در سال های اخیر، بازشناسی الگوی حرکت انسان کاربردهای زیادی در سیستم های نظارت بر سلامتی، سیستم های زمینه-آگاه، کنترل مبتنی بر ژست و ورزش پیدا کرده است. گستره ی بسیار وسیعی از تجهیزات و روش ها برای این منظور در کارهای مرتبط مورد استفاده قرار گرفته است. در اینجا، از یک شتاب سنج سه محوری به عنوان هسته ی سخت افزار و سیستم عصبی-فازی به عنوان روش اصلی استفاده شده است. فرآیند بازشناسی فعالیتی که در این پایان نامه بکار رفته است، شامل 4 مرحله ی قطعه بندی، استخراج ویژگی، انتخاب ویژگی و دسته بندی می-باشد. بعد از قطعه بندیِ سیگنال شتاب به فریم هایی با طول برابر، 126 ویژگی متفاوت از هر فریم استخراج می شود. سپس، بهترین ویژگی ها با استفاده از سیستم عصبی-فازی تعیین می-شوند. برای دسته بندی نیز علاوه بر سیستم عصبی-فازی، از دسته بندی کننده ی ساده ی بیز، درخت تصمیم گیریِ c4.5، ماشین بردار پشتیبانی (svm)، شبکه ی عصبیِ پرسپترون چند لایه (mlp) و تابع پایه ی شعاعی (rbf)، نزدیک ترین همسایه، رگرسیون لوجستیک و آدابوست استفاده شده است. نتایج تجربی نشان می دهد که دقت سیستم عصبی-فازی در بازشناسی یازده فعالیت عادی (شامل ایستا، پویا و حالات گذار) بیش از 98 درصد، در تشخیص سقوطِ معمول و سقوطِ پیش از برخورد به ترتیب 99 و 94 درصد و در بازشناسی 36 حرکت ریز دست (ژست) حدود 95 درصد بوده است. همچنین، نتایج آزمایشات نشان می دهد در بازشناسی فعالیت های عادی، بهترین محل برای نصب شتاب سنج به ترتیب بازو، ران و زانو و بهترین نوع ویژگی ها به ترتیب میانگین ضرایب کپستروم حقیقی، مقدار تکین، ویژگی های فیلتر haar مانند، انرژی و rms می باشد. ضمن اینکه آدابوست، rbf، سیستم عصبی-فازی و mlp به ترتیب بالاترین دقت دسته بندی را می دهند که در این بین، سیستم عصبی-فازی کمترین هزینه ی محاسباتی را دارد. در نهایت می توان نتیجه گیری کرد که یک سیستم عصبی-فازی با پارامترهای مناسب می تواند الگوی حرکات انسان را که توسط داده های سه محورِ شتاب ایجاد شده اند، با دقت بالا بازشناسی نماید.