在煤炭行业的高风险作业环境下，煤矿井下人体姿态识别技术对保障矿工安全、监控人体姿态、预防危险行为及减少事故发生具有重要意义。基于深度学习算法，提出收集姿态信息及矿工人体姿态识别方法，通过采用加速度计、陀螺仪和磁力计的单兵穿戴装备收集并构建了包含30000条记录的数据库，涵盖了不同工人在5种人体姿态下的姿态数据。同时为了提高识别精度，采用可学习激活函数（KAN网络）对LSTM网络进行改进，改进后的LSTM-KAN人体姿态识别网络模型表现出优异的性能，其识别准确率达到99.27%，与LSTM变种算法BiLSTM、GRU以及传统算法（LightGBM、随机森林、XGBoost）相比，LSTM-KAN模型在准确率上分别提高了2.85%、4.72%、3.47%、7.48%、14.64%、8.48%。同时，LSTM-KAN模型在强噪声环境下仍能保持较高的准确率。
