原发性震颤(Essential Tremor,ET)是一种进行性神经系统疾病,临床主要表现为上肢不自主的颤抖,严重影响患者的日常生活,准确评估震颤水平对患者的健康管理起着至关重要的作用。目前在临床上广泛使用的是震颤评估表,依赖于医生的经验和知识使得诊断结果存在差异,而且无法反映患者在日常活动中的真实震颤水平。如何全面而准确的评估患者真实的震颤水平是目前研究的难点。人体行为识别(Human Activity Recognition,HAR)已经成为泛在感知领域的一项重要任务,特别是在医疗和健康应用方面,其主要目的是从可穿戴传感器设备获取的数据中提取人体行为知识。目前,利用人体行为识别技术进行原发性震颤评估已经取得了长足的进展,但还存在以下三类问题。首先,大部分研究工作没有在评估患者震颤水平时考虑患者的背景活动,忽略了不同背景活动下的震颤水平存在不一致的问题;其次,一些研究使用健康人员的行为数据训练得到通用的行为识别系统,没有考虑震颤患者的运动模式与健康人存在差异,模型在识别患者的行为时表现不好;最后,目前使用可穿戴设备进行震颤评估的研究大多使用浅层模型,评估准确性还有待提高。针对没有考虑患者背景活动就直接评估震颤等级的问题,提出了基于深度森林的行为识别模型dForest-HAR对6种背景活动进行识别,从而保证全面的评估各个背景活动下的震颤程度,准确的评估患者的真实震颤水平。针对通用模型无法适配震颤患者的运动模式的问题,提出了通用模型个性化算法,能通过少量特定用户的数据调整通用模型,生成适配用户运动模式的个性化模型。针对当前震颤评估算法准确度不高的问题,提出了集成了CNN和LSTM结构的双输入双输出模型Eval-net,将利用传感器数据融合算法得到的二维活动张量和三轴加速度时间序列分别输入到CNN和LSTM模块中。深度模型能够自动提取高维度的特征提高评估准确率。在公开数据集以及震颤数据集上的实验证明,所提出的dForest-HAR结合通用模型个性化算法,相比于其他对比算法,在准确率和F1值上都取得最高值。所提出的Eval-net模型的震颤评估结果与两位神经学家的FTMTRS评分有很强的相关性。