技术特征：
1.一种神经网络模型，其特征在于，包括多个卷积模块、输出模块、多个注意力子模块和分类模块，多个所述卷积模块和所述输出模块依次连接，且每个所述卷积模块的输出端分别连接至一个所述注意力子模块的输入端，每个所述注意力子模块的输入端还分别与所述输出模块的输出端连接，所述注意力子模块的输出端与所述分类模块的输入端连接；多个所述卷积模块，用于根据获取的传感器数据逐层进行特征提取，各个所述卷积模块分别输出一个局部特征向量，其中，所述传感器数据由布设在人体上多个位置的传感器检测获得；所述输出模块，用于对最后一个所述卷积模块的输出数据进行处理，输出全局特征向量；所述注意力子模块，用于获取各个所述卷积模块输出的所述局部特征向量和所述输出模块输出的所述全局特征向量，分别计算各个所述局部特征向量和所述全局特征向量之间的兼容性分数，根据各个所述局部特征向量和对应的所述兼容性分数生成新特征向量；所述分类模块，根据所述新特征向量确定当前人体动作。2.根据权利要求1所述的神经网络模型，其特征在于，所述卷积模块包括一个或多个卷积层、池化层和展平层，各个所述卷积层依次连接，且最后一个所述卷积层的输出端分别连接至所述池化层的输入端和所述展平层的输入端，所述池化层的输出端连接至另一个所述卷积模块的输入端或所述输出模块的输入端，所述展平层的输出端连接至一个所述注意力子模块的输入端；所述卷积层，用于对输入数据进行特征提取，获得特征矩阵；所述池化层，用于对所述特征矩阵进行降维，获得降维后的特征矩阵，并将所述降维后的特征矩阵传输至相连的下一个所述卷积模块或所述输出模块；所述展平层，用于将所述特征矩阵展平成所述局部特征向量。3.根据权利要求1所述的神经网络模型，其特征在于，所述注意力子模块具体用于：将各个所述局部特征向量分别和所述全局特征向量进行拼接，获得多个拼接向量，根据预设的权重向量和所述拼接向量分别确定各个所述局部特征向量与所述全局特征向量之间的所述兼容性分数；或，将各个所述局部特征向量分别和所述全局特征向量进行点积运算，确定各个所述局部特征向量与所述全局特征向量之间的所述兼容性分数。4.根据权利要求1至3任一项所述的神经网络模型，其特征在于，所述注意力子模块具体还用于：根据所述兼容性分数确定各个所述局部特征向量的权重，根据所述权重和所述局部特征向量分别确定各个所述卷积模块对应的输出矢量，将所有所述输出矢量进行组合，获得所述新特征向量。5.根据权利要求2或3所述的神经网络模型，其特征在于，所述输出模块包括第一全连接层；所述第一全连接层，用于对输入的所述特征矩阵进行缩放，并采用线性整流函数对缩放后的特征矩阵进行激活，获得激活后的特征矩阵。6.根据权利要求1至3任一项所述的神经网络模型，其特征在于，所述分类模块包括第二全连接层，所述第二全连接层用于对所述新特征向量进行分类，确定所述新特征向量对应为各个类别的人体动作的概率，输出概率最大的所述人体动作为所述当前人体动作。
7.一种动作识别方法，其特征在于，包括：获取多个传感器数据，其中，各个传感器分别布设在人体上的多个位置；将各个所述传感器数据输入训练好的如权利要求1至6任一项所述的神经网络模型，确定当前人体动作。8.根据权利要求7所述的动作识别方法，其特征在于，所述确定当前人体动作包括：根据所述传感器数据进行多次特征提取，获得多个局部特征向量和一个全局特征向量；分别确定各个所述局部特征向量和所述全局特征向量之间的兼容性分数；根据所述兼容性分数分别确定各个所述全局特征向量的权重，基于所述权重，根据所述局部特征向量生成新特征向量；根据所述新特征向量进行分类，确定所述当前人体动作。9.根据权利要求8所述的动作识别方法，其特征在于，所述分别确定各个所述局部特征向量和所述全局特征向量之间的兼容性分数包括：将各个所述局部特征向量分别和所述全局特征向量进行拼接，获得多个拼接向量，根据预设的权重向量和所述拼接向量分别确定各个所述局部特征向量与所述全局特征向量之间的所述兼容性分数；或，将各个所述局部特征向量分别和所述全局特征向量进行点积运算，确定各个所述局部特征向量与所述全局特征向量之间的所述兼容性分数。10.一种动作识别装置，其特征在于，包括：获取模块，用于获取多个传感器数据，其中，各个传感器布设在人体上的多个位置；识别模块，用于将各个所述传感器数据输入训练好的如权利要求1至6任一项所述的神经网络模型，确定当前人体动作。11.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求7至9任一项所述的动作识别方法。