基于惯性传感器的人类活动识别一直以来都是研究热点,近年来,随着计算机技术、微电子技术和集成电路的不断发展,传感器在体积、计算性能、制造成本取得非凡突破。因此,基于智能手机和可穿戴设备的人体复杂动作采集和识别被广泛地应用,并在健康检测、游戏娱乐、医疗康复、机器人等领域发挥着重要的作用。大多数的人类活动识别主要集中在对单个行为或者单个肢体动作的分类识别。然而,实际的人类活动有多个动作运动状态相互交替存在,监测到信号往往是连续且复杂的时间序列。面对真实的复杂动作很难将其中存在的动作信息和运动状态信息进行精确分割和识别。针对上述问题,对基于惯性传感器的连续动作分割和识别进行了探索研究。本文主要工作包括以下几个方面:1、将基本的人类日常动作分为动态动作、静态动作和过渡动作这三大类。其中,动态动作主要包括走、上楼梯和下楼梯,该系列动作主要是以人类下肢步行为基础的动作。静态动作主要是一些人体静止不动的情况下采集的动作主要包括坐、站、躺。过渡动作是由一类基本动作向另一类基本动作过渡的动作,例如,坐和站的动作之间存在由坐到站的动作转换。2、建立在滑动窗口分割方法基础上,获取连续动作序列中的动态动作和静态动作信息。静态动作的检测和分割根据静态动作信号变化率接近零值的特性,通过统计法给定静态动作信号波动阈值,进一步细分静态动作区域,再根据动作状态转换关系和动作先验可将过渡动作精准分割。滑动窗口分割法对步态动作的分割不够精准,根据步态动作信号的周期性来检测步态信号,通过检测局部极小值来确定完整步态信号的起始位置,因此可提取出信号中具有此类规律的信号作为动态信号候选段。候选段通过分类器可获得动作类别。3、最后,对所有准确分割的动作片段,采用训练好的LightGBM分类模型进行分类确定各片段的动作信息。在公开的数据集中,整体的分割准确率和识别率可达到98%以上,很好地将未知复杂连续动作序列中各类动作信息和区域提取出来。