1.一种人体姿态多通道卷积神经网络检测方法，其特征在于，包括以下步骤：S1：采集人体各项活动时传感器数据；

S2：对采集的传感器数据进行预处理；

S3：搭建多通道卷积神经网络模型；

S4：将经过预处理的传感器数据输入到网络模型中进行训练；

S5：模型已完成训练，获得人体姿态检测结果。

2.根据权利要求1所述的人体姿态多通道卷积神经网络检测方法，其特征在于，所述步骤S1包括以下子步骤：S11：将采集人体活动数据的传感器设备佩戴在大腿根部，采集人体活动时的三轴总加速度数据、三轴角速度数据以及三轴线性加速度数据，其中三轴指将空间中数据在X、Y、Z三个轴上进行分解，线性加速度是指从包含重力加速度的总加速度数据中去除重力分量的加速度数据；

S12：采集人体活动时的传感器数据，对每个需要检测的人体姿态重复进行，持续进行一段时间的数据采集。

S13：给采集的每段人体活动数据打上标签，告诉计算机这些数据对应的类别，计算机才能使用这些数据训练出一个模型。

3.根据权利要求1所述的人体姿态多通道卷积神经网络检测方法，其特征在于，所述步骤S2包括以下子步骤：S21：对采集到的原始数据进行中值滤波处理，中值滤波的原理如下：通过一个固定长度为N的滑动窗口划过整个数据序列，将窗口中的N个数据样本进行排序找出中值，再将窗口正中间的样本替换成中值。中值滤波的窗口大小N的选择可根据实际情况而定；

S22：处理滤波后的数据，将开始后5秒以及结束前5秒数据切割后丢弃，保留剩下的数据；

S23：将剩下的数据切割分段，采用50％重叠滑动窗口的方法将数据分为一系列长度为同一时间步长的数据段。50％重叠滑动窗口是指滑动窗口每次滑动的距离为窗口大小的一半，这样前一个窗口的后半部分会和后一个窗口的前半部分完全重叠；

S24：将数据集每类活动的数据随机划分，其中80％的数据定为训练集，用于训练模型输入；另外20％的数据定为测试集，用于检测训练完的模型的性能。

4.根据权利要求1所述的人体姿态多通道卷积神经网络检测方法，其特征在于，所述步骤S3包括以下子步骤：S31：设置每个卷积头的卷积层层数、卷积核数量以及卷积核大小。多通道卷积神经网络模型为层次结构，数据顺序输入到每一层网络处理，如图4所示该网络使用多个卷积头将多种不同类型的传感器数据分开并行提取特征，然后将提取到的特征合并进行预测。每个卷积头包括x层卷积层，一层遗忘层，一层池化层和一层展平层，其中卷积层的原理如下：其中ai为卷积层输出结果(特征图)的第i列元素，f()表示激活函数，K为卷积核的大小，wm,n表示卷积核第m行第n列权重，xm,i+n表示传感器数据序列第i+n时刻的第m维特征，b为偏置项。

S32：设置每个卷积头的遗忘层的遗忘概率p。遗忘层会在训练时以一定的概率p(通常是50％)关闭遗忘层神经元的输出，也就是输出为0，可以降低过拟合风险，提高模型的泛化能力；

S33：设置每个卷积头的池化层的池化函数和池大小。池化层的作用是降采样，可以压缩特征图规模去除冗余信息，从而大大减少网络神经元的数量，简化神经网络的规模。池化层的原理是将整个特征图切割成多个不重叠的池大小的小块，每个小块以池化函数指定的规则输出一个值，这样对特征图进行降采样；

S34：设置展平层，展平层的作用是将学习到的多维特征图展平为一个一维向量，以便后续解释特征；

S35：设置拼接层，将所有卷积头的输出连接到拼接层，拼接层的作用是将所有卷积头输出的一维向量拼接成一个一维长向量；

S36：设置全连接层的神经元数量和激活函数，全连接层的目的是将前面提取的特征，在全连接层经过非线性变换，提取这些特征之间的关联，最后映射到输出空间上；

S37：设置输出层的神经元数量和激活函数，神经元数量应等于待检测的人体姿态类别数，通过输出层输出预测结果。

5.根据权利要求1所述的人体姿态多通道卷积神经网络检测方法，其特征在于，所述步骤S4包括以下子步骤：S41：设置网络训练时迭代次数epochs和批大小batch_size。一次迭代过程表示将所有的数据送入网络中，完成了一次网络参数更新的过程，经过多次迭代后网络的预测值会越来越靠近真实值。批大小batch_size指的是将所有数据分割成几份，每份的大小，因为数据量过大计算机无法一次性处理所有数据，需要分批处理；

S42：将训练集输入到多通道卷积神经网络中，在训练数据集上拟合模型，等待模型完成所有的参数迭代过程；

S43：将测试集输入到模型中查看模型预测准确率，如果预测准确率到达要求，则进入步骤S5；否则进入步骤S3，修改网络模型结构或者参数设置，重新进行训练。