1、目前，人體活動(dòng)識(shí)別技術(shù)大都局限于僅使用加速度對(duì)人體運(yùn)動(dòng)進(jìn)行識(shí)別，融合異構(gòu)傳感器數(shù)據(jù)進(jìn)行復(fù)雜活動(dòng)識(shí)別的研究很少，現(xiàn)有的一些融合加速度和心率進(jìn)行活動(dòng)識(shí)別的工作，也僅僅是在特征層進(jìn)行融合。為了充分利用不同傳感器采集的數(shù)據(jù)，以實(shí)現(xiàn)穿戴盡量少的設(shè)備來(lái)準(zhǔn)確識(shí)別盡量多的活動(dòng)的目的，本文主要研究融合加速度和生理信號(hào)的人體活動(dòng)識(shí)別。首先，提出了一個(gè)日?；顒?dòng)數(shù)據(jù)采集架構(gòu)，對(duì)日?；顒?dòng)進(jìn)行了匯總分類，采集了相應(yīng)的實(shí)驗(yàn)數(shù)據(jù)，并進(jìn)行了預(yù)處理;然后，在人體活動(dòng)特征提

2、取和選擇的基礎(chǔ)上，提出了一種基于SVM和GMM的多通道分?jǐn)?shù)級(jí)融合活動(dòng)識(shí)別算法，分別通過(guò)SVM和GMM來(lái)訓(xùn)練不同的信號(hào)通道，并基于邏輯回歸算法訓(xùn)練得到各通道的權(quán)重系數(shù)來(lái)進(jìn)行融合。最后，提出了一種基于boosting的多通道決策級(jí)融合活動(dòng)識(shí)別算法，引入了基于置信度的AdaBoost算法來(lái)訓(xùn)練不同的信號(hào)通道，并通過(guò)自適應(yīng)加權(quán)對(duì)數(shù)優(yōu)化池(WLOGP)規(guī)則進(jìn)行多通道的決策級(jí)融合。生理信號(hào)的引入能有效識(shí)別僅靠加速度很難區(qū)分的活動(dòng)，分?jǐn)?shù)級(jí)融合能顯著提