开展基于可穿戴传感器的人体动作行为识别研究，将传感器嵌入到服装，使老年人通过穿戴智能服装得到健康监护，对于老年人的健康监护、预防跌倒、康复治疗等方面具有重要意义和广泛的应用前景。
　　在基于可穿戴传感器的人体动作行为识别中，以往的研究大多都集中在单类型传感器和单分类器。由于少量的单一类型传感器无法捕捉动作变化的细节（如关节部位），给较复杂体态动作识别带来困扰，而增加传感器的数量又会增大装置的复杂性，并给佩戴者带来不便。与此同时单分类器在提升人体动作识别分类准确率方面也存在明显不足。面对这些人体动作识别研究中亟待解决的问题，针对老年人动作特点，本文采用三维加速度传感器和柔性传感器组合方式采集老年人日常动作数据，可以直接获得人体主干动作数据和关节部位动作变化细节。采用基于Boosting框架的集成算法构建老年人动作识别模型，分析比较了集成分类器与单分类器性能的差别，以及几种Boosting算法模型的性能差异。本文还对以往的特征提取方法进行了改进，相比于使用小波变换提取时频特征，提取时域特征和关联特征方法更能快速地构建高准确率的识别模型。不同于其它人体动作识别研究中的特征降维方法，本文使用线性判别分析方法对特征向量进行降维，通过实验发现，与主成分分析方法相比，线性判别分析方法在获得更低维度的情况下能保留大部分原数据信息，并且动作识别率也高于主成分分析方法。在构建XGBoost集成模型时，针对自动网格寻优方法在寻找超参数上的不足，使用贝叶斯优化算法代替自动网格寻优方法寻找最优的超参数组合，实验结果显示动作识别率有明显提升。
　　通过实验分析得出，本文的特征提取方法与以往方法相比有很大的优越性，使用改进的超参数调优方法能构建更好的动作识别模型，这些动作识别中的关键技术研究对老年人群的临床管理与健康监护，对运动功能障碍人群的康复治疗等方面有着良好的实际应用价值。