随着科学技术水平的发展,近十多年来,物体的运动姿态检测和轨迹检测在民用和高精尖的军用领域都得到了普遍的应用。封装尺寸小、质量轻、功耗低、成本低、稳定性高的特点让MEMS惯性组件克服了GPS和计算机图像视觉技术复杂的外部条件,而且MEMS惯性组件具有独立性和自主性、不受其他任何设备影响的优点,同时随着人类生活水平的提高,人们越来越关注利用加速度传感器所开发的产品在人机交互、健康护理和运动信息等方面的应用。本文主要利用加速度计采集人体日常运动的加速度数据,数据处理后进行有关运动的研究。相比于如计算机视觉、EMG传感器等,加速度传感器的人体运动侦测方法特点包括:外界环境对其影响小、测试简便、原始数据的获取方式自由等。本文对MEMS惯性传感器组件做了以下几方面研究:(1)概述了已有的人体运动状态识别的研究方法,将基于EMG传感器、加速度传感器、计算机图像视觉三种研究方法进行对比,得到三者之间的优劣势,进而详细阐述利用加速度传感器采集到的原始数据信号进行运动识别所具有的优势,并研究了该课题的相关技术以及实现过程。分析了不同的分类器的基本原理,选择模糊神经网络和极限学习机作为分类器进行运动分类。(2)将三轴加速度传感器固定在脚踝,采集人的步态加速度数据,将数据进行滤波,积分包络检测,设置加速度阈值,处理后得到的步数通过BLE 4.0无线传输到手机终端实时显示,并对身高约170cm,体重较轻、正常、较胖的成年男子进行测试,得出平均误差在1%以下。(3)将三轴加速度传感器固定在腰部,采集人平走、上楼、下楼、跑步和站立的加速度原始数据,将数据进行位置校正、去噪、零速更新、加窗、特征提取,分别利用极限学习机和模糊神经网络分类器算法进行分类,并比较分析了不同训练集和样本长度对两种算法的识别率影响。实验表明极限学习机和模糊神经网络的识别率可以分别达到90.5%,94%。