1.一种基于循环注意力网络的人体动作识别方法，其特征在于：包括如下步骤：S1：利用多轴传感器采集人体各类动作数据；

S2：将数据分割为包含多种动作类别的长时间序列段，并给序列段附上序列标签；

S3：将处理后的数据输入预先构建的多层的循环注意力神经网络模型，实现特定类别动作的识别；

其中所述循环注意力神经网络模型包括基于注意力机制的卷积神经网络和一个循环神经网络，其中循环神经网络的结构包括一层长短期循环神经网络，所述基于注意力机制的卷积神经网络利用卷积神经网络提取输入序列的特征向量，利用注意力机制算法对卷积神经网络中产生的局部特征向量和全局特征向量计算兼容性分数，将兼容性分数作为输入数据的空间信息权重。

2.根据权利要求1所述的基于循环注意力网络的人体动作识别方法，其特征在于：所述步骤S2中对数据进行处理，还包括将处理后的数据调整成循环注意力神经网络的输入格式：(n，m，L，1)，其中n为数据样本个数，m为传感器的轴阵列，L为长时间序列段长度，数据维度为1。

3.根据权利要求1所述的基于循环注意力网络的人体动作识别方法，其特征在于：所述注意力机制算法包括以下步骤：将 定义为从卷积神经网络第s层中提取出的特征向量，称为局部特征向量，将从卷积神经网络全连接层中提取出的特征向量G称为全局特征向量，通过以下公式计算局部特征向量Ls和全局特征向量G的兼容性：计算得出的 被称作兼容性分数，通过以下公式进行标准化：

计算得出的标准化兼容性分数 与局部特征向量进行加权运算：

计算得出的g＝[g1，g2，...，gn]代替全局特征向量G被输入线性分类层中进行动作类别的识别。

4.根据权利要求3所述的基于循环注意力网络的人体动作识别方法，其特征在于：所述方法还包括：根据标准化兼容性分数 利用滑动窗口技术计算定位分数：式中w代表滑动计算窗口的长度；

利用计算得出的定位分数S＝{s1，s2，...，sn}，通过设定阈值进行数据的切割，实现特定类别动作的定位。

5.一种基于循环注意力网络的人体动作识别装置，其特征在于：包括数据采集模块、数据预处理模块和动作识别模块；

所述数据采集模块，用于采集各类别人体动作传感器数据；

所述数据处理模块，用于对来自数据采集模块的人体动作传感器数据进行处理，所述处理是指将数据分割为包含多种动作类别的长时间序列段，并给序列段附上序列标签，并整理为符合循环注意力神经网络的输入格式的数据；

所述动作识别模块，用于根据数据处理模块输入的数据，利用循环注意力神经网络模型完成人体特定类别动作的识别，所述循环注意力神经网络模型对带有序列标签的长时间传感器序列段附加循环多次的注意机制，实现对特定类别动作的识别。

6.根据权利要求5所述的人体动作识别装置，其特征在于：所述数据采集模块包括三轴加速度传感器。

7.根据权利要求5所述的人体动作识别装置，其特征在于：所述循环注意力神经网络模型包括基于注意力机制的卷积神经网络和一个循环神经网络，其中循环神经网络的结构包括一层长短期循环神经网络，所述基于注意力机制的卷积神经网络利用卷积神经网络提取输入序列的特征向量，利用注意力机制算法对卷积神经网络中产生的局部特征向量和全局特征向量计算兼容性分数，将兼容性分数作为输入数据的空间信息权重。

8.根据权利要求7所述的人体动作识别装置，其特征在于：所述注意力机制算法包括以下步骤：将 定义为从卷积神经网络第s层中提取出的特征向量，称为局部特征向量，将从卷积神经网络全连接层中提取出的特征向量G称为全局特征向量，通过以下公式计算局部特征向量Ls和全局特征向量G的兼容性：计算得出的 被称作兼容性分数，通过以下公式进行标准化：

计算得出的标准化兼容性分数 与局部特征向量进行加权运算：

计算得出的g＝[g1，g2，...，gn]代替全局特征向量G被输入线性分类层中进行动作类别的识别。

9.根据权利要求8所述的人体动作识别装置，其特征在于：还包括数据分割模块，用于根据定位分数对数据进行切割，实现特定类别动作的定位，其中定位分数计算方式为：式中w代表滑动计算窗口的长度。

10.一种智能移动终端，其特征在于，所述智能移动终端集成了如权利要求5-9中任一项所述的人体动作识别装置。