随着传感器技术日益精进和模式识别算法的不断完善,基于传感器的人体运动模式识别技术也因此成为了一个备受关注、发展迅速的研究领域,并被应用于人机交互、健康监护、体育竞技、军事等众多领域。人体运动模式识别的基本原理是通过处理和分析传感器获取的人体运动信息,判定运动的类别。其主要步骤包括数据预处理、特征提取、特征选择、分类器的训练和分类算法的执行。为了在控制系统的运算成本的同时获取足够丰富的数据以保证系统分类结果的精确度,本文选用位于手腕和前胸的传感器数据参与人体运动模式的识别。由于人体运动复杂且外界环境多变,人体运动模式识别依然存在不少问题。例如对不同运动模式的细致分类,需要更有效的特征提取以及更高效的分类算法等。围绕着这些难点,本文对人体模式识别系统展开研究,主要工作包括:选用来自UCI数据库的PAMAP2数据集作为原始数据参与算法,该数据集的特点是数据全面,数据点丰富。在数据预处理部分,调优卡尔曼算法参数并实现了适用于人体运动模式识别的卡尔曼滤波器,用其对原始数据进行去噪滤波。提出了一种基于离散小波变换和自相关函数的多特征融合算法,并用其对数据进行处理和分析。该算法利用离散小波变换对数据信号做多分辨率小波分解,并提取每个分辨率下的特征值;同时利用自相关函数对数据做变换,并提取出可以反映运动时域周期性特点的特征值;将两部分特征值组合生成特征向量,然后选用局部线性嵌入法为该向量降维以完成特征的融合。提出了人工蜂群优化的随机森林算法,作为分类器应用于人体运动模式识别。本文选择CART算法作为决策树节点分裂算法,并基于人工蜂群算法优化随机森林的决策树的最大深度、最大特征数等参数。实验证明,人工蜂群算法优化的随机森林算法应用于人体运动模式识别,可以得到较高的分类精度。基于上述人体运动模式识别算法,设计并实现了一款B/S架构的人体运动模式识别系统。该系统可为从事人机交互、体育、医护等相关工作的人员提供有价值的运动模式信息,并允许用户分享运动模式数据集,为模式识别的发展提供技术支持。