● 摘要
日常行为状态有助于反映人体的健康状态和生活质量，对行为状态的记录与识别在健康管理和慢性病病情监护等领域越来越受到重视。在目前的研究中，记录并区分日常行为状态的方法主要有三种，分别为基于视频图像设备的行为状态判别方法、基于三维运动捕捉设备的行为状态判别方法、基于惯性传感器设备的行为状态判别方法。由于前两种行为状态判别方法存在数据量大、处理算法复杂、易受环境影响等缺点，基于可穿戴式惯性传感器设备的行为状态判别方法越来越受到研究者的关注。
目前，大部分基于惯性传感器设备的行为状态判别研究，仅使用加速度信号特征识别不同行为状态，限制了获取的行为状态信息，而且，为了提高判别准确率，已有研究提取了大量特征，导致判别算法的计算量大、复杂度高，不利于对人体行为状态进行实时判别。针对以上问题，本文采集了不同行为状态的加速度信号与角速度信号，采用特征选择算法对提取到的信号特征进行筛选，保留在行为状态判别中起关键作用的特征，去除类别可分性较差的特征，降低了行为状态判别系统的计算量和复杂度，并使用BP神经网络算法验证了本文筛选出的特征在行为状态判别中的有效性。
从人体行为状态判别结果可以看出，采用加速度信号与角速度信号特征对走、跑、上楼梯和下楼梯四种动作进行分类取得了良好的结果，平均识别准确率达到95.73%，而且，特征选择算法能够有效去除高维特征空间中的冗余特征与无关特征，使用经特征选择过程筛选出的特征子集对以上四种动作进行判别的平均准确率达到96.07%。
本文提出的人体行为状态判别方法，能够在减小判别系统运算量和复杂度的基础上取得较好的判别结果，该研究可以对人体行为状态判别研究与人体行为状态监护系统的研发起到促进作用。