1.一种基于运动手环的人体运动模式识别方法，其特征在于，其步骤为：步骤一、利用运动手环采集人体运动的加速度数据；

步骤二、对步骤一中采集到的数据进行分段，选取合适的窗口宽度；

步骤三、将每个窗口三个方向上的加速度数据进行滤波处理；

步骤四、对经步骤三滤波处理后的加速度数据进行特征提取；

步骤五、利用特征选择算法筛选步骤四中提取的特征，舍弃对分类算法没有贡献的特征；

步骤六、将筛选出的特征数据送入分类模型，并调整参数模型，使模型达到最优；

所述的步骤四中，特征值分别利用下列公式进行提取：S1、反映人体在运动时，每个方向剧烈程度的特征值：三个方向加速度均值 利用公式(2)、(3)、(4)计算得出，式中，ax,k，ay,k，az,k为一个窗口中第k个采样点得到的X，Y，Z三轴加速度信号；n为每个窗口采样点数；

S2、体现某一个运动模式的综合剧烈程度的特征值：合成加速度均值 利用公式(5)、(6)计算得出，(5)式中，ak为窗口中第k个采样点三轴合速度的模，将ak带入式(6)得到合成加速度均值

2 2 2

S3、三个方向加速度方差和标准差，加速度方差σx，σy，σz由公式(7)、(8)、(9)计算得出，

2 2 2

对加速度方差σx，σy，σz开平方得到加速度标准差σx，σy，σz；

2

S4、合成加速度方差σ，由公式(10)计算得出，S5、加速度峰谷值apv，为加速度的最大值Max(a)和最小值Min(a)的差值，apv＝Max(a) ‑Min(a)                     (11)利用公式(11)分别得到合加速度的峰谷值和三个方向加速度峰谷值；

S6、三个方向加速度两两相关系数ρ(X,Y)、ρ(X,Z)、ρ(Y,Z)，其中，cov(X,Y)，cov(X,Z)，cov(Y,Z)为两个方向加速度的协方差，计算公式如下：cov(X,Y)＝E(XY)‑E(X)E(Y)                  (15)cov(X,Z)＝E(XZ)‑E(X)E(Z)                  (16)cov(Y,Z)＝E(YZ)‑E(Y)E(Z)                  (17)式中，(X)为4秒内X方向加速度期望，E(Y)为Y方向加速度期望，E(Z)为Z方向加速度期望，E(XY)为X和Y方向加速度乘积的期望，E(XZ)为X和Z方向加速度乘积的期望，E(YZ)为Y和Z方向加速度乘积的期望。

2.根据权利要求1所述的一种基于运动手环的人体运动模式识别方法，其特征在于：所述的步骤一中，得到运动数据后，将其他动作加速度数据去除，只保留走路、跑步、打羽毛球、打乒乓球、划船五种运动的加速度数据。

3.根据权利要求1或2所述的一种基于运动手环的人体运动模式识别方法，其特征在于：所述的步骤二中，设定X，Y，Z三个方向上的加速度为ax，ay，az，并选取4秒作为窗口宽度，相邻窗口重合百分之五十。

4.根据权利要求3所述的一种基于运动手环的人体运动模式识别方法，其特征在于：所述的步骤三中，采用一阶低通滤波算法对三个方向上的加速度信号进行滤波处理，一阶低通滤波算法如公式(1)所示：式中，F(n)为当前滤波输出值，m为滤波系数， 为第n次的采样值，F(n‑1)为上次滤波输出值。

5.根据权利要求4所述的一种基于运动手环的人体运动模式识别方法，其特征在于：所述的步骤五中，利用基于决策树的特征选择算法计算所有特征的重要性值，并根据重要性值的大小选择出14个特征。

6.根据权利要求5所述的一种基于运动手环的人体运动模式识别方法，其特征在于：所述的步骤六中，将每个滑动窗口中数据的特征集合为一个完整的样本，分为训练样本和测试样本，选取决策树Decision Tree分类模型进行分类，利用训练样本多次调整模型参数，使模型达到最优。