随着人民生活水平的提高,人们对日常健康状态监测的需求日益迫切,使得基于可穿戴设备的人体活动评估成为模式识别和机器学习领域一个新的研究热点。然而,电池能量有限成为了可穿戴设备在健康监测领域的应用瓶颈。如何在满足人体活动监测要求的同时,充分利用可充能量实现可持续性健康监测是目前亟待解决的问题。为了解决基于传统惯性传感器的健康监测系统普遍存在的系统能耗过高的问题,本文研究基于运动可充能量的人体活动评估方法。人体活动评估主要包括动作识别和卡路里消耗估计两大部分,其本质是利用采集的运动能量信号与人体日常动作的相关性,实现对人体不同动作的分类识别和能量消耗估计。本文以采集的人体运动能量为研究对象,以实现长时间不间断地人体活动监测为研究目标,从人体动作分类识别方法、卡路里回归预测方法两个方面展开研究,主要工作包括以下几点:1.本文设计实现了一个基于压电式能量采集器和三轴加速度计的人体活动数据采集设备,构建了一个包含运动能量和加速度信号的人体日常活动数据集。该数据集包含了10名测试者的9种不同日常动作的数据样本。该数据集是在自然无约束条件下,仅利用单个传感器节点,分别放置在人体腿部、腰部和手腕三个不同部位采集的人体活动数据。2.本文提出了一种基于运动能量和加速度的动作识别方法SRC-EA,该方法利用人体运动产生的多模信息,在提高系统识别准确率的同时,通过降低加速度传感器的采样频率,进而减少系统能耗。实验结果表明SRC-EA动作识别方法相比其他两种分类算法,系统平均识别准确率分别提高了2.5%和39.44%,并且减少了系统60%的功耗。3.本文提出了一种基于运动能量的卡路里估计方法CEE-KEH,该方法利用人体运动产生的电压输出信号,首先对人体不同动作的运动强度进行分类识别,再根据识别结果选取特定的回归预测模型,进而实现特定运动强度的卡路里消耗估计。实验结果表明CEE-KEH方法能准确的预测人体不同动作的卡路里消耗,并减少了系统66.36%的能量消耗。