技術(shù)特征：
1.一種融合運動和生理傳感數(shù)據(jù)的日?；顒幼R別方法，其特征在于，包括：步驟1，采用穿戴式生理傳感設(shè)備以及智能設(shè)備采集用戶在日?；顒訒r的數(shù)據(jù)，并將數(shù)據(jù)進(jìn)行預(yù)處理，其中數(shù)據(jù)包括生理傳感數(shù)據(jù)以及運動數(shù)據(jù)；步驟2，對預(yù)處理后的數(shù)據(jù)提取所需要的若干特征向量；步驟3，將特征向量輸入識別模型中對應(yīng)的識別子模型進(jìn)行活動判別，各個識別子模型輸出概率向量；步驟4，將每個概率向量轉(zhuǎn)換為具有活動類別的識別子模型向量；步驟5，利用融合模型將得到的所有識別子模型向量進(jìn)行融合，得到最終的活動識別結(jié)果；識別模型的訓(xùn)練方法為：a)利用穿戴式生理傳感設(shè)備收集生理傳感數(shù)據(jù)，利用智能設(shè)備收集運動數(shù)據(jù)；b)對各項數(shù)據(jù)進(jìn)行預(yù)處理；c)根據(jù)預(yù)處理后的數(shù)據(jù)提取特征向量；d)從提取的特征向量中進(jìn)行選擇，得到目標(biāo)特征集；e)利用目標(biāo)特征集中的特征向量訓(xùn)練出對應(yīng)的識別子模型，得到對應(yīng)的概率向量；f)根據(jù)概率向量構(gòu)建對應(yīng)的識別子模型向量；g)利用步驟f)所得的全部識別子模型向量獲取融合模型；步驟d)的具體方式如下：步驟d-1，輸入所有特征向量作為候選特征集，并輸入期望選擇出的特征向量數(shù)目；步驟d-2，對于每項運動數(shù)據(jù)或者每項生理傳感數(shù)據(jù)，從候選特征集選擇對應(yīng)的特征向量加入到目標(biāo)特征集中，構(gòu)成新的目標(biāo)特征集，選出使得目標(biāo)準(zhǔn)則函數(shù)最大的特征向量集合；步驟d-3，通過順序向后搜索子算法從目標(biāo)特征集順序移除一個特征向量，構(gòu)成新的目標(biāo)特征集，再次選出使得目標(biāo)準(zhǔn)則函數(shù)最大的特征向量集合；步驟d-4，重復(fù)步驟d-2和d-3，在目標(biāo)特征集中的特征向量數(shù)目達(dá)到要求或重復(fù)次數(shù)達(dá)到上限時結(jié)束，得到目標(biāo)特征集；在步驟d-2中，采用序列浮動前向選擇方法進(jìn)行特征向量的選擇；步驟f)中對于第j項日?；顒?，具體方法如下：步驟f-1，對于該項日?；顒拥拿總€特征向量，對應(yīng)的識別子模型輸出對應(yīng)的概率向量pv＝[p1p2…pn]T，pn表示該模型判別樣例為n類別的概率；步驟f-2，將所有識別子模型的概率向量組成概率矩陣，表示為：其中，k表示總的識別子模型數(shù)目，n表示總的活動類別數(shù)目；將概率矩陣再轉(zhuǎn)化為如下表示形式：PMn×k＝[vc1vc2…vcn]T其中，vci是概率矩陣的行向量(i＝1,…,n)，每個vci對應(yīng)第i個類別標(biāo)簽li，得到第j項日?；顒訉?yīng)的識別子模型向量其中j＝1,…,m，m表示日?；顒禹棓?shù)；融合模型的訓(xùn)練方法為：步驟g-1，輸入所有識別子模型向量；步驟g-2，根據(jù)所有識別子模型向量訓(xùn)練邏輯回歸模型；步驟g-3，輸出訓(xùn)練出的模型系數(shù)為融合模型的參數(shù)，從而得到融合模型。