近年来基于智能手机传感器的人体行为识别研究受到广泛关注。本文针对传感器提取到的不同特征信息进行分析选取显著特征建立人体行为识别模型并进一步构建模型识别效果评估体系对所选特征的合理性、准确性进行充分探讨。针对问题一：根据训练数据中的行为类别信息及其观测特征信息考虑不同特征对行为类别的影响程度建立了基于CART分类决策树的特征信息选择模型分析不同行为类别的特征差异。采用混淆矩阵对模型进行评估从而得到特

近年来，基于智能手机传感器的人体行为识别研究备受关注。本文通过对传感器提取到的不同特征信息进行分析，并选取显著特征建立人体行为识别模型。同时，构建了模型识别效果评估体系，对所选特征的合理性和准确性进行了探讨。

在问题一中，我们根据训练数据中的行为类别信息和观测特征信息，建立了基于CART分类决策树的特征信息选择模型，分析了不同行为类别的特征差异。通过混淆矩阵对模型进行评估，得到了特征信息的显著性检验结果。我们还通过离散性分布和相关性分析将行为类别与显著特征信息进行了可视化分析，确定了tGravityAcc-Max-1、fBodyAcc-Energy-1、tGravityAcc-Max-2、tBodyAcc-Max-1、tGravityAcc-ARCoeff-6和fBodyAccJerk-BandsEnergyOld-1这六个特征信息为排名前六的显著特征。

问题二考虑到人体行为识别的复杂性，本文采用双模型方法，分别构建了基于随机森林和BP神经网络的人体行为特征信息模型和多分类预测模型。我们分析评估了特征选择和参数调优对行为识别的影响。实验结果表明，在双模型的基础上，针对动态活动和静态姿势六组行为类别，我们总结出了tGravityAcc-Min-1、tGravityAcc-Min-2等显著性特征指标，并对其进行了参数调优。最终得到了准确率为80.22%的最佳决策树（最大深度为53，叶节点处的最小样本数为8），通过BP神经网络的训练，进一步将准确率提高至92.61%。

在问题三中，在问题二的基础上，我们加入了静态姿势转换的行为类别，采用随机森林方法构建了基于特征信息的人体行为识别模型，并选取了影响显著的特征信息。通过混淆矩阵给出了各行为类别的识别误判率，发现静态姿势的识别误判率较低，而静态姿势转换的识别误判率较高。为了提高人体行为识别效果，我们采用K-最近邻居分类算法构建了人体行为智能识别模型。经过参数调优，当K值为13时，基于KNN的人体行为智能识别模型在训练集和测试集上的精度均达到最佳值，分别为0.8766和0.8288。

问题四考察了除腰部外上臂、手部和腿部这三种常见的手机佩戴部位对于人体行为智能识别模型的准确效果。实验结果显示，当手机放置于手部和腿部时，模型的准确率较低，说明部分所选特征信息对于这些部位的模型识别能力较弱。然而，当加入其他特征tBodyAccJerk-Mad-1、tBodyAccJerkMag-Mean-1和tBodyAccJerk-Min-1后，手部和腰部的随机森林模型的分类准确率明显提高。

综上所述，本文通过对智能手机传感器提取到的特征信息进行分析和模型构建，对人体行为识别进行了研究。同时，我们还评估了模型的识别效果，并探讨了特征选择和参数调优对行为识别的影响。研究结果对于人体行为识别技术的发展具有一定的指导意义