人体动作识别是模式识别领域的重要研究方向,近些年随着微电子技术和可穿戴设备科技不断发展,基于惯性传感器的动作识别以其便携舒适、低成本并能够保护用户隐私等优势适用于人体复杂动作的数据采集,并在医疗、娱乐、安全和军事等领域具有重要作用。未来移动通信技术进入5G时代更加方便人们搭建微型传感器网络并应用于我们的日常生活之中。本文以双惯性传感器为主、薄膜压力传感器辅进行人体日常动作识别,并针对人体站、蹲、卧、坐、走等日常动作和动作的基础运动状态进行了分析研究。本文主要工作如下:1.根据实验室已有的人体动作数据采集系统和通过该平台采集数据并制作的数据库,用以数据分析和动作分类。2.分析并定义人体日常动作,抽象出人体近似多刚体运动学模型。对数据库中原始数据进行预处理和特征提取,预处理是对数据平滑滤波处理,消除数据中高频信号对低频动作信号的影响。而特征提取是在统计特征和物理特征两方面提取相关特征并对人体日常动作进行具体的描述。3.针对惯性传感器无法直接划分动作的开始和结束的问题,提出一种基于滑动窗口的人体动作动态分割的数据处理方法,并将人体动作划分为三种基础运动状态。4.针对依据分割明确的数据片断,采用决策树算法对动作基础状态进行判断,并根据三种不同的状态训练三个相应的神经网络模型进行动作分类识别。动作特征在最初选择时往往通过经验判断,而决策树算法识别过程中会筛选出对分类识别有效的特征,从而减少特征的数目。我们采用已有的数据库进行相关算法验证,决策树对三种状态识别率均95%以上,神经网络对全部动作的平均识别率有96%。实验验证了该算法的有效性。