基于穿戴传感器的人体行为识别技术在辅助老年人日常生活和患者康复训练方面展现出巨大潜力。本书主要介绍该技术在健康领域的研究与应用，涵盖方法流程、数据预处理、特征提取与融合、识别模型构建等内容，书中详细探讨了腕部和多位置穿戴传感器的行为识别、步态数据的增强与预测、鲁棒性特征提取等关键问题。 本书可作为高等院校人工智能相关专业本科生和研究生的参考教材，也可供从事人工智能、模式识别、神经网络应用等领域的技术和研究人员阅读。

第1章 绪论
1.1 人体行为识别研究的背景及意义
1.2 穿戴行为识别研究
1.3 人体行为数据增强与预测
参考文献
第2章 人体行为识别基础
2.1 人体行为识别的一般流程
2.2 传感器形式
2.3 穿戴传感器及其布局
2.3.1 穿戴传感器类型
2.3.2 穿戴传感器的布局方式
2.4 穿戴传感器数据预处理
2.5 特征提取与选择
2.5.1 人工提取的特征
2.5.2 自动学习的特征
2.5.3 特征降维与特征选择
2.6 人体行为识别模型
2.7 人体行为识别评价指标
2.8 本章小结
参考文献
第3章 基于传统机器学习的人体行为识别研究
3.1 实验方法及设计
3.1.1 实验系统设计
3.1.2 混合感知与布局
3.1.3 特征提取与选择方法
3.1.4 识别模型及性能评估
3.2 数据采集和数据处理
3.2.1 行为定义和穿戴行为数据采集
3.2.2 环境数据
3.2.3 人工特征集
3.2.4 穿戴行为数据窗口分割
3.2.5 互信息特征选择方法评估扩展特征贡献
3.3 核典型相关分析特征选择mRMJR-KCCA
3.3.1 互信息和核典型相关分析（KCCA）
3.3.2 mRMJR-KCCA特征选择
3.3.3 不同穿戴传感器对行为识别的贡献研究
3.3.4 mRMJR-KCCA衡量穿戴传感器扩展特征贡献
3.4 穿戴感知数据和环境感知数据融合研究
3.4.1 PIR传感器识别日常行为规律
3.4.2 互信息特征选择衡量穿戴行为数据与环境数据融合
3.4.3 mRJMR-KCCA衡量混合感知数据融合
3.5 本章小结
参考文献
第4章 基于深度学习的腕部穿戴人体行为识别研究
4.1 腕部行为数据采集
4.2 多层LSTM行为识别模型的建立
4.3 注意力机制模型的建立
4.3.1 注意力机制
4.3.2 注意力分布
4.3.3 加权平均
4.3.4 多阶段注意力机制模型
4.4 腕部穿戴传感器局部移位及补偿研究
4.4.1 混合位置行为识别补偿
4.4.2 基于姿态角的反馈原理行为识别补偿
4.4.3 基于源位置的迁移微调行为识别补偿
4.5 本章小结
参考文献
第5章 基于深度学习的多位置穿戴人体行为识别研究
5.1 多位置穿戴行为数据采集
5.2 MhaGNN框架和基准模型
5.3 多位置穿戴行为识别鲁棒性特征提取研究
5.3.1 多位置穿戴行为识别实验设置
5.3.2 MhaGNN框架实验结果
5.3.3 MhaGNN框架与其他模型对比分析
5.3.4 MhaGNN框架与基准模型对比分析
5.4 本章小结
参考文献
第6章 基于生成对抗网络的人体步态数据增强与预测
6.1 下肢康复机器人
6.2 时间序列数据增强与预测
6.2.1 时间序列数据增强方法
6.2.2 时间序列数据预测方法
6.3 步态增强与预测研究框架
6.3.1 人体步态动作捕获系统
6.3.2 步态数据采集与预处理
6.3.3 生成对抗网络
6.4 基于GAN网络的人体步态数据增强
6.4.1 增强模型建立及实验设置
6.4.2 多维时间序列步态数据增强模型
6.4.3 度量结果分析
6.5 步态轨迹预测
6.5.1 基于LSTM的步态轨迹预测
6.5.2 基于注意力机制的步态轨迹预测
6.5.3 轨迹预测结果分析
6.6 本章小结
参考文献
第7章 结论与展望
7.1 本书内容总结
7.2 未来研究展望