摘要目的探讨基于卷积神经网络(CNN)的人体行为识别在新一代院前急救中的应用。方法从蒙特利尔跌倒视频数据集获取60份视频,按5∶1比例分为模型训练数据和评价测试数据。①数据模型训练:利用奇异值分解对图片进行清晰化处理,通过目标检测与傅里叶变换识别图片中人体的目标边界,将人体曲线描绘出来;利用OpenCv计算机视觉和机器学习软件库人体姿态估计将人体的重要部位(如臀部、膝盖)标出,计算重要部位连线与水平方向的夹角及检测框架的长宽比例,识别人体是否具有异常行为。②评价测试:从模型训练数据集中随机提取6个视频,每个视频抽取10个1帧,将每帧看成一张图片,对每帧进行CNN行为识别,计算正常行为和异常行为的识别率。结果数据模型训练过程中,对每帧进行人为的标签化,训练CNN人体行为识别模型。评测结果显示,正常行为识别率为(90.33±3.03)%,异常行为识别率为(87.74±2.88)%。结论在路人发生危险行为时,通过CNN识别人体行为可判断其是否处于危急状态,并及时发出预警,对院前急救起到至关重要的作用。