行为识别在运动监控、人机交互、健康生活引导以及老人孩子监护等方面有着重要的应用,并且已经在人们的日常生活中发挥着越来越重要的作用。然而,传统的行为识别方法却有着一些难以克服的困难。首先,传统的行为识别方法在构建模型时需要收集大量的训练数据,费时费力;其次,当把训练模型应用到一个新用户时,个人动作的差异性往往会导致识别准确率下降。近些年,智能手环、智能手表逐渐普及,我们基于其内置的惯性传感器进行行为识别的研究。我们的第一个工作是基于手臂姿势的人体行为感知的研究。我们把动态的手臂动作理解为静态的手臂姿势的串联,在使用重力加速度描述人体手臂姿势的基础上,我们可以有效地识别出人体的复杂动作,并取得了良好的可扩展性。我们的第二个工作是基于逻辑感知的人体行为识别的研究。首先由于智能手表的局部坐标系在人体运动时会不断地旋转,这会使原始数据产生不一致性,为此我们建立了一个一致的人体局部坐标系;其次我们从传感器数据中抽取出人体手臂与人体局部坐标系的角度信息,然后再通过角度来描述人体的动作;最后,为了容忍个体差异性,我们将人体动作分解为连续子动作序列,使得个人的某个子动作的丢失或者增加也不会造成误判。通过以上方法,我们在不需要大量的训练集数据情况下,可以做到实现用户无关的行为识别。在本文中,我们主要的创新点如下:1.手臂姿势模型我们将动态的手臂动作理解为静态的手臂姿势的串联,并基于重力加速度抽象出人体手臂的姿势,由此可以做到对人体手臂动作的描述。由于重力加速度相对稳定,所以该方法可以有效的对复杂动作进行刻画,并取得良好的可扩展性。2.惯性传感器坐标系转换我们定义人体的正前方、人体侧方与竖直方向向上三个轴组成人体局部坐标系,并将惯性传感器局部坐标系通过全球坐标系转换到人体局部坐标系。基于人体局部坐标系这个一致的模型,我们可以有效的规整原始信号,提高识别的准确率。3.角度信息的抽取我们将人体手臂视为一个刚体,抽取出人体手臂与人体局部坐标系的夹角,然后使用角度信息来描述人体的动作。相比与原始数据,由于角度信息只与人体动作的轨迹相关,与运动的速度和幅度无关,所以它更具有稳定性。4.子动作识别我们将人体动作分解为一个子动作序列,并基于子动作序列识别原来的动作。个体用户在做动作时,有可能会丢失或者多做一些子动作。在这种情况下,通过子动作序列的容错性,我们仍然可以有效的识别出用户的动作。