1.一种基于深度迁移学习的睡姿识别方法，其特征在于过程如下：

步骤1、通过压力传感装置采集目标个体的压力数据集并在上位机中进行预处理和归一化处理，然后使用归一化处理后的数据绘制获得目标个体的柱状压力图集；随机选择睡姿识别模型的最优权重参数中的一组并导入睡姿识别模型，冻结睡姿识别模型中除残差块和全连接层以外的神经元权重参数，然后将目标个体的柱状压力图集输入睡姿识别模型进行目标个体模型训练，运行5个epoch后保存识别准确率最高权重参数，获得目标个体的睡姿识别模型；

所述睡姿识别模型为改进的ResNet18网络，分别在ResNet18网络的第一层和卷积层的最后一层加入卷积注意力模块，并在平均池化层后加BN层，改进后的ResNet18网络依次包括卷积层、卷积注意力模块、最大池化层、四个残差块、卷积注意力模块、平均池化层和全连接层；全连接层的输出维度为2；

步骤2、通过压力传感装置实时采集目标个体的一组压力数据并发送至上位机进行预处理和归一化处理，使用归一化处理后的数据绘制获得目标个体的柱状压力图，然后将目标个体的柱状压力图输入所述目标个体的睡姿识别模型，输出得到目标个体的睡姿识别结果：平躺或侧躺。

2.根据权利要求1所述的一种基于深度迁移学习的睡姿识别方法，其特征在于：

所述一组压力数据为压力传感装置采集一次平躺或侧躺时目标个体的肩颈部的压力数据，每组压力数据均包括9个特征；所述压力数据集为平躺或侧躺时各二十组压力数据；

所述预处理为保留所述压力数据集中数值范围为300～4000的数据，删去数据缺失和数值超范围的压力数据；所述数据缺失和数值超范围为小于300或大于4000；

所述归一化处理为：

其中max为压力数据中每个特征的最大值，min为压力数据中每个特征的最小值，x为当前处理的特征值。

3.根据权利要求2所述的一种基于深度迁移学习的睡姿识别方法，其特征在于：

所述睡姿识别模型的最优权重参数的获取过程为：建立20组数据集B，将数据集B中的源域数据集按组依次输入所述睡姿识别模型，损失函数采用交叉熵，通过源域数据集的训练集和测试集对睡姿识别模型进行训练，运行20个epoch后保存识别准确率最高的模型权重参数，从而获得20组所述睡姿识别模型的最优权重参数。

4.根据权利要求3所述的一种基于深度迁移学习的睡姿识别方法，其特征在于：

所述数据集B的建立过程为：通过压力传感装置采集平躺和侧躺下的肩颈部的压力数据共20个个体数据集，按照睡姿标记分类标签，平躺标记为“0”，侧躺标记为“1”；然后对个体数据集中的压力数据进行所述预处理和所述归一化处理，然后将归一化处理后的个体数据集依次进行柱状图转换处理从而获得柱状压力图集，柱状压力图集按分类标签分为平躺柱状图图集或侧躺柱状图图集；将柱状压力图集按个体分为20份数据，每份数据中的平躺柱状图图集和侧躺柱状图图集均以8：2的比例随机划分为训练集和测试集，轮流取20份数据中的一份作为目标域数据集，余下19份合并作为一份源域数据集，每个目标域数据集和源域数据集均包括训练集和测试集，获得包含20组数据的所述数据集B。

5.根据权利要求4所述的一种基于深度迁移学习的睡姿识别方法，其特征在于：

所述目标域数据集的训练包括为将所述最优权重参数依次导入睡姿识别模型，所述数据集B中的目标域数据集对应地作为睡姿识别模型的输入，每组目标域数据集均进行如下操作：冻结睡姿识别模型中除残差块和全连接层以外的神经元权重参数，使用目标域训练集对神经网络模型进行训练，运行5个epoch，记录每个epoch的识别准确率，取识别准确率最高的模型并保存；然后将目标域测试集输入训练完成的模型，从而获得当前目标域数据集中的测试集对应的模型的识别准确率。

6.根据权利要求5所述的一种基于深度迁移学习的睡姿识别方法，其特征在于：

所述压力传感装置包括压力传感器，压力传感器通过微控制单元MCU与上位机信号连接，压力传感器分别放置于被采集人员的左右肩部和后颈部。