随着时代的发展,人体动作识别成为一个热门的研究方向,广泛应用于虚拟现实、医疗健康、体育训练、游戏娱乐和专业动作分析等领域。在本文中,对基于MEMS惯性传感器人体动作识别技术进行研究,与传统的人体动作识别技术不同,克服了捕捉结构笨重、环境要求高、个人隐私泄露和计算量大等缺点,具有成本低、实用性好和体积小等特点。使得人们可以很好的将设备融入到日常生活当中,进行对人体动作分析和预判等多种应用的发展,具有巨大的价值。在本课题中,从以下几个方面开展研究:首先根据人体解剖学相关理论知识,对人体的轴面、关节、关节角和关节的运动形式进行分析,同时对人体运动模型进行简化和抽象化,建立人体骨骼运动模型,用人体关节的姿态角对人体运动进行表征。通过观看大量的人体动作视频和查阅相关资料,对人体的40种基本动作进行分类和定义。其次根据建立人体骨骼运动模型,确定了 1 1个MEMS惯性传感器在人体的固定位置,选取14种代表性人体动作和规定采集要求,利用MEMS惯性传感器对人体动作数据进行采集。通过无线模块将数据传到PC端,同时使用新兴的非关系型MongoDB数据库进行数据存储,构建人体动作样本库,为后续的人体动作识别研究做准备。再次借用预处理手段,将数据中突变值和噪声进行去除,并对数据进行单位化。针对多维姿态角数据,利用均值、方差和峭度等多种方式提取了 10个时域特征,同时使用小波包方法提取了 8个方差重构的能量值的时频域特征,并利用PCA法进行特征减少处理,为后续分类识别打下基础。最后利用经粒子群算法优化的支持向量机对14种动作进行智能分类,在时域特征、时频域特征和融合域特征集下对分类结果和参数进行探讨。实验结果表明,在时域特征、时频域特征和融合域特征集下识别率分别为92.85%、90%和95.71%,融合域特征集分类结果优于时域特征和时频域特征分类结果,并给出了在融合域特征集下14种动作的识别率。