近年来基于微处理器的人体运动模式识别是一个被广泛研究的课题。它的快速发展一是得益于机器学习、深度学习、数据挖掘等算法的深入研究,二是得益于近年来微处理器和传感器技术的不断进步。随着现代社会对于人体运动模式识别需求越来越大,学者们在这个领域也一直没有停下探索的脚步。如今基于微处理器的人体运动识别的研究成果已经成功地应用于日常生活、娱乐、医疗保健、体育运动等多个领域。该研究的主要思路是首先使用经过科学选择的内置三轴加速度传感器结合微处理器存储人体在进行各类运动时产生的加速度数据,然后对数据进行预处理如除无关数据、滤波、添加滑动窗口等操作,将处理后的加速度经过特征工程并制作为样本集后选择恰当的分类器进行训练并使得经过训练的分类器能够对未知的运动数据类型进行正确分类。但是由于人体运动的复杂性,而且在整个算法设计过程中存在很多需要优化的问题,如滤波算法的选择、如何更科学地提取特征、如何提高分类器的泛化能力以及如何利用深度学习算法代替传统机器学习来避免复杂的人工提取特征过程等。围绕以上问题,本文针对人体运动识别技术展开了深入的研究,主要研究内容如下:1、分析所要研究运动模式的加速度特点,合理选择微处理器芯片和加速度传感器并嵌入定制的手环中。用户在佩戴手环的情况下进行走路、跑步、打羽毛球、打乒乓球、划船5类运动,采集并存储用户在运动过程中产生的加速度数据并提出一种有效的数据预处理方法。2、提出一种基于传统机器学习的运动分类算法,对预处理后的运动数据分别在时域和频域两个方面进行特征分析,再经过特征工程提取34个相关特征,使用特征选择算法选取主要的16个特征,减小算法复杂度。实验比较了支持向量机(SVM),决策树(Decision Tree)和随机森林(Random Forest)三种方法,对走路、跑步、羽毛球正手挥拍、打乒乓球、划船5种运动模式进行分类,结果表明随机森林准确率最佳,可达到97%以上。3、针对机器学习算法必须进行繁杂的人工提取特征这一缺陷,提出一种基于LSTM网络(LSTM,Long Short-Term Memory)模型的新型人体运动识别算法从而省去人工提取特征的步骤。利用加速度数据具有时序性以及深度学习网络自动提取数据深层特征的特点,直接将预处理后的加速度数据作为LSTM网络的输入,再经过全连接层直接计算出五种运动模式的概率分布。根据实验结果可得,这种方法的识别准确率比决策树和支持向量机要高,接近随机森林的效果,达到97%以上。