本发明涉及计算机技术领域，尤其涉及一种行为分析方法、装置、服务器、系统以及计算机可读存储介质。
背景技术：
精神障碍指的是大脑机能活动发生紊乱，导致认知、情感、行为和意志等精神活动不同程度障碍的总称。目前，我国有17.5％的人有精神障碍，严重精神障碍患者发病率为1％，2017年单广东省就发生70余宗严重精神障碍患者肇事肇祸案件，致数十人死亡，严重影响地方社会安定。
在实现本发明的过程中，发明人发现：当前社会对于严重精神障碍患者的防治过程，通常通过精神医院的长期住院治疗，但是，由于高昂的医药费用，部分家庭无法承担其长期住院治疗产生的高昂费用，其精神障碍患者只能看护在家中，常常会导致由于看护不当导致病患肇事肇祸案事件的发生，因此，急需建立严重精神障碍患者社会化服务管理机制。
技术实现要素：
针对上述问题，本发明的目的在于提供一种行为分析方法、装置、服务器、系统以及计算机可读存储介质，实时监测精神障碍患者的行为，实现对精神障碍患者的智能看护。
第一方面，本发明第一实施例提供了一种行为分析方法，包括以下步骤：
实时接收智能穿戴设备传输的行为数据以及对应的行为时间参数；
每隔预设时间段，根据所述行为时间参数获取该时间段内的所有行为数据，并对所述所有行为数据进行预处理，以生成行为特征数据；
根据所述行为特征数据，通过预先建立的行为识别模型，获取所述时间段对应的行为类型；
根据所述行为类型以及对应的所述时间段，通过预先建立的行为规律表，生成对应于所述时间段的行为识别分析结果；其中，所述行为规律表存储有每一时间段对应的行为类型；所述行为识别分析结果包括正常行为结果以及异常行为结果。
在第一方面的第一种实现方式中，所述实时接收智能穿戴设备传输的行为数据以及对应的行为时间参数，具体为：
实时接收所述智能穿戴设备传输的合加速度数据、位置数据、环境数据、体征数据以及对应的行为时间参数；其中，所述合加速度数据为所述智能穿戴设备根据实时采集的三维加速度数据计算获取的；设合加速度为a，设三维加速度分别为ax、ay、az，则
根据第一方面的第一种实现方式，在第一方面的第二种实现方式中，所述每隔预设时间段，根据所述行为时间参数获取该时间段内的所有行为数据，并对所述所有行为数据进行预处理，以生成行为特征数据，具体为：
每隔预设时间段，根据所述行为时间参数获取该时间段内的所有合加速度数据、位置数据、环境数据以及体征数据；
根据所述所有合加速度数据计算该时间段内的合加速度特征数据；其中，所述行为特征数据至少包括所述所有合加速度数据的均值、标准差、最大值、最小值中的任意一个或多个；
根据所述合加速度特征数据、位置数据、环境数据以及体征数据，生成行为特征数据。
根据第一方面的第二种实现方式，在第一方面的第三种实现方式中，所述根据所述行为特征数据，通过预先建立的行为识别模型，获取所述时间段对应的行为类型，具体为：
将所述行为特征数据作为所述行为识别模型的输入值，以从所述行为识别模型从获取所述时间段对应的行为类型；其中，所述行为类型包括静止、行走以及跑步。
根据第一方面的第三种实现方式，在第一方面的第四种实现方式中，所述行为识别模型的建立过程包括以下步骤：
获取对应于所述智能穿戴设备的样本数据；其中，所述样本数据包括每一预设时间段内的合加速度数据、位置数据、环境数据、体征数据，以及该时间段对应的行为类型；所述行为类型包括静止、行走以及跑步；
对所述合加速度数据、位置数据、环境数据以及体征数据进行预处理，以生成样本特征数据；
根据所述行为类型对所述样本特征数据进行聚类，以获取每一所述行为类型所对应的样本特征数据；
根据所述行为类型以及对应的样本特征数据，通过支持向量机算法进行训练，以生成所述行为识别模型。
在第一方面的第五种实现方式中，还包括：
将所述行为识别分析结果发送给与所述智能穿戴设备关联的关联终端，以使所述关联终端显示所述行为识别分析结果。
第二方面，本发明实施例提供了一种行为分析装置，包括以下步骤：
行为数据获取单元，用于实时接收智能穿戴设备传输的行为数据以及对应的行为时间参数；
预处理单元，用于每隔预设时间段，根据所述行为时间参数获取该时间段内的所有行为数据，并对所述所有行为数据进行预处理，以生成行为特征数据；
行为类型获取单元，用于根据所述行为特征数据，通过预先建立的行为识别模型，获取所述时间段对应的行为类型；
行为识别分析单元，用于根据所述行为类型以及对应的所述时间段，通过预先建立的行为规律表，生成对应于所述时间段的行为识别分析结果；其中，所述行为规律表存储有每一时间段对应的行为类型；所述行为识别分析结果包括正常行为结果以及异常行为结果。
第三方面，本发明实施例提供了一种行为分析服务器，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的行为分析方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第二方面中任意一项所述的行为分析方法。
第五方面，本发明实施例提供了一种行为分析系统，包括如第三方面所述的行为分析服务器、至少一个智能穿戴设备以及至少一个与所述智能穿戴设备关联的关联终端；
所述智能穿戴设备，用于实时采集行为数据，并将所述行为数据传输给所述行为分析服务器；
所述行为分析服务器，用于实时接收智能穿戴设备传输的行为数据；
所述行为分析服务器，还用于每隔预设时间段，获取该时间段内的所有行为数据，并对所述所有行为数据进行预处理，以生成行为特征数据；
所述行为分析服务器，还用于根据所述行为特征数据，通过预先建立的行为识别模型，获取所述时间段内的行为类型；
所述行为分析服务器，还用于根据所述行为类型以及对应的所述时间段，通过预先建立的行为规律表，生成对应于所述时间段的行为识别分析结果；其中，所述行为规律表存储有每一时间段对应的行为类型；所述行为识别分析结果包括正常行为结果以及异常行为结果；
所述行为分析服务器，还用于将所述行为识别分析结果发送给与所述智能穿戴设备关联的关联终端；
所述关联设备，用于接收并显示所述行为识别分析结果。
以上实施例具有如下有益效果：
通过实时接收智能穿戴设备传输的行为数据以及对应的行为时间参数，并在每隔预设时间段，根据所述行为时间参数获取该时间段内的所有行为数据，并对所述所有行为数据进行预处理，以生成行为特征数据，再根据所述行为特征数据，通过预先建立的行为识别模型，获取所述时间段对应的行为类型，最后根据所述行为类型以及对应的所述时间段，通过预先建立的行为规律表，生成对应于所述时间段的行为识别分析结果，通过行为识别模型对患者的行为数据进行识别以确定用户在该时间段的行为，并结合患者行为规律进行识别患者行为的异常情况，实时监测精神障碍患者的行为，通过对精神障碍患者的安全识别实现对精神障碍患者的智能看护，避免由于人工看护的不周对精神障碍患者以及其他人造成伤害，同时也降低了看护的精力和成本。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的行为分析方法的流程示意图。
图2是本发明第二实施例提供的行为分析装置的结构示意图。
图3是本发明第三实施例提供的行为分析服务器的结构示意图。
图4是本发明第五实施例提供的行为分析系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明第一实施例提供了一种行为分析方法，其可由行为分析服务器来执行，并包括以下步骤：
s11，实时接收智能穿戴设备传输的行为数据以及对应的行为时间参数。
在本发明实施例中，所述行为分析方法集成于所述行为分析服务器上，由所述行为分析服务器来执行。
在本发明实施例中，将所述智能穿戴设备配置到目标患者身上并启动，以通过所述智能穿戴设备实时采集所述目标患者的行为数据，并将所述目标数据的行为数据以及对应的行为时间参数发送给所述行为分析服务器，以使得所述行为分析服务器实时接收智能穿戴设备传输的行为数据以及对应的行为时间参数，需要说明的是，本发明对于所述智能穿戴设备的具体形式不做任何限定，可依据实际情况进行具体设置，例如，所述智能穿戴设备可为智能手环等。
在本发明实施例中，具体地，所述智能穿戴设备上至少包括有加速度传感器、gps模块、温湿度传感器、心率传感器等等，以在佩戴到所述目标患者身上并启动之后，通过所述智能穿戴设备上具有的处理模块(例如mcu模块)获取所述三维加速度数据、位置数据、温湿度等环境数据、心率等体征数据，为了避免方向的影响，所述智能穿戴设备的处理模块根据所述三维加速度数据计算合加速度数据，然后通过所述智能穿戴设备上具有的无线传输模块实时将所述合加速度数据、位置数据、温湿度等环境数据、心率等体征数据以及采集以上数据对应的行为时间参数发送给所述行为分析服务器，需要说明的是，所述智能穿戴设备上的加速度传感器、gps模块、温湿度传感器、心率传感器以及无线传输模块，分别与所述处理模块连接，然后所述行为分析服务器实时接收所述智能穿戴设备传输的合加速度数据、位置数据、环境数据、体征数据以及对应的行为时间参数；其中，所述合加速度数据为所述智能穿戴设备根据实时采集的三维加速度数据计算获取的；设合加速度为a，设三维加速度分别为ax、ay、az，则
s12，每隔预设时间段，根据所述行为时间参数获取该时间段内的所有行为数据，并对所述所有行为数据进行预处理，以生成行为特征数据。
在本发明实施例中，具体地，所述行为分析服务器每隔预设时间段，根据所述行为时间参数获取该时间段内的所有合加速度数据、位置数据、环境数据以及体征数据，需要说明的是，所述预设时间段与所述智能穿戴设备的所述行为时间参数对应，所述智能穿戴设备根据采集的行为数据，可能会在单位时间内，如1秒内实时采集并发送n条行为数据(n≥1)，因为所述智能穿戴设备采集速度极其快，而实际生活中人的反应速度和行为速度并没有以秒为单位进行行动，因此根据一条行为数据确定用户的行为是不贴切的，在本申请，则所述行为分析服务器每隔预设时间段，根据所述行为时间参数获取该时间段内的所有合加速度数据、位置数据、环境数据以及体征数据，例如每隔1分钟获取1分钟内的所有行为数据，在11点12分的时间点上，根据所有行为时间参数获取在11点11分～11点12分之间所述智能穿戴设备采集到的行为数据，然后所述行为分析服务器根据所述所有合加速度数据计算该时间段内的合加速度特征数据，所述行为特征数据至少包括所述所有合加速度数据的均值、标准差、最大值、最小值中的任意一个或多个，最后根据所述合加速度特征数据、位置数据、环境数据以及体征数据，生成行为特征数据。
s13，根据所述行为特征数据，通过预先建立的行为识别模型，获取所述时间段对应的行为类型。
在本发明实施例中，具体地，所述行为分析服务器将所述行为特征数据作为所述行为识别模型的输入值，以从所述行为识别模型从获取所述时间段对应的行为类型，所述行为类型包括静止、行走以及跑步，所述行为识别模型基于支持向量机算法建立的。
s14，根据所述行为类型以及对应的所述时间段，通过预先建立的行为规律表，生成对应于所述时间段的行为识别分析结果；其中，所述行为规律表存储有每一时间段对应的行为类型；所述行为识别分析结果包括正常行为结果以及异常行为结果。
在本发明实施例中，所述行为分析服务器根据所述行为类型以及对应的所述时间段，通过预先建立的行为规律表进行比对处理，以判断所述行为类型在该时间段是否符合行为规律，所述行为规律表根据记录的所述目标患者的行为类型以及对应的行为时间参数进一步分析获取的，所述行为规律表存储有每一时间段对应的行为类型，若所述行为判断服务器判断在所述时间段的行为类型不符合行为规律，则确认所述目标患者在该时间段存在异常行为，生成异常行为结果，若判断在所述时间段的行为类型符合行为规律，则认为所述目标患者在该时间段行为正常，生成正常行为结果。
综上所述，本发明第一实施例提供了一种行为分析方法，通过实时接收智能穿戴设备传输的行为数据以及对应的行为时间参数，并在每隔预设时间段，根据所述行为时间参数获取该时间段内的所有行为数据，并对所述所有行为数据进行预处理，以生成行为特征数据，再根据所述行为特征数据，通过预先建立的行为识别模型，获取所述时间段对应的行为类型，最后根据所述行为类型以及对应的所述时间段，通过预先建立的行为规律表，生成对应于所述时间段的行为识别分析结果，通过行为识别模型对患者的行为数据进行识别以确定用户在该时间段的行为，并结合患者行为规律进行识别患者行为的异常情况，实时监测精神障碍患者的行为，通过对精神障碍患者的安全识别实现对精神障碍患者的智能看护，避免由于人工看护的不周对精神障碍患者以及其他人造成伤害，同时也降低了看护的精力和成本。
为了便于对本发明的理解，下面将对本发明的一些优选实施例做更进一步的描述。
优选地，在本发明第一实施例的基础上，所述行为识别模型的建立过程包括以下步骤：
获取对应于所述智能穿戴设备的样本数据；其中，所述样本数据包括每一预设时间段内的合加速度数据、位置数据、环境数据、体征数据，以及该时间段对应的行为类型；所述行为类型包括静止、行走以及跑步。
对所述合加速度数据、位置数据、环境数据以及体征数据进行预处理，以生成样本特征数据。
根据所述行为类型对所述样本特征数据进行聚类，以获取每一所述行为类型所对应的样本特征数据。
根据所述行为类型以及对应的样本特征数据，通过支持向量机算法进行训练，以生成所述行为识别模型。
在本发明实施例中，所述行为分析服务器首先进行穿戴所述智能穿戴设备的患者的样本数据采集，所述样本数据包括每一预设时间段内的合加速度数据、位置数据、环境数据、体征数据，以及该时间段对应的行为类型，并对所述样本数据进行初步数据分析处理，例如对空缺值进行填补均值，去除奇异值数据，判断样本数据中有哪一些特征对聚类具有消极作用，并对这些特征数据另行保存，不输入到聚类算法中，所述行为分析服务器对所述合加速度数据、位置数据、环境数据以及体征数据进行预处理，以生成样本特征数据获取样本数据，其中，根据所述合加速度数据计算合加速度特征数据，包括所述合加速度数据的均值、标准差、最大值、最小值，然后根据所述合加速度特征数据、位置数据、环境数据以及体征数据，生成行为特征数据，例如定义为{xi,yi}，其中i＝1,2,…,l,x∈rn，y＝{+1,-1}，l为样本数，n为样本特征个数，x对应于每一预设时间段内的所述合加速度数据、位置数据、环境数据、体征数据，y对应于该时间段对应的行为类型，所述行为分析服务器根据所述行为类型对所述样本特征数据进行聚类，以获取每一所述行为类型所对应的样本特征数据，通过聚类算法优化，使两个子类之间的可分性尽可能强，生成最优二叉决策树结构，最终依据该结构来训练子分类器，包括：s01:将全部训练样本集作为初始根节点，在根节点调用聚类算法优化，将原始训练样本合并划分为两类，形成两个子节点；s02:判断该子节点是否是只存在一个类，若是进入s04，若不是则进入s03；s03:对该子节点继续调用聚类算法优化，将其再划分为两个子节点，进入s02。；s04:该节点为叶子节点，算法结束；其中，所述聚类算法优化具体包括：s001:随机初始化聚类中心的学习率和位置(聚类中心)；s002:按照最邻近法则对数据进行划分，依照适应度的计算公式，计算每个聚类中心的适应度值，更新样本信息的个体极值；s003:聚类中心设定20％可能性随机选取位置，并寻找全局极值和全局极值位置；s004:若达到簇的成员不再变化，则输出最优聚类中心的位置即最优的2个聚类中心；若未达到结束条件，则返回s002；聚类优化算法需要预先设定簇的个数，所述簇的个数即聚类的种类个数，在本申请中簇即为行为类型，簇的个数对应行为类型的种类个数，一个样本代表各簇的聚类中心，样本xi表示为:xi＝{ci1,ci1,…,cij}，式中:cij表示第i个样本所代表的第j个类别的分类中心，则每个聚类中心代表一种对数据集的分类，整个聚类点代表了对数据集的多种划分方案；算法中的聚类中心的适应度函数为：
优选地，在本发明第一实施例的基础上，所述行为分析方法还包括：
将所述行为识别分析结果发送给与所述智能穿戴设备关联的关联终端，以使所述关联终端显示所述行为识别分析结果。
在本发明实施例中，所述行为分析服务器在获取到所述行为识别分析结果之后，将所述行为识别分析结果发送给与所述智能穿戴设备关联的关联终端，以使所述关联终端接收并显示所述行为识别分析结果，若所述行为分析结果为异常行为结果，则所述行为分析服务器生成报警提醒并将所述报警提成发送至与所述智能穿戴设备关联的关联终端，以便及时提醒，保证患者的安全。
请参阅图2，本发明第二实施例提供了一种行为分析装置，包括以下步骤：
行为数据获取单元11，用于实时接收智能穿戴设备传输的行为数据以及对应的行为时间参数。
预处理单元12，用于每隔预设时间段，根据所述行为时间参数获取该时间段内的所有行为数据，并对所述所有行为数据进行预处理，以生成行为特征数据。
行为类型获取单元13，用于根据所述行为特征数据，通过预先建立的行为识别模型，获取所述时间段对应的行为类型。
行为识别分析单元14，用于根据所述行为类型以及对应的所述时间段，通过预先建立的行为规律表，生成对应于所述时间段的行为识别分析结果；其中，所述行为规律表存储有每一时间段对应的行为类型；所述行为识别分析结果包括正常行为结果以及异常行为结果。
在第二实施例的第一种实现方式中，所述行为数据获取单元11具体包括：
实时接收所述智能穿戴设备传输的合加速度数据、位置数据、环境数据、体征数据以及对应的行为时间参数；其中，所述合加速度数据为所述智能穿戴设备根据实时采集的三维加速度数据计算获取的；设合加速度为a，设三维加速度分别为ax、ay、az，则
根据第二实施例的第一种实现方式，在第二实施例的第二种实现方式中，所述预处理单元12具体包括：
行为数据获取模块，用于每隔预设时间段，根据所述行为时间参数获取该时间段内的所有合加速度数据、位置数据、环境数据以及体征数据。
特征数据计算模块，用于根据所述所有合加速度数据计算该时间段内的合加速度特征数据；其中，所述行为特征数据至少包括所述所有合加速度数据的均值、标准差、最大值、最小值中的任意一个或多个。
行为特征数据生成模块，用于根据所述合加速度特征数据、位置数据、环境数据以及体征数据，生成行为特征数据。
根据第二实施例的第二种实现方式，在第二实施例的第三种实现方式中，所述行为类型获取单元13具体包括：
将所述行为特征数据作为所述行为识别模型的输入值，以从所述行为识别模型从获取所述时间段对应的行为类型；其中，所述行为类型包括静止、行走以及跑步。
根据第二实施例的第三种实现方式，在第二实施例的第四种实现方式中，所述行为识别模型的建立过程包括以下步骤：
样本数据获取单元，用于获取对应于所述智能穿戴设备的样本数据；其中，所述样本数据包括每一预设时间段内的合加速度数据、位置数据、环境数据、体征数据，以及该时间段对应的行为类型；所述行为类型包括静止、行走以及跑步。
样本预处理单元，用于对所述合加速度数据、位置数据、环境数据以及体征数据进行预处理，以生成样本特征数据。
样本聚类单元，用于根据所述行为类型对所述样本特征数据进行聚类，以获取每一所述行为类型所对应的样本特征数据。
模型训练单元，用于根据所述行为类型以及对应的样本特征数据，通过支持向量机算法进行训练，以生成所述行为识别模型。
在第二实施例的第五种实现方式中，还包括：
结果传输单元，用于将所述行为识别分析结果发送给与所述智能穿戴设备关联的关联终端，以使所述关联终端显示所述行为识别分析结果。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
参见图3，是本发明第三实施例提供的行为分析服务器的示意图。如图3所示，该行为分析服务器包括：至少一个处理器11，例如cpu，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括usb接口以及其他标准接口、有线接口。网络接口14可选的可以包括wi-fi接口以及其他无线接口。存储器15可能包含高速ram存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:
操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；
程序152。
具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的行为分析服务器，例如图1所示的步骤s11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如行为数据获取单元。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述行为分析服务器中的执行过程。
所述行为分析服务器可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是行为分析服务器的示例，并不构成对行为分析服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述行为分析服务器还可以包括输入输出设备、网络接入设备、总线等。
所称处理器11可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器11是所述行为分析服务器的控制中心，利用各种接口和线路连接整个行为分析服务器的各个部分。
所述存储器15可用于存储所述计算机程序和/或模块，所述处理器11通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述行为分析服务器的各种功能。所述存储器15可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明第四实施例提供了一种计算机可读存储介质，所述行为分析服务器集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
请参阅图4，本发明第五实施例提供了一种行为分析系统，包括如第三实施例所述的行为分析服务器21、至少一个智能穿戴设备22以及至少一个与所述智能穿戴设备关联的关联终端23。
所述智能穿戴设备22，用于实时采集行为数据，并将所述行为数据传输给所述行为分析服务器21。
所述行为分析服务器21，用于实时接收智能穿戴设备22传输的行为数据。
所述行为分析服务器21，还用于每隔预设时间段，获取该时间段内的所有行为数据，并对所述所有行为数据进行预处理，以生成行为特征数据。
所述行为分析服务器21，还用于根据所述行为特征数据，通过预先建立的行为识别模型，获取所述时间段内的行为类型。
所述行为分析服务器21，还用于根据所述行为类型以及对应的所述时间段，通过预先建立的行为规律表，生成对应于所述时间段的行为识别分析结果；其中，所述行为规律表存储有每一时间段对应的行为类型；所述行为识别分析结果包括正常行为结果以及异常行为结果。
所述行为分析服务器21，还用于将所述行为识别分析结果发送给与所述智能穿戴设备22关联的关联终端23。
所述关联设备23，用于接收并显示所述行为识别分析结果。
优选地，所述行为分析服务器21，还用于当判断所述行为识别分析结果为异常行为结果时，向所述与所述智能穿戴设备22关联的所述关联终端23发送报警提醒。
所述关联设备23，还用于接收并显示所述报警提醒。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。