为了有效提取表面肌电信号SEMG(Surface Electromyographic)的特征，更好的识别人体上肢运动模式，提出了一种小波包核主元分析(WPKPCA)和支持向量机(SVM)相结合的新方法。通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号，应用小波包核主元分析法对表面肌电信号进行特征提取，采用支持向量机对表面肌电信号特征数据进行分类识别。实验结果表明，采用此方法能够从表面肌电信号中识别出握拳、展拳、手腕内翻和手腕外翻4种动作，更能有效提取表面肌电信号信息，动作识别率高达98%。

ava_v2.2.zip数据集。包含了标签和视频链接。

提醒 ST-GCN已转移到 ，并继续开发为基于骨架的人类理解的灵活开放源代码工具箱。 欢迎您迁移到新的MMSkeleton。 旧的st-gcn的自定义网络，数据加载器和检查点与MMSkeleton兼容。 如果要使用旧的ST-GCN，请参阅 。 此代码库很快将不再维护，并且作为历史工件存在，以补充有关以下方面的AAAI论文： 基于骨架的动作识别的时空图卷积网络， 。 如需更多最新作品，请查看MMSkeleton。

ThreeDPoseUnitySample-master.zip

openpose动作检测笔记，详细解释openpose检测的各个细节，图文并茂。

OpenCV动作识别，OpenCV3.0版本，VS2012

利用opencv和深度学习算法实现的action识别，可以调用摄像头，自带测试视频。

Two-Stream Temporal Convolutional Networks for Skeleton-Based Human Action Recognition

室内HIIT动作识别项目说明 山东大学（威海） 18数据科学孙易泽 本项目为通过微信小程序进行动作的识别，项目拾取了徒手侧平举，前后交叉小跳，开合跳，半蹲四个动作，在测试者左手手持手机的情况下，利用微信小程序实时采集手机的六轴数据，并用随机森林模型和波峰检测法，对测试者做出的动作进行实时的识别和计数。 以下说明，为项目文件中各个文件夹的相关说明 python项目 数据文件夹：训练所用数据，处理之后的数据 进程文件夹：预数据代码，包括信号处理与窗口切割数据 功能文件夹：特征提取以及特征选取相关代码 machineLearning文件夹：各个算法测试比对，算法的优化与提升 numcount文件夹：动作计数相关代码测试 Web文件夹：服务器部署代码 IndoorHIIT.ipynb：python完整的工程说明文档，可在工程中直接查看，或访问以下网址： 微信小程序 小程序已发布，二维码如下： 完

项目描述: 自行设计前端模拟电路采集人体手臂、腿上的表面肌电信号，并进行一定的信号滤波，包括低通、高通，放大后通过KL25Z128VLK4处理器（KL25Z128VLK4数据手册）的A/D实现模数转换，进而简单数字滤波、处理，绘制表面肌电图(sEMG)以及通过特征提取、模式识别等方法，判别人体一部分的简单动作。硬件设计部分，主要是四个模块:模拟信号模块，微处理器模块，TFT显示模块和电源模块。 硬件设计框图 作品实物图: 演示视频: 附件内容包含: 转接板硬件电路原理图、PCB、Multisim仿真； 该设计论文阐述； 软件源代码； KL25Z开发板相关的参考资料；