本申请涉及计算机技术领域，尤其涉及一种异常行为的预测方法及装置。
背景技术：
随着人口的老龄化，老年人的有效看护将成为一个日益严重的社会问题。现有的老年人看护方式中，是通过人工全天候的看护，但是，人工护理成本较高，而且，人工护理不可能实现一天24小时聚精会神的看护，存在无法及时发现老年人异常状况(比如跌倒等)的情况，从而无法及时地对老年人出现的异常状况进行处理，进而无法保证老年人的人身安全。
技术实现要素：
本申请实施例的主要目的在于提供一种异常行为的预测方法及装置，能够及时地发现被监测者的异常行为。
本申请实施例提供了一种异常行为的预测方法，包括：
采集被监测者的行为活动数据；
通过分析所述行为活动数据以生成行走状态数据，所述行走状态数据反映了所述被监测者的行走状态；
根据所述行走状态数据预测所述被监测者是否发生异常行为。
可选的，所述采集被监测者的行为活动数据，包括：
利用至少一个红外传感器，采集所述被监测者的行为活动数据。
可选的，所述利用至少一个红外传感器，采集被监测者的行为活动数据，包括：
根据所述至少一个红外传感器的安装位置，确定所述被监测者的位置信息和/或重心信息；
相应地，所述通过分析所述行为活动数据以生成行走状态数据，包括：
通过分析所述位置信息和/或重心信息，以生成行走状态数据。
可选的，所述行走状态数据包括以下一项或多项数据：
所述被监测者的步伐频率；
反映所述被监测者的步态连续性的数据；
反映所述被监测者的步伐变化幅度的数据；
反映所述被监测者的重心变化幅度的数据。
可选的，所述根据所述行走状态数据预测所述被监测者是否发生异常行为，包括：
确定所述行走状态数据中的每一项数据的突变概率，所述突变概率表征了对应项数据在预设时段内的突变频率；
根据所述每一项数据的突变概率，预测所述被监测者发生异常行为的概率；
判断预测出的概率是否大于预设概率阈值；
若是，则预测所述被监测者发生异常行为；若否，则预测所述被监测者未发生异常行为。
可选的，所述预测所述被监测者发生异常行为之后，还包括：
根据所述行走状态数据，预测所述被监测者发生的异常行为类型。
可选的，所述方法还包括：
根据所述异常行为类型与所述被监测者的实际状态，调整所述突变概率的确定方式和/或所述预设概率阈值的大小。
可选的，所述预测所述被监测者发生异常行为之后，还包括：
向至少一个预设通讯设备发送预警信息。
本申请实施例还提供了一种异常行为的预测装置，包括：
行为数据采集单元，用于采集被监测者的行为活动数据；
行走数据获取单元，用于通过分析所述行为活动数据以生成行走状态数据，所述行走状态数据反映了所述被监测者的行走状态；
异常行为预测单元，用于根据所述行走状态数据预测所述被监测者是否发生异常行为。
可选的，所述行为数据采集单元包括：
第一数据采集子单元，用于利用至少一个红外传感器，采集所述被监测者的行为活动数据。
可选的，所述第一数据采集子单元包括：
第二数据采集子单元，用于根据所述至少一个红外传感器的安装位置，确定所述被监测者的位置信息和/或重心信息；
相应地，所述行走数据获取单元包括：
行走数据获取子单元，用于通过分析所述位置信息和/或重心信息，以生成行走状态数据。
可选的，所述行走状态数据包括以下一项或多项数据：
所述被监测者的步伐频率；
反映所述被监测者的步态连续性的数据；
反映所述被监测者的步伐变化幅度的数据；
反映所述被监测者的重心变化幅度的数据。
可选的，所述异常行为预测单元包括：
突变概率确定子单元，用于确定所述行走状态数据中的每一项数据的突变概率，所述突变概率表征了对应项数据在预设时段内的突变频率；
异常概率确定子单元，用于根据所述每一项数据的突变概率，预测所述被监测者发生异常行为的概率；
异常行为预测子单元，用于判断预测出的概率是否大于预设概率阈值；若是，则预测所述被监测者发生异常行为；若否，则预测所述被监测者未发生异常行为。
可选的，所述装置还包括：
行为类型预测单元，用于在所述预测所述被监测者发生异常行为之后，根据所述行走状态数据，预测所述被监测者发生的异常行为类型。
可选的，所述装置还包括：
触发条件调整单元，用于根据所述异常行为类型与所述被监测者的实际状态，调整所述突变概率的确定方式和/或所述预设概率阈值的大小。
可选的，所述装置还包括：
预警信息发送单元，用于在所述预测所述被监测者发生异常行为之后，向至少一个预设通讯设备发送预警信息。
本申请实施例还提供了一种异常行为的预测装置，其特征在于，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述任一项所述的方法。
本申请实施例还提供了一种计算机可读存储介质，所述机算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述异常行为的预测方法的任一实现方法。
本申请实施例提供的一种异常行为的预测方法及装置，采集被监测者的行为活动数据；通过分析所述行为活动数据以生成行走状态数据，所述行走状态数据反映了所述被监测者的行走状态；根据所述行走状态数据预测所述被监测者是否发生异常行为。可见，这种对异常行为的自动预测方式，能够及时地发现被监测者的异常行为，不但降低了人工看护成本，还避免了人工看护不可能实现一天24小时聚精会神的看护问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种异常行为的预测方法的流程示意图之一；
图2为本申请实施例提供的一种异常行为的预测方法的流程示意图之二；
图3为本申请实施例提供的一种异常行为的预测装置的组成示意图；
图4为本申请实施例提供的一种异常行为的预测装置的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例提供了一种异常行为的预测方法，通过采集被监测者的行为活动数据，比如采集老年人的行为活动数据，来分析老年人的行走状态，从而根据对行走状态的分析结果，来预测老年人的行为是否出现异常，从而实现了一种自动看护方式。采用这种自动看护方式，可以大幅降低对老年人的人工看护成本，而且，可以快速及时地对老年人可能出现的异常行为进行精准预测，比如跌倒等，从而可以有效降低老年人可能出现的潜在风险，进而克服了人工看护中不可能一天24小时聚精会神的看护缺陷。
下面对本申请实施例进行具体介绍。
参见图1，为本申请实施例提供的一种异常行为的预测方法的流程示意图，该预测方法包括以下步骤：
s101：采集被监测者的行为活动数据。
需要说明的是，本实施例不限定所述被监测者的具体身份，可以是行动不便的老年人、也可以是身患疾病的病人。
其中，所述行为活动数据是与所述被监测者的行为活动相关的数据。需要说明的是，所述行为活动数据实际是一组时间序列数据，以便基于该时间序列数据对被监测者进行行为预测。
可以在保护个人隐私的前提下，利用包括一个或多个传感器的传感系统，来采集被监测者的行为活动数据。因此，在本申请的一种实施方式中，步骤s101具体可以包括：利用至少一个红外传感器，采集被监测者的行为活动数据。
在本实施方式中，对于被监测者所处的监测环境(比如家里、养老院房间内等)，可以根据该监测环境的布置情况、被监测者在该监测环境内的频繁活动区域、以及传感器感知区域的大小等因素，在该监测环境内安装多个红外传感器，具体安装位置可以结合以上几个因素综合考虑，尽量能够全面监测该被监测者的行为活动。比如，可以将各个红外传感器部署在屋顶、墙侧等位置，由这些安装于不同位置的红外传感器来采集被监测者的行为活动数据，并将采集到的这些数据存入数据库中，以便通过后续步骤进行数据分析。
进一步地，在s101的上述具体实现方式中，具体可以根据所述至少一个红外传感器的安装位置，确定被监测者的位置信息和/或重心信息。即，对于所述行为活动数据，其可以包括被监测者的位置信息和/或被监测者的重心信息，且位置信息和/或重心信息是基于感知了被监测者的红外传感器的安装位置而确定的，接下来，对位置信息和重心信息进行具体说明。
其中，所述位置信息可以是被监测者在监测环境内的相对位置，且该相对位置可以是一个位置区间。
具体来讲，可以预先确定该监测环境的空间大小，并以该监测环境内的一个顶点位置(比如屋顶四个顶点中的一个)为起始坐标，比如起始坐标为(0，0)，这样，该监测环境内的其它顶点位置以及顶点以外位置的位置坐标，都可以是相对于这个起始坐标(0，0)来定义的相对坐标。
基于此，可以预先测量每个红外传感器的位置，从而定义每个红外传感器在该监测环境内的相对坐标。这样，在采集被监测者的位置信息时，可以根据红外传感器的信号输出情况，确定被监测者被哪些红外传感器覆盖感知，然后，根据感知到被监测者的红外传感器的相对坐标，来推断被监测者所在的实际位置。例如，当被监测者同时被传感器a和传感器b这两个红外传感器同时感知，那么，可以确定出被监测者在传感器a和传感器b相交叉的覆盖区域内，从而可以根据传感器a和传感器b的相对坐标，来确定被监测者所处的具体覆盖区域。
其中，所述重心信息可以是根据安装在不同高度的红外传感器的感知结果而推断出的被监测者的重心高度信息，且该高度信息可以是一个高度区间。
具体来讲，被监测者的重心高低可以是基于多个传感器的融合信息来确定的。例如，假设传感器a覆盖的位置高度为1.2米到2米之间，传感器b覆盖的位置高度为0米到1.3米之间，如果传感器a和传感器b同时感知到被监测者，那么，被监测者此时的重心应在1.2米到1.3米之间；如果只有传感器b感知到被监测者，那么被监测者此时的重心应低于1.2米。
s102：通过分析所述行为活动数据以生成行走状态数据，其中，所述行走状态数据反映了所述被监测者的行走状态。
当所述行为活动数据包括被监测者的位置信息和/或重心信息时，相应地，s102具体可以包括：通过分析所述位置信息和/或重心信息，以生成行走状态数据。
在本实施例中，可以基于时间顺序采集的行为活动数据，对被监测者的步伐频率、步态连续性、步伐变化幅度、重心变化幅度等特征数据进行提取和整理，从而形成所述行走状态数据。
因此，在本申请的一种实施方式中，所述行走状态数据可以包括以下4项数据中的一项或多项：
第1项：所述被监测者的步伐频率。
所述步伐频率是指被监测者在预设时长内所走的步数，比如每分钟走了多少步。由于被监测者在行走过程中，其重心是周期性变化的，因此，可以基于上述步骤中提及的重心信息，获知被监测者在行走过程中的重心变化情况，进而确定被监测者在预设时长内所走的步数，比如每分钟走20步。
第2项：反映所述被监测者的步态连续性的数据。
作为一种示例，反映所述步态连续性的数据，可以指步伐频率是否平稳，所述步伐频率的相关解释可以参见第1项所述，在此不再赘述。例如，如果被监测者在前1分钟走了30步，而接下来1分钟走了15步，说明步伐频率变化明显，则表示步伐频率不平稳，从而表示所述步态连续性较差；如果被监测者在前1分钟走了30步，而接下来1分钟走了28步，说明步伐频率变化不明显，则表示步伐频率较平稳，从而表示所述步态连续性较好。
作为另一种示例，反映所述步态连续性的数据，可以指步伐距离是否平稳，所述步伐距离是指被监测者使用预设步数所走的距离、或者是预设距离走了多少步，比如10步走完了7米。例如，如果被监测者在前10步走了7米，而后10步走了2米，说明每步所走的距离变化明显，则表示步伐距离不平稳，从而表示所述步态连续性较差；如果被监测者在前10步走了7米，而后10步走了6米，说明每步所走的距离变化不明显，则表示步伐距离平稳，从而表示所述步态连续性较好。
其中，由于被监测者在行走过程中，其重心是周期性变化的，因此，可以基于上述步骤中提及的重心信息，获知被监测者在行走过程中的重心变化情况，进而确定被监测者在预设时长内所走的步数；而被监测者所走的距离，可以根据上述步骤中提及的位置信息来确定。
第3项：反映所述被监测者的步伐变化幅度的数据。
作为一种示例，所述步伐变化幅度可以指上述第1项或第2项中提及的所述步伐频率的变化幅度，此处称之为步频变化。具体地，步数和时长可以决定步伐的频率，根据每个时间段(被监测者在行走状态下)的统计结果，比如每1分钟对被监测者统计一次步数，按此统计结果计算一次平均步频大小，这样可以计算出步频变化数据。例如，如果被监测者在前1分钟的平均步频为30步/分钟，而接下来1分钟的平均步频为16步/分钟，则表示步频变化值(降低值)为14。
作为另一种示例，所述步伐变化幅度可以指上述第2项中提及的所述步伐距离的变化幅度，此处称之为步幅变化。具体地，步数和距离可以决定步幅大小(即平均每步所走的距离)，根据每个距离段(被监测者在行走状态下)的统计结果，比如被监测者每走3米对被监测者统计一次步数，按此统计结果计算一次平均步幅大小，这样可以计算出步幅变化数据。例如，如果被监测者在前3米的平均步幅为0.5米/步，在后3米的平均步幅为0.2米/步，则表示步幅变化值(降低值)为0.3。
第4项：反映所述被监测者的重心变化幅度的数据。
所述重心变化幅度可以指被监测者在行走过程中重心高低变化的幅度。由于人在行走过程中，其重心是周期性变化的，因此，可以基于上述被监测者的重心信息，获知被监测者在行走过程中的重心变化幅度。例如，如果被监测者在前后1分钟的重心变化幅度不超过正负0.5米，则表示重心变化幅度正常，否则表示重心变化幅度异常。
s103：根据所述行走状态数据预测所述被监测者是否发生异常行为。
在生成所述行走状态数据后，可以根据所述行走状态数据中每一项数据的突变频率，来预测被监测者是否发生异常行为。
这样，如图2所示，在本申请的一种实施方式中，步骤s103具体可以包括以下步骤：
s201：确定所述行走状态数据中的每一项数据的突变概率，所述突变概率表征了对应项数据在预设时段内的突变频率。
在本实施例中，如果所述行走状态数据包括上述第1项数据，即所述被监测者的步伐频率，则需要确定步伐频率的突变概率pr1，具体可以根据既往步伐频率数据的统计结果和当前步伐频率数据来计算。作为一种示例，该突变概率pr1可以根据一段时间内所述步伐频率的突变次数来计算，例如，在当前时刻开始的之前一段时间(比如15分钟)内，步伐频率突变的情况出现3次，那么pr1＝3％。
在本实施例中，如果所述行走状态数据包括上述第2项数据，即反映所述被监测者的步态连续性的数据，则需要确定步态连续性的突变概率pr2，具体可以根据既往步态连续性数据的统计结果和当前步态连续性数据来计算。作为一种示例，该突变概率pr2可以根据一段时间内所述步态连续性的突变次数来计算，例如，在当前时刻开始的之前一段时间(比如15分钟)内，步态连续性突变的情况出现3次，那么pr2＝3％。
在本实施例中，如果所述行走状态数据包括上述第3项数据，即反映所述被监测者的步伐变化幅度的数据，则需要确定步伐变化幅度的突变概率pr3，具体可以根据既往步伐变化幅度的统计结果和当前步伐变化幅度数据来计算。作为一种示例，该突变概率pr3可以根据一段时间内所述步伐变化幅度的突变次数来计算，例如，在当前时刻开始的之前一段时间(比如15分钟)内，步伐变化幅度突变的情况出现3次，那么pr3＝3％。
在本实施例中，如果所述行走状态数据包括上述第4项数据，即反映所述被监测者的重心变化幅度的数据，则需要确定重心变化幅度的突变概率pr4，具体可以根据既往步重心变化幅度的统计结果和当前重心变化幅度数据来计算。作为一种示例，该突变概率pr4可以根据一段时间内所述重心变化幅度的突变次数来计算，例如，在当前时刻开始的之前一段时间(比如15分钟)内，重心变化幅度突变的情况出现3次，那么pr4＝3％。
s202：根据所述每一项数据的突变概率，预测所述被监测者发生异常行为的概率。
将上述突变概率参数输入到预先建立的异常行为预测模型中，可以预测出被监测者发生异常行为的概率pr，具体如下：
pr＝1-(1-pr1)*(1-pr2)*(1-pr3)*(1-pr4)*100％
需要说明的是，对于所述行走状态数据不包括的数据项，数据项对应的突变概率值为1。
s203：判断预测出的概率是否大于预设概率阈值；若是，则预测所述被监测者发生异常行为；若否，则预测所述被监测者未发生异常行为。
可以设定一个概率阈值，当概率pr大于该概率阈值，便判定所述被监测者发生异常行为，反之，当概率pr不大于该概率阈值，便判定所述被监测者没有发生异常行为。其中，该概率阈值可以根据统计经验确定，还可以根据被监测者的实际情况进行调整。
进一步地，当通过上述步骤s103或步骤s203预测出所述被监测者发生异常行为之后，本实施例还可以预测所述被监测者发生了哪类异常行为，因此，在本申请的一种实施方式中，还可以包括：根据所述行走状态数据，预测所述被监测者发生的异常行为类型。
在本实施方式中，对于步骤s102中介绍的关于所述行走状态数据所包含的各项数据，即关于步伐频率、步态连续性、步伐变化幅度、重心变化幅度等相关数据，可以利用其中一项数据或多项数据，来预测被监测者可能出现的异常行为类型。
例如，可以从被监测者的步伐变化幅度数据中，判断其步伐是否突然加快或突然放缓；如果步伐突然加快，被监测者的异常行为类型可以为“可能摔倒”；如果步伐突然放缓，被监测者的异常行为类型可以为“可能晕倒”。
在此基础上，可以进一步结合被监测者的重心变化幅度数据进行预测。具体地，可以结合具体发生时间，从被监测者的重心变化幅度数据中判断其人体重心是否突然下降；如果重心突然下降且上述判断得出步伐突然加快，则被监测者的异常行为类型可以为“摔倒”；如果重心没有突然下降且上述判断得出步伐突然加快，则被监测者的异常行为类型可以为“未成功摔倒”；如果重心突然下降且上述判断得出步伐突然放缓，则被监测者的异常行为类型可以为“晕倒”；如果重心没有突然下降且上述判断得出步伐突然放缓，则被监测者的异常行为类型可以为“精神状态欠佳”。
进一步地，当通过上述步骤s103或步骤s203预测出所述被监测者发生异常行为之后，可以触发预警功能，具体可以向至少一个预设通讯设备发送预警信息。其中，所述预设通讯设备可以是监护人或紧急联系人的通讯设备，例如，如果被监测者所处的监测环境为家里，则所述预设通讯设备可以是被监测者的家人或邻居的手机；如果被监测者所处的监测环境为医院或养老院，所述预设通讯设备可以是被监测者的家人或相关负责人。其中，所述预警信息可以是表示被监测者发生了异常行为的提示信息，比如文字和/或语音信息，在此基础上，还可以给出具体的异常行为类型。
进一步地，当预测出所述被监测者发生的异常行为类型之后，由于该异常行为类型是预测结果，该预测结果可能准确也可能不准确，因此，可以获取监护人等反馈的实际信息，以确定预测结果与所述被监测者的实际状态是否相符，从而实现预测系统参数的自我学习和调整优化，即，基于被监测者的实际情况，调整发出预警的触发条件和参数。
因此，在本申请的一种实施方式中，可以根据所述异常行为类型与所述被监测者的实际状态，调整所述突变概率的确定方式和/或所述预设概率阈值的大小。例如，当被监测者的步频从每分钟10步变化为每分钟14步，虽然出现这种变化但被监测者实际未发生异常现象，可以通过调整该数据对应的突变概率确定方式和/或所述预设概率阈值的大小，来避免预警信息的触发。
综上，本申请实施例提供的一种异常行为的预测方法，采集被监测者的行为活动数据；通过分析所述行为活动数据以生成行走状态数据，所述行走状态数据反映了所述被监测者的行走状态；根据所述行走状态数据预测所述被监测者是否发生异常行为。可见，这种对异常行为的自动预测方式，能够及时地发现被监测者的异常行为，不但降低了人工看护成本，还避免了人工看护不可能实现一天24小时聚精会神的看护问题。
参见图3，为本申请实施例提供的一种异常行为的预测装置的组成示意图，该预测装置300包括：
行为数据采集单元301，用于采集被监测者的行为活动数据；
行走数据获取单元302，用于通过分析所述行为活动数据以生成行走状态数据，所述行走状态数据反映了所述被监测者的行走状态；
异常行为预测单元303，用于根据所述行走状态数据预测所述被监测者是否发生异常行为。
在本申请的一种实施方式中，所述行为数据采集单元301包括：
第一数据采集子单元，用于利用至少一个红外传感器，采集所述被监测者的行为活动数据。
在本申请的一种实施方式中，所述第一数据采集子单元包括：
第二数据采集子单元，用于根据所述至少一个红外传感器的安装位置，确定所述被监测者的位置信息和/或重心信息；
相应地，所述行走数据获取单元302包括：
行走数据获取子单元，用于通过分析所述位置信息和/或重心信息，以生成行走状态数据。
在本申请的一种实施方式中，所述行走状态数据包括以下一项或多项数据：
所述被监测者的步伐频率；
反映所述被监测者的步态连续性的数据；
反映所述被监测者的步伐变化幅度的数据；
反映所述被监测者的重心变化幅度的数据。
在本申请的一种实施方式中，所述异常行为预测单元303包括：
突变概率确定子单元，用于确定所述行走状态数据中的每一项数据的突变概率，所述突变概率表征了对应项数据在预设时段内的突变频率；
异常概率确定子单元，用于根据所述每一项数据的突变概率，预测所述被监测者发生异常行为的概率；
异常行为预测子单元，用于判断预测出的概率是否大于预设概率阈值；若是，则预测所述被监测者发生异常行为；若否，则预测所述被监测者未发生异常行为。
在本申请的一种实施方式中，所述装置300还包括：
行为类型预测单元，用于在所述预测所述被监测者发生异常行为之后，根据所述行走状态数据，预测所述被监测者发生的异常行为类型。
在本申请的一种实施方式中，所述装置300还包括：
触发条件调整单元，用于根据所述异常行为类型与所述被监测者的实际状态，调整所述突变概率的确定方式和/或所述预设概率阈值的大小。
在本申请的一种实施方式中，所述装置300还包括：
预警信息发送单元，用于在所述预测所述被监测者发生异常行为之后，向至少一个预设通讯设备发送预警信息。
参见图4，为本申请实施例提供的一种异常行为的预测装置的硬件结构示意图，所述装置400包括存储器401和接收器402，以及分别与所述存储器401和所述接收器402连接的处理器403，所述存储器401用于存储一组程序指令，所述处理器403用于调用所述存储器401存储的程序指令执行如下操作：
采集被监测者的行为活动数据；
通过分析所述行为活动数据以生成行走状态数据，所述行走状态数据反映了所述被监测者的行走状态；
根据所述行走状态数据预测所述被监测者是否发生异常行为。
在本申请的一种实施方式中，所述处理器403还用于调用所述存储器401存储的程序指令执行如下操作：
利用至少一个红外传感器，采集所述被监测者的行为活动数据。
在本申请的一种实施方式中，所述处理器403还用于调用所述存储器401存储的程序指令执行如下操作：
根据所述至少一个红外传感器的安装位置，确定所述被监测者的位置信息和/或重心信息；
通过分析所述位置信息和/或重心信息，以生成行走状态数据。
在本申请的一种实施方式中，所述行走状态数据包括以下一项或多项数据：
所述被监测者的步伐频率；
反映所述被监测者的步态连续性的数据；
反映所述被监测者的步伐变化幅度的数据；
反映所述被监测者的重心变化幅度的数据。
在本申请的一种实施方式中，所述处理器403还用于调用所述存储器401存储的程序指令执行如下操作：
确定所述行走状态数据中的每一项数据的突变概率，所述突变概率表征了对应项数据在预设时段内的突变频率；
根据所述每一项数据的突变概率，预测所述被监测者发生异常行为的概率；
判断预测出的概率是否大于预设概率阈值；
若是，则预测所述被监测者发生异常行为；若否，则预测所述被监测者未发生异常行为。
在本申请的一种实施方式中，所述处理器403还用于调用所述存储器401存储的程序指令执行如下操作：
根据所述行走状态数据，预测所述被监测者发生的异常行为类型。
在本申请的一种实施方式中，所述处理器403还用于调用所述存储器401存储的程序指令执行如下操作：
根据所述异常行为类型与所述被监测者的实际状态，调整所述突变概率的确定方式和/或所述预设概率阈值的大小。
在本申请的一种实施方式中，所述处理器403还用于调用所述存储器401存储的程序指令执行如下操作：
向至少一个预设通讯设备发送预警信息。
在一些实施方式中，所述处理器403可以为中央处理器(centralprocessingunit，cpu)，所述存储器401可以为随机存取存储器(randomaccessmemory，ram)类型的内部存储器，所述接收器402可以包含普通物理接口，所述物理接口可以为以太(ethernet)接口或异步传输模式(asynchronoustransfermode，atm)接口。所述处理器403、接收器402和存储器401可以集成为一个或多个独立的电路或硬件，如：专用集成电路(applicationspecificintegratedcircuit，asic)。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述机算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述异常行为的预测方法的任一实现方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。