体态行为识别,即通过一定的手段获取人体行为的活动信息,令计算机对获取到的信息进行加工处理,使体态行为能够通过一系列特征值来进行表征,最后使计算机能够通过待识别体态行为的数据特征将其与相对应的体态行为形成一对一的映射。在数据获取的方式上,采取了将生物信息感知节点集成于服装的方式,感知节点包括加速度计与表面肌电感应传感器。加速度计置于胸部固定位置读取躯体运动加速度数据,肌电感应传感器置于腿部三个不同的部位读取某种行为进行时腿部肌肉活动情况的信息。对于加速度计数据的噪声,采用中值滤波与滑动平均滤波的方法进行过滤;对于表面肌电信号,采取了去漂移、整流积分、降噪的处理过程,降噪处理采用小波滤波与经验模态分解相结合的方法。在数据的特征提取方面,加速度计与表面肌电信号的数据均采用了固定长度滑动时间窗的数据分割方法。加速度计信号主要提取时域特征,包括均值、标准差、偏度与峰度;表面肌电信号提取时域与频域两方面的特征,时域特征包括均值与标准差,频域特征包括均值、标准差、偏度与峰度。在分类识别方面,对加速度特征值的处理采用决策树的方法,决策支撑来自于对大量实验样本的体态行为数据的分析,以分析结果设定相关决策阈值进行分类;表面肌电信号数据的特征值则作为极限学习机的输入神经元,对神经网络进行训练,使其自学习相关体态行为的特征,以其训练得到的分类特征对体态行为进行识别。在数据融合方面,采用决策层融合与特征层融合相结合的方法,对加速度计信息与表面肌电信息进行整合以表征体态行为。对静态行为与动态行为的区分在决策层面按决策依据执行,对动态部分的体态行为,将加速度数据特征与表面肌电数据特征共同构成特征向量,作为极限学习机的输入神经元进行分类训练与识别。