在过去的10年里,随着MEMS的迅猛发展,使得传感器以及移动设备拥有了前所未有的特点。他们具备的高计算能力,小尺寸以及低成本等特性,使得人们与这些移动设备之间的交互成为日常生活的一部分。这就是普适传感产生的原因,普适传感的主要目的是从那些遍布的传感器中获得数据,并提取其中有用的信息。而在这个领域中,人体动作分析与识别尤其成为了炙手可热的研究课题,其对医疗、体育竞技、军事、安全等有着重要的推动作用。人体行为识别的研究是从上个世纪90年代开始的。然而,在该领域仍然存在着许多问题,并不断地激励着人们找出新的技术用以提高识别精度。其中的一些挑战是(1)如何选择合适的测量属性,(2)特征提取以及推理方法的设计,(3)如何灵活地支持新用户的使用,而不需要重新训练系统,(4)如何实现在移动设备上同时满足其能源和处理的要求。人体行为识别有两种不同的实现形式,即利用外部传感器或可穿戴式传感器。在前者中,设备被固定在预定的地点,所以活动的推断及识别完全取决于用户与传感器的自愿互动。而在后者中,设备是固定在用户身上的。惯性传感器是可穿戴式传感器在识别人体日常动作中最常用也是最有效的器件之一,这些传感器可以提供可靠和客观的人体活动测量数据。本文提出了一种基于集合经验模态分解(EEMD)和模糊最小二乘支持向量机(Fuzzy LS-SVM)的人体日常活动识别算法。首先,由多个无线惯性传感器节点采集得到人体日常活动的运动信号,接着对这些数据提取时域特征以及基于EEMD的时频特征,再由SBMLR特征选择算法对得到的特征集作进一步的处理,得到一个维数较低但具有较高辨识力的特征子集。最后,在该特征子集上对动作进行分类,所用分类算法为Fuzzy LS-SVMo