1.一种高准确性的基于智能手机的行为识别方法，其特征在于，包括训练阶段和识别阶段：

步骤1：训练阶段，包含数据采集及预处理，特征提取，建立识别模型三个子步骤：

步骤1-1：数据采集及预处理

步骤1-1-1：初始化智能手机加速度传感器以及重力传感器，设置加速度传感器的采样频率fsa,重力传感器的采样频率为fsg,分别采集个别典型性行为的加速度传感器数据ai(t)以及重力加速度传感器数据gi(t)，i＝1,2,3,表示传感器X轴、Y轴和Z轴，数据ai(t)及gi(t)均为离散数据，同时由用户人工的标记行为；

步骤1-1-2:先用截止频率fmc的阶数为a的中值滤波器和截止频率flc的阶数为b的低通滤波器去除ai(t)中的噪声na(t)以及gi(t)中的噪声ng(t)，再用截止频率fhc的阶数为c的高通滤波器去除重力对加速度传感器的数据ai(t)造成的误差ag(t)，滤波处理之后，得到加速度传感器数据aiτ(t)以及重力传感器数据giτ(t)；

步骤1-2：特征提取

步骤1-2-1：加速度传感器数据aiτ(t),重力传感器数据giτ(t)分别采用一个w秒，相邻窗口重叠p％的滑动窗进行加窗处理得到w秒的加速度传感器数据序列aiq(t)和重力加速度传感器数据序列giq(t)；

步骤1-2-2:从加速度传感器数据序列aiq(t)和重力加速度传感器数据序列giq(t)中提取时域上的特征值f,构成特征向量 m为特征值的个数；

步骤1-3：建立识别模型

步骤1-3-1:使用K个时间窗，从而形成K个特征向量 m为特征值的个数，

构成的特征值集合  通常来说，m维的特征向量 数据量过大，会造成识

别用户行为时对智能手机的性能消耗过大，因此，需要将m维的特征向量 进行降维处理，减小识别用户行为时数据处理对智能手机的性能消耗，将m维的特征向量 进行PCA分析得到n维的特征向量

步骤1-3-2：K个经过PCA分析的特征向量 构成k×4的特征值集合

并将每种行为标记与其相应的特征值集合S′对应起来，构建行为标记

与特征值间集合S′的映射关系，建立识别模型；

步骤2：识别阶段，包含数据采集及预处理、特征提取、CWPG方法分类三个子步骤，其中，数据采集及预处理，特征提取分别与训练阶段对应的子步骤一致；

步骤2-1:将提取到的特征向量 m为特征值的个数,转换成4维的特征

向量

步骤2-2：通过先前状态PS和行为组转换的逻辑，使用CWPG方法识别用户行为，所述CWPG方法是利用先前状态PS，并基于行为组转换的逻辑进行识别用户行为的一种分类方法，分为两个阶段，初始化阶段和初始化之后两个阶段，在初始化阶段，首先为特征向量  的分量 中的f1设置阈值Thrg1，f2设置阈值Thrg2，当f1Thrg1且f2Thrg2时，将用户行为分类到行为组G3，f1>Thrg1且f2>Thrg2时，将用户行为分类到行为组G4，同时，将用户分类到的行为组Gi(i＝1,2,3,4)作为下一次识别用户行为时的先前状态PS，然后,同样为特征向量 的分量 设置阈值Thra1和Thra2，当分类到行为组G1时，若f3Thra1且f4>Thra2，则识别用户行为为行为组G3中的走，否则为行为组G3中的慢跑，当分类到行为组G4时，若f3Thra2，则识别用户行为为行为组G4中的上楼梯，否则为行为组G4中的下楼梯，当分类到行为组G2时，则默认用户行为为站，在初始化阶段，可识别出用户行为；初始化之后，利用4种不可能发生的行为组转换关系，在分类识别过程中排除不可能转换到的行为组，当先前状态PS为G1时，若f1Thrg1，则将用户行为分类到行为组G2，当先前状态PS为G3时，若f2Thrg2，则将用户行为分类到行为组G3,若f1>Thrg1且f2>Thrg2，则将用户行为分类到行为组G4，当先前状态PS为G4时，若f1Thrg2，则将用户行为分类到行为组G3，若f1>Thrg1且f2>Thrg2，则将用户行为分类到行为组G4,若f2

2.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法，其特征在于步骤1-1-1中所述的个别典型性行为包含坐、躺、站、走、慢跑、上楼梯和下楼梯七种行为。

3.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法，其特征在于，所述步骤1-2-1中，加速度传感器的采样频率为fsa，时间窗为w秒，则加速度传感器数据序列aiq(t)共有fsa×w个数据，重力传感器的采样频率fsg，时间窗为w秒，则重力传感器数据序列giq(t)共有fsg×w个数据。

4.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法，其特征在于，所述步骤1-2-2中，特征向量 可分为两个分量第一个分量 g为特征值个数，用于将用户行为分类到行为组Gi(i＝1,2,3,

4)，用户行为共分为四组，第一组G1为站，第二组G2为坐和躺，第三组G3为走和慢跑，第四组G4为上楼梯和下楼梯，其中特征值fi(i≤g)为时域上的特征值中的平均值，最小值，均方根；

第二个分量 a为特征值个数,其中特征值fi(i≤a)为时域上的特征值中的

最大值或峰值时间差，加速度传感器数据X轴、Y轴和Z轴数据的变化范围。

5.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法，其特征在于，步骤1-3-1中对m维的特征向量 进行PCA分析得到N维特征向量 3≤N≤8。

6.根据权利要求5所述的一种高准确性的基于智能手机的行为识别方法，其特征在于，将m维的特征向量 m为特征值的个数，形成k×m的特征值集合对每列数据求其平均值X，然后每列数据分别减去其平均值X，行成矩

阵M，求矩阵M的协方差矩阵，并求其特征值和对应的特征向量，选择从大到小的4个特征值，由其对应的4个特征向量构成的m×4的转换矩阵V，最后将矩阵S和矩阵V相乘(S×V)得到k×4的矩阵，则将m维的特征向量 降至4维 完成对特征向量的PCA分析。

7.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法，其特征在于，所述步骤2-1中，先将识别阶段提取到的特征向量 中的特征值fi(i≤m)分别减去训练阶段PCA分析所使用的平均值X，得到特征向量 然后将特

征向量 与训练阶段PCA分析所使用的转换矩阵V相乘，得到4维的特征向量

8.根据权利要求2所述的一种高准确性的基于智能手机的行为识别方法，其特征在于，将站、坐、躺、走、慢跑、上楼梯和下楼梯这七种行为分成四组行为组Gi，i＝1,2,3,4，G1为站,G2为站坐和躺，G3为站走和慢跑，G4为站上楼梯和下楼梯，基于现实生活行为转换的逻辑关系，可去除一部分行为组之间的转换，基于现实情况的分析共有12种转换关系,1表示行为组间能够相互转换，0表示行为组之间不能转换，12种转换关系如下表所示：

9.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法，其特征在于

3.5≤Thrg1≤11.8，2.4≤Thrg2≤6.8，2.4≤Thra1≤5.8，4.5≤Thra2≤7.8。