基于加速度传感器的人体行为识别是行为识别技术领域的一个分支,同时也是人工智能领域的重要组成部分,相对于传统的、基于图形图像技术的行为识别,具有较高的便携性、较低的数据获取难度以及较强的数据抗干扰能力。本文基于放置足底的加速度传感器,针对加速度数据采集系统设计、加速度信号处理及分类识别这三个方面展开了相应的研究,论文主要工作如下:(1)设计了一个基于放置足底鞋垫中的加速度传感器的信号采集、处理、分析以及展示的鞋垫平台,此平台兼顾到系统的便携性、鲁棒性、耐用性、数据传输的实时性等因素。解决了传统加速度数据收集方式导致的使用者身体不适和数据采集精确度差的问题。(2)针对行走时人体的足部加速度变化规律展开研究,在提取并分析了加速度数据中常见的时域特征后,提出了对于研究足部周期性运动具有重要意义的动态平衡阈值特征,并基于此特征设计出一种高精度实时计步算法。相对于简单阈值法和峰值检测法,此算法对多模式运动的适应性更强,综合计步准确率达到96.8%,优于使用手机和使用手环的计步方案。(3)利用支持向量机、K近邻算法、决策树算法等三种常见分类算法对提取到的特征进行分类识别。在分类实验中,首先验证了动态平衡阈值特征对于提高上下坡行为的识别率的有效作用,在添加了动态平衡阈值特征后,上下坡行为的识别准确率均值分别有19.93%和20.99%的提升。然后利用主成成分分析方法对特征进行降维工作,其中支持向量机和决策树算法对于降维后的特征表现出了良好的分类效果。