1.一种基于注意力机制GRU深度学习的人体行为识别方法，其特征在于包括以下步骤：步骤(1)：获取带时序信息的不同人体行为数据，并标注标签信息；

步骤(2)：将人体行为数据集分配为训练样本和测试样本；

步骤(3)：采用由改进Inception卷积结构构成的深度学习网络对训练样本进行数据预处理；

改进Inception卷积结构包括输入层、第一至四卷积层、最大池化层、特征拼接层；第一层的输出接第一卷积层的输入、第二卷积层的输入、第三卷积层的输入、最大池化层的输入；最大池化层的输出接第三卷积层的输入；第一至四卷积层的输出接特征拼接层的输入；

所述改进Inception卷积结构中第一卷积层由串联的1×1卷积、2×2卷积构成；第二卷积层由串联的1×1卷积、2×2卷积、3×3卷积构成；第三卷积层为3×3卷积；第四卷积层为1×1卷积；最大池化层采用2×2最大池化层连接；

步骤(4)：利用A‑GRU网络对步骤(3)预处理后的样本进行行为分析；

A‑GRU包括更新门、重置门、元素注意门；

a)元素注意门用于赋予GRU神经元注意能力

其中at表示元素注意门的输出，即响应矢量； 代表Sigmoid的激活函数；Wxa表示由xt到at的关系矩阵,Wha表示由ht‑1到at的关系矩阵,εa代表at对应的偏置向量；xt表示t状态的输入，即步骤(3)深度学习网络的输出；ht‑1表示t‑1状态的隐藏层输出；

b)重置门用于控制忽略ht‑1信息的程度

rt＝σ(Wr [ht‑1,at xt]+εr)

其中Wr代表rt的权重矩阵，εr代表rt对应的偏置向量；

c)更新门zt用于控制ht‑1被带入到当前状态中的程度zt＝σ(Wz [ht‑1,at xt]+εz)

其中zt是隐藏状态的输出向量，W是代表zt的权重矩阵，εz是zt对应的偏置向量；

d)整合元素注意门、重置门和更新门，计算公式如下：ht＝tanh(W [rt×ht‑1,at xt]+εh)ht＝ht‑1+zt(ht‑ht‑1)

式中，ht是当前状态的输出向量，at作为当前状态的响应矢量，W是当前状态的权重矩阵，εh代表ht对应的偏置向量，tanh()表示tanh激活函数，ht表示受到tanh激活后的向量，仅存在于当前状态转移过程中；

步骤(5)：利用分类器对步骤(4)结果进行分类，得到具体行为分类结果；

步骤(6)：利用测试样本对步骤(3)‑(4)模型进行测试。

2.根据权利要求1所述的一种基于注意力机制GRU深度学习的人体行为识别方法，其特征在于所述的人体行为数据包括人体各关节部位的加速度数据、陀螺仪数据和磁力计数据，以及对应空间位置信息。

3.根据权利要求1所述的一种基于注意力机制GRU深度学习的人体行为识别方法，其特征在于改进Inception卷积结构具体是：l

其中 是第l层第j个神经元的输出，b是偏置值，σ是非线性激活函数， 是卷积核的F×P权重矩阵，F代表第l层的特征图数量，P代表第l层的卷积核的长度。

4.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1‑3任一项所述的方法。

5.一种机器可读存储介质，其特征在于，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现权利要求1‑

3任一项所述的方法。