1.一种基于卷积神经网络和手机传感器数据的跌倒检测方法，其特征在于：(1)在人体胸部和腿部分别放置智能手机，不间断地获取智能手机加速传感器和陀螺仪数据；

(2)通过滤波和标准化对初始数据进行预处理，对完成预处理的各特征数据进行样本划分，并对特征数据进行压缩转换形成模型训练数据；人体发生跌倒行为标签记为1，未发生跌倒记为0，取单个样本所有标签的众数为该样本的标签；

(3)构建卷积神经网络模型，包含卷积层、池化层、全连接层、Softmax层；

(4)将训练样本输入模型，学习和优化卷积神经网络的模型参数；

(5)实时采集人体携带手机的传感数据，并经过步骤2)中所述的预处理和转换后输入到已完成训练的卷积神经网络模型，通过模型输出判定人体是否发生意外跌倒。

2.根据权利要求1所述的基于卷积神经网络和手机传感数据的跌倒检测方法，其特征在于，所述的步骤2)具体包括：(1)通过IIR平滑滤波器对初始手机传感器数据进行滤波处理；

(2)滤波完成后，采用Z-SCORE标准化方法对全体数据进行标准化处理；

(3)将3秒内的数据划分为一个训练样本，通过对每25条记录进行平均值替换，将每个初始训练样本的300×12格式数据转换为12×12格式数据；

(4)取单个样本所有标签的众数为该样本的标签，保持样本数据和样本标签同步。

3.根据权利要求2所述的基于卷积神经网络和手机传感数据的跌倒检测方法，其特征在于，所述的步骤3)构建卷积神经网络模型具体包括：(1)对12×12的数据输入，第一层卷积层，4×4的卷积核32种，卷积后数据特征为32×

12×12，卷积过程使用Padding方法；

(2)第二层池化层，2×2的最大池化操作，池化后的数据特征为32×6×6；

(3)第三层卷积层，4×4的卷积核64种，卷积后的数据特征为64×32×6×6；

(4)第四层池化层，2×2的最大池化操作，池化后的数据特征为64×32×3×3；

(5)对两层卷积、两层池化后的样本数据进行Fatten操作，将高维数据特征拉伸为一维向量形式；

(6)拉伸后的样本数据传入全连接层和Softmax层，分类输出预测是否跌倒。

4.根据权利要求1所述的基于卷积神经网络和手机传感数据的跌倒检测方法，其特征在于，所述的步骤4)训练卷积神经网络模型的方法具体包括：(1)卷积神经网络训练的参数为连接层间的权值向量ω和偏置b，训练过程使用随机梯度下降优化方法，其包括前向传播和反向传播两个阶段；

(2)初始化权值向量ω和偏置b，分别使用随机初始化和定值初始化；

(3)将训练样本数据t:{xi,yi}输入卷积神经网络，样本特征经各层向前传播，其中，t为训练集，xi,为训练样本特征数据，yi为样本标签；

(4)计算实际输出和样本标签误差ε；

(5)以最小化训练误差为目标调整网络权值；

(6)逐步训练，提升模型准确率。