1.一种基于深度学习的跌倒检测系统，其特征在于，包括终端侧、云端侧，终端侧包括数据采集模块、通信模块，云端侧包括云管理平台、数据分析模块；

数据采集模块包括穿戴于用户的加速度传感器，用于采集三轴加速度数据和三轴旋转角速度数据；

通信模块，用于将三轴加速度数据和三轴旋转角速度数据发送给云管理平台；

云管理平台将接收到的三轴加速度数据和三轴旋转角速度数据发送至数据分析模块，数据分析模块根据接收的数据进行判断用户是否发生跌倒，若判定为跌倒，云管理平台将发送警报信息；

所述数据分析模块采用基于CNN‑Pred网络的跌倒判断模型，该模型包括编码层、解码层，分类器，所述编码层用于对三轴加速度数据以及三轴旋转角速度数据进行编码以得到时空数据；所述解码层用于将编码得到的时空数据进行还原；所述分类器用于对解码层的输出进行分类判断，以获取用户是否跌倒的判断结果；

编码层、解码层均包括Causal LSTM和GHU高速通道，其中编码层还包括CNN卷积采样层，解码层还包括反卷积层；

使用L秒相续的三轴加速度数据和三轴旋转角速度数据作为跌倒判断模型输入，该条数据的采样频率为jHz，共j*L个采样点，将该条数据切为n片，每一片之间具有时间信息的关联，对于每一片 秒的信息，截取得到包含 个采样点的数据，输出一个0到1的结果，即跌倒判断模型根据过去j*L个加速度数据和三轴旋转角速度数据判断当前发生跌倒的概率，其中10≤L≤20，50≤j≤200，3≤n≤10。

2.根据权利要求1所述的一种基于深度学习的跌倒检测系统，其特征在于，编码层共有n个时刻的数据输入以及三层网络结构；

三层网络结构中第一层对每一时刻的数据用CNN进行1*1采样，再通过Causal LSTM层对采样结果进行一系列线性与非线性变换，后两层则对上一时刻的输入和空间状态信息用CNN进行3*3的降采样提取特征信息，并从降维后的信息中提取时空信息。

3.根据权利要求2所述的一种基于深度学习的跌倒检测系统，其特征在于，解码层是编码的逆过程，将编码得到的时空信息通过Causal LSTM层处理，再利用反卷积层对信息进行还原。

4.根据权利要求3所述的一种基于深度学习的跌倒检测系统，其特征在于，分类器对解码层的输出进行分类判断，且分类器使用pytorch中自带的ResNet18基础网络模型完成分类任务，该网络共包含17个卷积层和1个全连接层。

5.根据权利要求4所述的一种基于深度学习的跌倒检测系统，其特征在于，Causal LSTM共有三层结构，Causal LSTM的第一层结构输出为 由t时刻的输入Xt、前一时刻的输出响应 前一时刻的 共同决定，其中K为隐藏层层数，C为时间状态，包含时间维度信息：式中：ft为遗忘门，it为输入门，gt为临时长期记忆状态，σ(·)表示sigmoid函数：σ(x)‑x＝1/(1+e )，W1表示神经元内部第一个循环权值矩阵， 表示向量之间的哈达玛积。

6.根据权利要求5所述的一种基于深度学习的跌倒检测系统，其特征在于，Causal LSTM的第二层结构输出为 由Xt、当前时刻 和上一层的 共同决定，其中M为空间状态，包含空间维度信息：式中：ft'为遗忘门，i't为输入门，gt'为临时长期记忆状态，W2表示神经元内部第二个循环权值矩阵，W3表示神经元内部第三个循环权值矩阵。

7.根据权利要求6所述的一种基于深度学习的跌倒检测系统，其特征在于，Causal LSTM的第三层结构为输出层，输出为 由t时刻时间状态 空间状态 以及输入Xt共同决定：式中，W4表示神经元内部第四个循环权值矩阵，W5表示神经元内部第五个循环权值矩阵，ot为临时状态。

8.根据权利要求7所述的一种基于深度学习的跌倒检测系统，其特征在于，GHU高速通道的输入包括Xt、Zt‑1，其中Xt为第一层Casual LSTM的输出 Zt‑1为前一个时刻的GHU的输入，即连接了当前时刻以及前一个时刻的输入，使得传播的距离缩短：Pt＝tanh(Wpx*Xt+Wpz*Zt‑1)                  (7)St＝σ(Wsx*Xt+Wsz*Zt‑1)                   (8)式中St为开关门，Wpx、Wpz、Wsx、Wsz为权值矩阵，Pt为转换后的输入，Zt为当前时刻GHU的输入。