在物联网高速发展的时代，智慧医疗的应用越来越广泛，因此，人体行为识别就变得越来越重要，成了目前众多研究中必不可少的课题。人体行为识别有基于视觉的和基于传感器的两个方向。本文中研究的基于加速度传感器的人体行为识别方法属于后者，是人体行为识别研究中重要的一部分。相比较基于视觉的人体行为识别，基于传感器的行为识别方法具有人性化、获取数据自由等优点。
行为识别的描述方法有3种，分别是基于模板匹配、统计模式识别和基于语义描述。最早期的人体行为识别方法是基于模板匹配方法，该方法常用的动态时间规整算法(DTW)已经应用于步态识别。然而，统计模式识别方法与基于模版匹配方法相比，具有更高的识别精度，所以统计模式识别方法是基于加速度传感器的人体行为识别的常用识别方法。统计模式识别中常用的统计识别方法分别为：决策树、K 近邻、贝叶斯、SVM、神经网络和隐马尔科夫模型(HMM)等，隐马尔科夫模型已经在文献[4]中应用于长期行为识别，文献[5]中 SVM 算法对人体行为识别的研究。目前加速度传感器已经被应用于各个领域中，本文所阐述的基于加速度传感器的人体行为识别系统是通过对加速度信号进行处理和信号特征提取来获得特征矩阵，通过分析设计出分类器，从而将站立、行走、跑步、上楼、下楼这5种行为有效地进行识别。
1 信号采集
要通过加速度的变化来识别人体当前的行为，就必须有一套成熟的系统和方法来获取人在运动时的具体数据变化情况。而这样的系统应该具备以下要求：受环境干扰较小，耐用性强;采样频率足够高;设备体积小，便于携带;能够做到实时传输采集到的数据;设备功耗足够低等。
2 特征提取
特征提取是指在加速度信号中通过信号处理挖掘出一些反应人体运动状态的信息。特征提取将信号采集与行为分类连接起来，是人体运动状态识别中的关键。基于近年来对于人体运动识别系统中信号特征的统计分析我们可以将加速度特征提取的方法归纳为时域分析法、频域分析法和时频分析法 3 类。时域分析法是指从采集到的时域加速度数据中直接提取特征矢量。常用的时域特征有均值、方差或标准差、两轴相关系数等。
3 分类方法
现在的研究中有很多关于人体行为识别的方法，实际上在研究的试验中用到的有基于模板匹配的MEI、MHI、二维网络和 DTW，以及基于状态空间的隐马尔科夫及其改进模型、动态贝叶斯网络、人工神经网络以及支持向量机。
4 总结与展望
随着科技的发展，加速度传感器已经具有体积小、质量轻、功耗小、成本低、可靠性高等特点。但还是有些需要解决的问题，例如：有些传感器需要固定在人体上，会给人的行动造成不便;实验数据并不完全是人的自然活动;系统能够识别的动作有限;基于加速度传感器的算法稳定性不够高等。
目前基于加速度传感器的人体行为识别的研究还不成熟，无论是硬件设备，还是算法都会有很大的发展空间，所以在这个方面的研究会有更加广阔的未来。例如：信号采集的传感器可以是组合传感器，这样可以提高算法的稳定性和广泛性;特征提取和行为分类的算法还可以提高;还有就是把加速度的研究领域拓宽，尽快把实验研究应用到使用中。
