题目：基于Fused隐马尔科夫模型的在线运动识别

由于运动识别技术在医疗康复、智能家庭、游戏娱乐等领域得到了广泛的应用，又由于传感器具有使用灵活、无场地限制及不受环境光影响等特点，因此基于传感器的运动识别技术已经成为了学者们的关注热点。然而目前针对该问题的研究工作还存在诸多限制，如一些研究中给出的识别算法只是针对简单的运动类型，而对于较复杂的全身性运动识别能力有限。此外，多数识别问题都是针对独立的运动，而对连续的运动进行识别时需要对运动信号进行手动分割，这种方法操作简单，但是在应用中缺乏交互体验，不适合实际应用。本文主要围绕当前存在的运动识别问题和连续运动信号分割问题展开研究，目的是提高对复杂运动识别的准确率，实现对连续运动信号的自动分割，并最终实现一个在线运动识别系统。 为了提高对复杂的全身性运动的建模能力，提高运动识别的准确率，本文给出了一个基于Fused隐马尔科夫模型的运动识别方法，其能够对有交互关系的两部分信息更好的建模，并且其双链机制使得在一个HMM失效时，另一个HMM仍能得到较好的识别效果，提高了鲁棒性。通过将本文方法与HMM进行对比，验证了本文方法对全身性运动有较好的识别准确率。 上述研究内容中的识别算法主要是对独立的运动进行识别，为了能够在线地识别连续运动序列，需要对连续运动信号进行分割。针对该问题，本文给出了基于Fused隐马尔科夫模型的信号分割算法，并进一步优化算法以适用于在线分割的应用。该算法以识别为基础，考虑了信号的语义信息，因此有更高的分割准确性，并且能够在分割的同时得到识别结果，满足了在线运动识别的需求。通过分割准确率实验验证了本文采用方法的优越性。 最后基于前面两个研究内容实现了一个基于加速度传感器的在线运动识别原型系统。本系统包含教学评分和在线连续运动识别两个功能。通过这两个功能验证了本文给出的Fused HMM识别算法的准确率和鲁棒性，验证了基于Fused HMM的分割算法的分割效果，同时实现了在线运动识别的目标。