运动姿态识别技术具有广泛的应用前景,主要包括:医疗诊断和监护、智能人机交互、虚拟现实等。相比于基于视觉的运动姿态识别,基于惯性传感器的运动姿态识别使用加速度计等惯性传感器收集目标人物运动数据进行分析识别,不易受环境干扰,不侵犯隐私,是本论文采用的基本方案。传统的运动姿态识别利用特征工程来提取所采集到的数据的特征,接着再使用经典机器学习算法(如随机森林、决策树等)来处理特征,从而完成识别。然而该方法受人工提取的特征的影响较大,不同特征对不同的运动姿态的效果不一,导致识别准确率有限。为了改善这一局限,研究人员开始使用端到端的神经网络来直接处理数据。这种方法避免依赖人工特征,在一定程度上提升了识别准确率。但这种方法的问题在于,对于相似运动姿态的识别(如上下楼等)准确率仍旧很低,同时训练数据不足时准确率较低。针对上述问题,本论文研究基于神经网络的运动姿态智能识别技术,不仅利用端到端神经网络算法来达到高识别准确率,还针对现有技术中存在的相似姿态难以区分、个性化数据量偏低等问题,提出了两级神经网络智能识别算法和针对运动姿态识别的数据增强算法。两级神经网络智能识别算法通过将传统单级神经网络拆分成两级神经网络的方式,对相似动作进行了有效的识别。另外,数据增强算法以人类的运动姿态周期为基础,大大增加了可供训练的人造数据。这两种算法有效提高了识别准确率。同时,鉴于神经网络算力需求大的问题,以及为了满足实时性等要求,本论文还设计了针对该算法的专用神经网络硬件加速模块,并在FPGA上完成了设计实现,其中包括卷积、非线性变换、池化等模块。该硬件加速模块为将运动姿态智能识别嵌入到实时便携式设备打下了基础。针对所提出的算法和硬件,本论文使用了公开数据集WISDM来完成实验评估。算法的识别准确率在无个性化数据训练的情况下达到了87.9%。硬件在支持两级神经网络的情况下,芯片功耗仅有160mw。