主要的兩種策略是：一對多方法；一對一方法。

一對一方法是在任意兩類樣本之間設計建立一個二值分類器，對每一個樣本都需要用所有的二值分類器進行分類，然後得票最多的類別即為該未知樣本的預測類別。這樣的話，兩類樣本我們就要設計C22個分類器，三類樣本就要設計C23個分類器。當我們有n個類別的時候，就必須設計C2N個分類器，這種方法非常消耗計算機資源。

另外一種實現多類分類器的方法是一對多，其為每類建立一個分類器，最後的預測類別是具有最大SVM間隔的類別。相比如上種方法，這種方法是很省資源的。我們將使用高斯核函式的非線性多類SVM模型。本資料集含有六個類別，腳跟著地，全足放平支撐，重心前移，腳跟離地，腳尖蹬離地，擺動腿，我們將為它們建立六個個高斯核函式SVM來預測。我們這裡採用TensorFlow機器學習框架。首先，用SVM1區分腳跟著地與其他行走模式，定義為y=+1表示腳跟著地，用y=-1表示其他行走模式，將腳跟著地區分出來。然後用SVM2區分全足放平支撐和其他行走模式。以此類推，實現對六種行走模式的區分。當一個測試樣本輸入的時候，每個分類器對分別對該樣本判定投票，得票最多的樣本為最終結果。