生命在于运动,运动对于保持人体健康非常重要,同时也是预防疾病的重要手段。因此,科学有效的人体运动分析对全民保健具有重要的意义。然而实际生活中由于缺乏科学有效的运动指导以及有效的信息反馈,使得运动的成效大打折扣,更有甚者会造成运动伤害。随着加速度计、陀螺仪等便携传感器技术的出现,使得基于可穿戴式传感器的人体运动健康监测系统逐渐成为科学研究与技术创新的热点。可以说,穿戴式计算以及人体日常运动健康分析将逐渐走入我们的生活,成为未来人体保健及疾病预防的重要技术手段。本文拟通过多传感器融合的方式来实现人体日常行为活动的准确识别,重点研究集成学习等机器学习方法在多传感器人体运动分析中的理论创新与应用,从而为人体健康提供科学有效的运动指导。主要研究内容包括以下三个方面。1.搭建了用于对人体运动过程中相关传感器信号进行实时采集的穿戴式人体传感器网络,其主要感知器件包括三轴加速度传感器和三轴数字陀螺仪。此外,为了提高穿戴式健康监测系统中的能量利用率,本文在蓝牙4.0技术原理之上,对传感器信息采集、数据传输的方法进行了改进,并通过CC2541和nRF51822等主流蓝牙芯片的功耗实验对该方法的有效性进行了验证。2.综合分析了集成学习的相关理论基础以及随机森林(Random Forest)的算法原理,并在此基础之上将两种方法进行有机整合,融合多种穿戴位置的传感器数据集,提出了一种基于随机森林的集成学习识别算法,并利用公开的人体行为活动数据库,对该识别算法的有效性进行了验证,实验结果表明该算法具有较好的识别效果。3.为了改善由于不同个体之间的差异性以及个体行为习惯的改变而引起的传统静态算法识别精度损失大的问题,本文提出了基于增量学习的差异化反馈调优算法,并利用本文所构建的穿戴式人体传感器网络与后台识别算法对不同的实际个体进行了相关实验,实验结果表明本算法有效地提高了系统的准确性、差异性和动态性。总的来说,本文以人体日常行为活动状态识别技术为基础,结合可穿戴式人体传感器网络、信号处理、无线通信、机器学习等相关技术,开发了人体日常行为活动监测的硬件平台与软件算法,最后通过具体对应的软硬件验证实验,证明了本系统的可靠性与有效性。