人体运动模式识别是人体意图判断、健康监控、人机交互等多个领域的研究基础,分析传感器记录运动产生的空间位置信息或姿态信息是主要的研究手段。中国人口老龄化问题越来越突出,跌倒是威胁老年人健康最危险的意外事故之一。行走状态的平衡与跌倒有极大关系,目前对老人身体平衡能力的研究集中于身体素质的粗略评估或人体关键部位加速度信息的瞬时变化,难以准确对平衡能力进行评判,缺乏一种基于关键身体部位空间位置信息对人体平衡能力识别的方法与手段。此外,以智能手环和智能手表为主的智能可穿戴设备不断推陈出新。人与智能可穿戴设备使用黏性不断提高,利用其内置的加速度、陀螺仪等传感器进行运动模式识别变成了一个不可逆转的趋势。智能可穿戴设备成本较低,佩戴方便,易拾取运动过程(包括坐,躺过程中)中频繁变化的姿态特征。目前相关研究主要存在拾取特征点多、计算周期较长、识别率待提高等不足。因此本文着力研究基于空间位置信息对老年人行走平衡能力的识别和基于腕部姿态信息对人体运动模式的识别,主要完成以下工作:基于人体42个关键部位的空间位置信息,对66名老年人3秒的行走模式进行分析,初步提取25个用于衡量人体平衡能力的特征。随后,研究25个特征与老年人平衡能力之间的关系,结果表明其中重心相对冠状面偏移量,重心相对矢状面偏移量,胯部、肩部、臂部等在矢状面内偏移程度等13个特征可以用作衡量老年人身体平衡能力的指标。最后对13个平衡指标进行降维处理至三维,并对其进行聚类分析,用于区别平衡能力较好和平衡能力较差的老年人,结果表明降维后的平衡指标和聚类方法可以明显区分两类人群。对66名老年人常见的5种疾病与平衡能力的关系进行研究,采用贝叶斯网络模型进行建模和分析,结果表明患有缺氧症、脑血管疾病、骨质疏松等疾病的老年人平衡能力出现异常的概率较正常老年人会有显著增高。开发数据采集APP,利用安卓可穿戴设备内置的运动传感器采集人体腕部姿态信息,对人体行走、跑步、站立、下楼4个过程进行分析,提取信号均值、峰值、方差和协方差等特征值,进行分类和识别时采用支持向量机算法。之后为提高识别准确率,利用网格搜索法、遗传算法、粒子群优化算法分别对参数C、g进行优化。结果表明,该方法可以有效地识别实验者静止,走路,跑步和下楼的四个动作。本论文的研究内容可以为老年人身体平衡能力测定提供参考依据,对判断人体意图、健康监控、人机交互等提供基础参考,并为进一步跌倒风险评估提供研究基础。