在人工智能领域，人体行为骨架识别是智能监控、人机交互、机器人等诸多应用的一项关键技术，以老人智能看护为例，判断老人是否正常吃饭、服药、是否有异常行动出现（例如摔倒）；在人机交互系统，猜测对方的“心思”，预测用户的意图；医院的康复训练，评估恢复程度以提供更好的康复指导等。

       检信智能骨架识别建模结构主网络（Main LSTM Network根据对特征进行提取、时域相关性利用和最终的分类），时域注意力 （Temporal Attention）和空域注意力两个子组成。主网络同时引入时域注意力（TA）和空域注意力（SA）网络后，加上联合分类回归的设计，联合分类和回归循环网络（JCR-RNN）实现了快速准确骨架行为检测，检信ALLEOMTION骨架识别的精度实现了大幅提升。

       人体的运动通过15个关节点的移动来描述，关键节点的组合与追踪便能形成对诸多行为例如跳舞、走路、跑步等的刻画，做到通过人体关键节点的运动来识别行为。计算机想要得到到“察言观色”的技能并不那么容易。识别系统不仅需要判断行为动作的类型，也需要定位行为动作发生的位置，即进行行为动作检测。其关键在于两个方面：一方面是如何设计鲁棒和有强判别性的特征，另一方面是如何利用时域相关性来对行为动作的动态变化进行建模。

      基于骨架的行为识别技术，检信智能采用基于LSTM（Long-Short Term Memory）的循环神经网络（RNN）来搭建基础框架，用于学习有效的特征并且对时域的动态过程建模，实现端到端（End-to-End）的行为识别及检测。

     人体骨架由15个关节点的坐标位置表示。“挥拳”行为动作序列示例，行为动作要经历不同的阶段（比如靠近、高潮、结束），涉及到不同的具有判别力的关节点子集合。注意力模型（Attention Model）其方案就是模拟人类对事物的认知，将更多的注意力放在信息量更大的部分。