铁、坐公交车、坐小汽车、躺共计13种活动。使用面向原子活动识别的递归神经网络模型构建识别算法,同时进行了大量的实验,在实验室环境和实际应用环境均取得了较好的结果。3.本文将复杂活动定义为中长期的生活活动,包括但不限于做饭、拖地、扫地、吃饭、看电视等。本文参考时间序列分析中模式匹配的思想设计了基于动态弯曲距离的复杂活动识别算法。该算法在实验室环境下,能够识别睡觉、吃饭、锻炼三种复杂活动,具有较低的平均索引误差(复杂活动识别算法的评价指标,详情见4.2章)。4.本文实现了一个用以完成数据采集、数据分析、数据展示、数据管理的行为识别原型系统以及应用本文研究成果的智慧养老系统。