人体行为识别与状态监测是当前普适计算与人工智能领域的重要研究方向,在医疗检测、运动监测、老年护理等领域发挥着无可替代的作用。随着物联网、大数据及云计算等技术的蓬勃发展,使得微型的、可穿戴的传感器网络能够和日常生活紧密的联系起来,极大的提高了人们的生活水平。由于可穿戴设备具有便于携带、操作简易、时尚美观等特点,在人体行为识别及移动健康领域成为了不可替代的重要组成部分。在此基础上,本文基于智能手环设备对老年人的人体行为活动识别与健康状态监测进行了系统的研究与分析。行为识别作为人体行为状态监测的重要组成部分之一,我们优先提出了人体行为识别的总体方案,将智能手环与安卓智能手机通过蓝牙进行连接,利用智能手机对人体的行为结果进行展示,并将识别结果上传并保存至服务器端,利用行为识别管理系统对所有用户及相关的数据进行管理。首先,利用人体佩戴集成了多种传感器的智能手环,采集人体运动时所产生的三轴加速度与三轴角速度信息。根据实际应用场景的需要,仅设置其采样频率为8Hz。此外,由于传感器收集到的数据伴随有诸多随机噪声,因此采用了移动平均法对收集到的数据进行平滑去噪处理。人体行为的数据采集完毕后,利用采集到的6维行为数据构建人体行为识别特征向量,为后续的行为识别工作做好了数据上的在准备工作。在构建好行为特征向量的基础上,我们针对人体的上楼、下楼、步行、跑步、站立、静坐、跌倒、洗手、刷牙、洗脸10种简单的人体行为分别使用了CNN网络、LSTM网络,以及二者结合的CNN-LSTM算法构建了人体特征向量分类器,并对模型的分类准确率进行了评估,对三种分类器的总体识别率进行对比与分析后,最终确定了CNN-LSTM分类器作为我们的人体行为特征向量的识别模型。在上述简单的人体行为识别结果的基础上,我们实现了对人体复杂活动的识别。本文中定义的复杂活动包括洗漱、吃饭、上厕所、看书、睡觉5种。首先,将采集到的复杂活动的数据作为CNN-LSTM分类器的输入,得到一系列原子活动序列。然后,利用动态时间弯曲算法匹配并识别复杂活动。由于复杂活动的数据具有多样性和多噪声性,因此识别的效果不太明显。因此,本文利用复杂活动的时空相关特性来提高识别的准确率。复杂活动的发生与时间和空间具有较大的关联关系,文中模拟了复杂活动的时间及空间数据,并利用贝叶斯网络来刻画复杂活动的时空相关性,最终部分复杂活动的识别率有所提高。