人体运动状态分析一直是信息挖掘领域中热点研究方向。人体运动状态分析通过获取人运动时的数据,分析数据特点,并且构建数学分析模型,得出概括性结论以引导人们得到更好的生活体验。此前大部分人体运动状态分析都是基于以摄像头为主的非接触的传感器实现的。基于便携式传感器设备直接接触的人体运动状态分析渐渐成为主流。智能手机作为广泛使用的便携式电子产品,具有携带方便,使用频繁,额外支出少的特点。同时,智能手机内固有多种传感器,并有强大存储计算能力以及通信能力,被广泛使用于人体运动分析领域。本文主要利用智能手机为平台,采集人体运动数据。随后,提取了基于双树复小波变换特征,关注异常运动状态与日常运动状态,设计识别分类算法。本文工作内容如下概况:(1)开发了基于Android平台和智能手机内嵌的加速度计和旋转矢量传感器的运动状态数据采集APP。针对数据采集过程中,手机相对坐标系对数据准确度的干扰问题,提出了由相对坐标系转换为绝对坐标系的优化方案。分析了不同状态下数据曲线的特点。并根据旋转矢量传感器采集数据中异常状态数据特点,提出了基于门限的异常运动状态检测算法。该算法虚警率极低,可以快速检测出部分异常运动状态。(2)针对人体运动状态数据具有非平稳、对时移敏感和具有周期性的特点,利用双树复小波变换作为特征提取方法。对其具体实现方案,小波基选择和变换层数选择,进行了讨论。根据双树复小波变换的理论基础,分析了所提取的特征性质。该特征提取方法能提取出运动状态数据中有效信息特征。(3)针对人体运动状态特征,利用CFS算法做特征筛选,达到保留最有效的特征并做到降维的效果。比较加速度计和旋转矢量传感器的数据集得出的分类器模型效果优劣,选择最佳的数据来源。根据不同分类器的特点,设计参数优化方案。在保证分类器模型不会出现过拟合的前提下,得到性能指标最优的分类器。最后,根据分类算法的评估指标,分析各个分类器针对状态数据的分类特点,同时也揭示了状态数据在不同类别下的分类器区别。最终分类结果准确率达到98%以上。