本发明公开了一种基于智能穿戴设备的行为分类方法及系统，包括：智能穿戴设备端采集用户的行为数据，将行为数据发送至服务器；其中，行为数据包括实时生理体征数据、实时运动数据及定位数据；服务器根据预先获取的训练样本和行为数据对预先建立的分类器进行训练，得到行为识别模型，并将行为识别模型反馈到智能穿戴设备端；智能穿戴设备端采用行为识别模型对用户进行监测，得到行为识别结果，并将行为识别结果发送至终端设备端，以使终端设备端对行为识别结果进行显示，能有效解决现有技术的智能穿戴设备无法结合采集到的用户的行为数据规律识别出该用户的行为的问题，能有效提高行为识别的准确度，有利于产品化。
一种基于智能穿戴设备的行为分类方法及系统
技术领域
[0001] 本发明涉及智能化识别技术领域，尤其涉及一种基于智能穿戴设备的行为分类方法及系统。
背景技术
[0002] 目前的可穿戴设备的处理器，仅仅作为数据采集器，无法深度学习人的行为习惯，并根据习惯进行个性化行为判断。而且由于可穿戴设备系统计算能力有限，市面上大部分物联网网络系统并没有加入计算能力强大的服务器。因此，现有技术的可穿戴设备无法结合采集到的用户的行为数据规律，识别出该用户的行为。
发明内容
[0003] 本发明实施例提供一种基于智能穿戴设备的行为分类方法及系统，能有效解决现有技术的智能穿戴设备无法结合采集到的用户的行为数据规律识别出该用户的行为的问题，能有效提高行为识别的准确度，有利于产品化。
[0004] 本发明一实施例提供一种基于智能穿戴设备的行为分类方法，包括：
[0005] 智能穿戴设备端采集用户的行为数据，将所述行为数据发送至服务器；其中，所述行为数据包括实时生理体征数据、实时运动数据及定位数据；
[0006] 所述服务器根据预先获取的训练样本和所述行为数据对预先建立的分类器进行训练，得到行为识别模型，并将所述行为识别模型反馈到所述智能穿戴设备端；
[0007] 所述智能穿戴设备端采用所述行为识别模型对所述用户进行监测，得到行为识别结果，并将所述行为识别结果发送至终端设备端，以使所述终端设备端对所述行为识别结果进行显示。
[0008] 作为上述方案的改进，所述服务器根据预先获取的训练样本和所述行为数据对预先建立的分类器进行训练，得到行为识别模型，并将所述行为识别模型反馈到所述智能穿戴设备端，包括：
[0009] 所述服务器对预先设置的训练数据进行随机放回抽样，得到三个训练子集；
[0010] 根据所述三个训练子集生成对应的第一分类器、第二分类器及第三分类器；
[0011] 根据所述智能穿戴设备端发送的行为数据，依次对所述第一分类器、第二分类器及第三分类器进行更新。
[0012] 作为上述方案的改进，所述服务器根据预先获取的训练样本和所述行为数据对预先建立的分类器进行训练，得到行为识别模型，并将所述行为识别模型反馈到所述智能穿戴设备端，具体包括：
[0013] 所述服务器根据所述智能穿戴设备端发送的行为数据，采用所述第二分类器和所述第三分类器进行分类，得到分类结果，并根据所述分类结果获取达到预设的分类条件的行为数据，作为实时数据样本；其中，所述分类条件为Li＝{x|x∈U，Hj(x)＝Hk(x)}，Li为所述实时数据样本，U为所述行为数据，x为所述行为数据的一条实时数据，Hj(x)为所述第二分类器，Hk(x)为所述第三分类器；
[0014] 当所述实时数据样本达到预设的错误率条件时，将所述实时数据样本与所述预先设置的训练数据生成分类样本，并根据所述分类样本对所述第一分类器进行更新，直至所述分类结果中不存在满足所述预设的分类条件的实时数据样本；其中，所述错误率条件为em为所述当前的分类错误率，em-1为所述上次的分类错误率，Lm为所述当前的实时数据样本，Lm-1为所述上次的实时数据样本；
[0015] 根据所述行为数据对更新后的第一分类器、第二分类器及第三分类器进行测试，得到行为识别模型。
[0016] 作为上述方案的改进，所述当所述实时数据样本达到预设的错误率条件时，将所述实时数据样本与所述预先设置的训练数据生成分类样本，并根据所述分类样本对所述第一分类器进行更新，通过如下步骤以判断所述实时数据样本是否达到预设的错误率条件，包括：
[0017] 在本次训练中对当前的实时数据样本进行分类测试，计算当前的分类错误率；
[0018] 获取在上次训练中上次的实时数据样本，及分类测试后得到的上次的分类错误率，比较所述当前的分类错误率与所述上次的分类错误率的大小关系；
[0019] 当检测到所述当前的分类错误率大于所述上次的分类错误率时，将所述上次的实时数据样本和所述预先设置的训练数据生成上次的分类样本，并根据所述上次的分类样本更新所述第一分类器。
[0020] 作为上述方案的改进，通过如下步骤以判断所述实时数据样本是否达到预设的错误率条件，还包括：
[0021] 当检测到所述当前的分类错误率不大于所述上次的分类错误率时，判断所述当前的实时数据样本的数量与所述上次的实时数据样本的数量的大小关系；
[0022] 当检测到所述当前的实时数据样本的数量不大于所述上次的实时数据样本的数量时，以所述上次的分类样本更新所述第一分类器。
[0023] 作为上述方案的改进，通过如下步骤以判断所述实时数据样本是否达到预设的错误率条件，还包括：
[0024] 当检测到所述当前的实时数据样本的数量大于所述上次的实时数据样本的数量时，判断所述当前的实时数据样本的数量与所述当前的分类错误率是否达到预设的第一判断条件；其中，所述预设的第一判断条件为em|Lm|≤em-1|Lm-1|；
[0025] 当检测到所述当前的实时数据样本的数量与所述当前的分类错误率达到所述预设的第一判断条件时，将所述当前的实时数据样本与所述预先设置的训练数据生成第一当前的分类样本，并根据所述第一当前的分类样本更新所述第一分类器。
[0026] 作为上述方案的改进，所述当所述实时数据样本达到预设的错误率条件时，将所述实时数据样本与所述预先设置的训练数据生成分类样本，并根据所述分类样本对所述第一分类器进行更新，具体还包括：
[0027] 当检测到所述当前的实时数据样本的数量与所述当前的分类错误率未达到所述预设的判断条件时，根据预设的分类类别对所述当前的实时数据样本进行分层抽样，获取当抽样结果中达到预设的第二判断条件时对应的当前的实时数据样本，作为当前的实时数据样本子集；其中，所述预设的第二判断条件为 为所述当前的实时数据样本子集；
[0028] 将所述当前的实时数据样本子集与所述预先设置的训练数据生成第二当前的分类样本，并根据所述第二当前的分类样本更新所述第一分类器。
[0029] 作为上述方案的改进，所述根据所述行为数据对更新后的第一分类器、第二分类器及第三分类器进行测试，得到行为识别模型，具体为：
[0030] 所述服务器将更新后的第一分类器、第二分类器及第三分类器生成集成分类器，根据所述行为数据生成测试样本；
[0031] 采用所述集成分类器对所述测试样本进行加权分类；其中，根据以下公式计算所述更新后的第一分类器、第二分类器及第三分类器的权值：
[0032]
[0033] 其中，i＝1,2,3，wi为权值，ei为分类错误率，e1为所述更新后的第一分类器的分类错误率，e2为所述更新后的第二分类器的分类错误率，e3为所述更新后的第三分类器的分类错误率；
[0034] 采用所述集成分类器对所述测试样本进行标记，得到行为识别结果，并根据所述行为识别结果得到所述行为识别模型；其中，根据以下公式标记所述测试样本：
[0035] y＝sign(w1y1+w2y2+w3y3)
[0036] 其中，y为测试结果，y1为第一标记结果，y2为第二标记结果，y3为第三标记结果，w1为所述更新后的第一分类器的权值，w2为所述更新后的第二分类器的权值，w2为所述更新后的第三分类器的权值。
[0037] 作为上述方案的改进，所述智能穿戴设备端采用所述行为识别模型对所述用户进行监测，得到行为识别结果，并将所述行为识别结果发送至终端设备端，以使所述终端设备端对所述行为识别结果进行显示，具体为：
[0038] 所述智能穿戴设备端采用所述行为识别模型，对实时采集到的用户的当前待识别行为数据进行识别，得到当前的行为识别结果，并将所述当前的行为识别结果发送至终端设备端；
[0039] 所述终端设备端根据接收到的所述当前的行为识别结果进行显示。
[0040] 本发明另一实施例对应提供了一种基于智能穿戴设备的行为分类系统，包括：
[0041] 智能穿戴设备端采集用户的行为数据，将所述行为数据发送至服务器；其中，所述行为数据包括实时生理体征数据、实时运动数据及定位数据；
[0042] 所述服务器根据预先获取的训练样本和所述行为数据对预先建立的分类器进行训练，得到行为识别模型，并将所述行为识别模型反馈到所述智能穿戴设备端；
[0043] 所述智能穿戴设备端采用所述行为识别模型对所述用户进行监测，得到行为识别结果，并将所述行为识别结果发送至终端设备端；
[0044] 所述终端设备端对所述行为识别结果进行显示。
[0045] 与现有技术相比，本发明实施例公开的基于智能穿戴设备的行为分类方法及系统，通过智能穿戴设备端采集用户的行为数据，将所述行为数据发送至服务器；其中，所述行为数据包括实时生理体征数据、实时运动数据及定位数据；所述服务器根据预先获取的训练样本和所述行为数据对预先建立的分类器进行训练，得到行为识别模型，并将所述行为识别模型反馈到所述智能穿戴设备端；所述智能穿戴设备端采用所述行为识别模型对所述用户进行监测，得到行为识别结果，并将所述行为识别结果发送至终端设备端，以使所述终端设备端对所述行为识别结果进行显示，能有效解决现有技术的智能穿戴设备无法结合采集到的用户的行为数据规律识别出该用户的行为的问题，并能针对用户的个性化行为进行识别，能有效提高行为识别的准确度，有利于产品化。
附图说明
[0046] 图1是本发明一实施例提供的一种基于智能穿戴设备的行为分类方法的流程示意图；
[0047] 图2是本发明一实施例提供的一种基于智能穿戴设备的行为识别系统的结构示意图。
具体实施方式
[0048] 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作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。
[0049] 参见图1，是本发明一实施例提供的一种基于智能穿戴设备的行为分类方法的流程示意图，包括：
[0050] S11、智能穿戴设备端采集用户的行为数据，将所述行为数据发送至服务器；其中，所述行为数据包括实时生理体征数据、实时运动数据及定位数据。
[0051] 需要说明的是，智能穿戴设备端可以是智能手环等具有运动感应功能的穿戴式智能设备。智能穿戴设备端采集的行为数据包括用户的生理体征数据和实时运动数据，其中，生理体征数据为用户的心跳速率等生理特征数据，实时运动数据可以是所述智能穿戴设备端在运动过程中的加速度数据，如智能手环晃动产生的加速度数据等，具体地可以是用户的手臂在每个固定周期内的运动次数，运动幅度，手臂变化角度等信息。定位数据为位置状态变化数据，位置状态变化指手环的空间围栏功能，将用户位置进行定位，若用户经常离开预设的围栏区域则系统将进行超越的距离，次数进行记录，所述定位数据可用于判断用户的异常行为。
[0052] S12、所述服务器根据预先获取的训练样本和所述行为数据对预先建立的分类器进行训练，得到行为识别模型，并将所述行为识别模型反馈到所述智能穿戴设备端。
[0053] S13、所述智能穿戴设备端采用所述行为识别模型对所述用户进行监测，得到行为识别结果，并将所述行为识别结果发送至终端设备端，以使所述终端设备端对所述行为识别结果进行显示。
[0054] 具体地，所述智能穿戴设备端采用所述行为识别模型，对实时采集到的用户的当前待识别行为数据进行识别，得到当前的行为识别结果，并将所述当前的行为识别结果发送至终端设备端；
[0055] 所述终端设备端根据接收到的所述当前的行为识别结果进行显示。
[0056] 可以理解，所述终端设备可以是手机终端及计算机终端等具有通信功能和显示功能的设备，如手机终端显示接收到的行为识别结果。
[0057] 本发明实施例提供的一种基于智能穿戴设备的行为分类方法，通过智能穿戴设备端采集用户的行为数据，将所述行为数据发送至服务器；其中，所述行为数据包括实时生理体征数据、实时运动数据及定位数据；所述服务器根据预先获取的训练样本和所述行为数据对预先建立的分类器进行训练，得到行为识别模型，并将所述行为识别模型反馈到所述智能穿戴设备端；所述智能穿戴设备端采用所述行为识别模型对所述用户进行监测，得到行为识别结果，并将所述行为识别结果发送至终端设备端，以使所述终端设备端对所述行为识别结果进行显示，能有效解决现有技术的可穿戴设备无法结合采集到的用户的行为数据规律识别出该用户的行为的问题，并能针对用户的个性化行为进行识别，能有效提高行为识别的准确度，有利于产品化。
[0058] 在一优选实施例中，在上述实施例的基础上，所述基于智能穿戴设备的行为分类方法及系统应用于监管精神障碍患者。所述基于智能穿戴设备的行为识别系统主要为智能穿戴设备、服务器、手机终端。
[0059] 本实施例中，步骤S11中用户的行为数据包括用户在平时与去监管单位进行周期检查时的生理体征数据，监管时期的位置变化状况、周期检查的问卷数据、运动数据。其中，可通过智能穿戴设备获取生理体征数据、位置变化状况及运动数据，所述运动数据为手臂在每个固定周期内的运动次数，运动幅度，手臂变化角度等信息，生理体征为血压、心率等，特别针对躁狂症或者抑郁症患者进行血压测试，位置状态变化指的是用户离开预设的空间围栏区域的距离及次数。
[0060] 本实施例，首先在观察状态下对个体用户进行一定时间的数据采集，并对该数据进行预设标签，治疗前期用户需要医疗人员的持续观察，度过观察期后则将已标签数据作为历史训练数据集进行建模对未观察期的用户进行信息分类。本实施例中的异常行为主要根据上述记录信息是否存在异常变化，即实时行为数据是否超过预设的数据阈值。
[0061] 本发明实施例提供的一种基于智能穿戴设备的行为分类方法，使用提取用户情景相关性方法进行用户情景的信息归类，构建用户行为的支持向量机分类模型，在有限计算力的基础上，增强了智能穿戴系统对患者的安全识别功能，优化了系统对用户的情景异常识别。且具体结合该用户的行为数据规律，具有针对性，能有效提高行为识别的准确度。
[0062] 在一优选实施例中，在上述实施例的基础上，步骤S12具体为：
[0063] 所述服务器对预先设置的训练数据进行随机放回抽样，得到三个训练子集；
[0064] 根据所述三个训练子集生成对应的第一分类器、第二分类器及第三分类器。
[0065] 需要说明的是，预先设置的训练数据为历史训练数据集，对所述预先设置的训练数据L进行随机放回抽样，产生三个训练子集S1、S2、S3，形成三个训练集合，利用不同的分类算法，并由于训练子集的差别而产生三个不同的初始分类器，分别为第一分类器H1、第二分类器H2、第三分类器H3。
[0066] 进一步的，根据所述智能穿戴设备端发送的行为数据，依次对所述第一分类器、第二分类器及第三分类器进行更新。
[0067] 具体为，所述服务器根据所述智能穿戴设备端发送的行为数据，采用所述第二分类器和所述第三分类器进行分类，得到分类结果，并根据所述分类结果获取达到预设的分类条件的行为数据，作为实时数据样本；其中，所述分类条件为Li＝{x|x∈U，Hj(x)＝Hk(x)}，Li为所述实时数据样本，U为所述行为数据，x为所述行为数据的一条实时数据，Hj(x)为所述第二分类器，Hk(x)为所述第三分类器；
[0068] 当所述实时数据样本达到预设的错误率条件时，将所述实时数据样本与所述预先设置的训练数据生成分类样本，并根据所述分类样本对所述第一分类器进行更新，直至所述分类结果中不存在满足所述预设的分类条件的实时数据样本；其中，所述错误率条件为em为所述当前的分类错误率，em-1为所述上次的分类错误率，Lm为所述当前的实时数据样本，Lm-1为所述上次的实时数据样本。
[0069] 需要说明的是，对任一分类器Hi(i＝1,2,3),利用另外两个分类器Hj,Hk(j,k＝1,2,3且j,k≠i)对智能穿戴设备端发送的行为数据进行分类,选择满足分类条件Li＝{x|x∈U，Hj(x)＝Hk(x)}的数据样本，作为实时数据样本。如，在某次训练中，采用所述第二分类器和所述第三分类器对智能穿戴设备端实时发送的行为数据进行分类，选择所述行为数据中既满足第二分类器又满足第三分类器的一条行为数据，将其作为实时数据样本，后对所述实时数据样本进行验证处理，若通过验证，则所述实时数据样本与历史训练数据集生成新的分类样本，即Si'＝L∪Li，用于更新第一分类器。因此，依次对所述第一分类器、第二分类器及第三分类器进行更新。优选地，所述错误率条件为 由此当本次循环
训练中实时数据样本的错误率小于上次且满足 则根据Si'＝L∪Li更新
分类器Hi。否则使用对当前的实时数据样本Lm进行分层抽样生成当前的实时数据样本子集Lsubm，并以Lsubm替代Lm重新进行判断，若满足上述不等式继续循环训练，否则终止迭代；其中，若不满足所述错误率条件时结束循环训练，根据Si'＝L∪Li更新分类器Hi，该Li为上次训练的上次实时数据样本，若满足所述错误率条件时结束循环训练，Li为当前的实时数据样本或当前的实时数据样本子集。
[0070] 具体地，步骤S12中判断所述实时数据样本是否达到预设的错误率条件的第一步为对第m次训练中分类测试的分类错误率的判断；其中，第m次训练为训练迭代中任一次训练。
[0071] 具体地，在本次训练中对当前的实时数据样本进行分类测试，计算当前的分类错误率；
[0072] 获取在上次训练中上次的实时数据样本，及分类测试后得到的上次的分类错误率，比较所述当前的分类错误率与所述上次的分类错误率的大小关系。
[0073] 可以理解，对当前的实时数据样本进行分类测试，计算第m次迭代训练的分类错误率为em，后比较第m次训练的分类错误率em与第m-1次训练的分类错误率em-1。
[0074] 在一种可选的实施例中，当检测到所述当前的分类错误率大于所述上次的分类错误率时，将所述上次的实时数据样本和所述预先设置的训练数据生成上次的分类样本，并根据所述上次的分类样本更新所述第一分类器。
[0075] 可以理解，若em>em-1时，则该分类器更新循环结束，以第m-1次训练的实时数据样本生成的分类样本更新该分类器。
[0076] 在另一种可选的实施例中，当检测到所述当前的分类错误率不大于所述上次的分类错误率时，判断所述当前的实时数据样本的数量与所述上次的实时数据样本的数量的大小关系。
[0077] 可以理解，若em≤em-1时，判断所述实时数据样本是否达到预设的错误率条件的第二步为对第m次训练的实时数据样本的数量判断。
[0078] 在一种可选的实施例中，当检测到所述当前的实时数据样本的数量不大于所述上次的实时数据样本的数量时，以所述上次的分类样本更新所述第一分类器。
[0079] 可以理解，若|Lm|≤|Lm-1|，则该分类器更新循环结束，以第m-1次训练的实时数据样本生成的分类样本更新该分类器。
[0080] 在另一种可选的实施例中，当检测到所述当前的实时数据样本的数量大于所述上次的实时数据样本的数量时，判断所述当前的实时数据样本的数量与所述当前的分类错误率是否达到预设的第一判断条件；其中，所述预设的第一判断条件为 em为所述当前的分类错误率，em-1为所述上次的分类错误率，Lm为所述当前的实时数据样本，Lm-1为所述上次的实时数据样本。
[0081] 可以理解，若|Lm|>|Lm-1|时，判断所述实时数据样本是否达到预设的错误率条件的第三步为判断第m次训练的分类测试的分类错误率与实时数据样本的数量是否满足预设第一判断条件。
[0082] 在一种可选的实施例中，当检测到所述当前的实时数据样本的数量与所述当前的分类错误率达到所述预设的第一判断条件时，将所述当前的实时数据样本与所述预先设置的训练数据生成第一当前的分类样本，并根据所述第一当前的分类样本更新所述第一分类器。
[0083] 在一种可选的实施例中，当检测到所述当前的实时数据样本的数量与所述当前的分类错误率未达到所述预设的判断条件时，根据预设的分类类别对所述当前的实时数据样本进行分层抽样，获取当抽样结果中达到预设的第二判断条件时对应的当前的实时数据样本，作为当前的实时数据样本子集 ；其中 ，所述预设的 第二判断条件为为所述当前的实时数据样本子集；
[0084] 将所述当前的实时数据样本子集与所述预先设置的训练数据生成第二当前的分类样本，并根据所述第二当前的分类样本更新所述第一分类器。
[0085] 可以理解，对第m次Lm根据其分类类别进行分层抽样产生当前的实时数据样本子集 且当前的实时数据样本子集 满足 最终将 与L组成新的分类样本集合，即第二当前的分类样本，更新该分类器。
[0086] 进一步的，根据所述行为数据对更新后的第一分类器、第二分类器及第三分类器进行测试，得到行为识别模型。
[0087] 具体地，所述服务器将更新后的第一分类器、第二分类器及第三分类器生成集成分类器，根据所述行为数据生成测试样本；
[0088] 采用所述集成分类器对所述测试样本进行加权分类；其中，根据以下公式计算所述更新后的第一分类器、第二分类器及第三分类器的权值：
[0089]
[0090] 其中，i＝1,2,3，wi为权值，ei为分类错误率，e1为所述更新后的第一分类器的分类错误率，e2为所述更新后的第二分类器的分类错误率，e3为所述更新后的第三分类器的分类错误率；
[0091] 采用所述集成分类器对所述测试样本进行标记，得到行为识别结果，并根据所述行为识别结果得到所述行为识别模型；其中，根据以下公式标记所述测试样本：
[0092] y＝sign(w1y1+w2y2+w3y3)
[0093] 其中，y为测试结果，y1为第一标记结果，y2为第二标记结果，y3为第三标记结果，w1为所述更新后的第一分类器的权值，w2为所述更新后的第二分类器的权值，w2为所述更新后的第三分类器的权值。
[0094] 可以理解，将行为数据作为测试样本，采用集成分类器{H1,H2,H3}并进行加权分类，根据权值分配方法计算各个分类器的的权值{w1,w2,w3},三个分类器对测试样本进行标记,标记结果为{y1,y2,y3},则测试样本的最终标记为测试结果y，根据所述测试结果进行记录，并得到行为识别模型。
[0095] 本发明实施例提供的一种基于智能穿戴设备的行为分类方法，能有效解决现有技术的智能穿戴设备无法结合采集到的用户的行为数据规律识别出该用户的行为的问题，基于智能穿戴设备有限的计算能力，实现行为识别，并能针对用户的个性化行为进行训练，能有效提高行为识别的准确度。
[0096] 参见图2是本发明一实施例提供的一种基于智能穿戴设备的行为识别系统的结构示意图，包括：
[0097] 智能穿戴设备端201采集用户的行为数据，将所述行为数据发送至服务器202；其中，所述行为数据包括实时生理体征数据、实时运动数据及定位数据。
[0098] 所述服务器202根据预先获取的训练样本和所述行为数据对预先建立的分类器进行训练，得到行为识别模型，并将所述行为识别模型反馈到所述智能穿戴设备201。
[0099] 其中，所述服务器202对预先设置的训练数据进行随机放回抽样，得到三个训练子集；
[0100] 所述服务器202根据所述三个训练子集生成对应的第一分类器、第二分类器及第三分类器；
[0101] 所述服务器202根据所述智能穿戴设备端201发送的行为数据，依次对所述第一分类器、第二分类器及第三分类器进行更新。
[0102] 进一步的，所述服务器202根据所述智能穿戴设备端201发送的行为数据，采用所述第二分类器和所述第三分类器进行分类，得到分类结果，并根据所述分类结果获取达到预设的分类条件的行为数据，作为实时数据样本；其中，所述分类条件为Li＝{x|x∈U，Hj(x)＝Hk(x)}，Li为所述实时数据样本，U为所述行为数据，x为所述行为数据的一条实时数据，Hj(x)为所述第二分类器，Hk(x)为所述第三分类器；
[0103] 所述服务器202当所述实时数据样本达到预设的错误率条件时，将所述实时数据样本与所述预先设置的训练数据生成分类样本，并根据所述分类样本对所述第一分类器进行更新，直至所述分类结果中不存在满足所述预设的分类条件的实时数据样本；其中，所述错误率条件为 em为所述当前的分类错误率，em-1为所述上次的分类错误率，Lm为所述当前的实时数据样本，Lm-1为所述上次的实时数据样本；
[0104] 所述服务器202根据所述行为数据对更新后的第一分类器、第二分类器及第三分类器进行测试，得到行为识别模型。
[0105] 进一步的，所述服务器202在本次训练中对当前的实时数据样本进行分类测试，计算当前的分类错误率；
[0106] 所述服务器202获取在上次训练中上次的实时数据样本，及分类测试后得到的上次的分类错误率，比较所述当前的分类错误率与所述上次的分类错误率的大小关系；
[0107] 所述服务器202当检测到所述当前的分类错误率大于所述上次的分类错误率时，将所述上次的实时数据样本和所述预先设置的训练数据生成上次的分类样本，并根据所述上次的分类样本更新所述第一分类器。
[0108] 进一步的，所述服务器202当检测到所述当前的分类错误率不大于所述上次的分类错误率时，判断所述当前的实时数据样本的数量与所述上次的实时数据样本的数量的大小关系；
[0109] 所述服务器202当检测到所述当前的实时数据样本的数量不大于所述上次的实时数据样本的数量时，以所述上次的分类样本更新所述第一分类器。
[0110] 进一步的，所述服务器202当检测到所述当前的实时数据样本的数量大于所述上次的实时数据样本的数量时，判断所述当前的实时数据样本的数量与所述当前的分类错误率是否达到预设的第一判断条件；其中，所述预设的第一判断条件为em|Lm|≤em-1|Lm-1|；
[0111] 所述服务器202当检测到所述当前的实时数据样本的数量与所述当前的分类错误率达到所述预设的第一判断条件时，将所述当前的实时数据样本与所述预先设置的训练数据生成第一当前的分类样本，并根据所述第一当前的分类样本更新所述第一分类器。
[0112] 进一步的，所述服务器202当检测到所述当前的实时数据样本的数量与所述当前的分类错误率未达到所述预设的判断条件时，根据预设的分类类别对所述当前的实时数据样本进行分层抽样，获取当抽样结果中达到预设的第二判断条件时对应的当前的实时数据样本，作为当前的实时数据样本子集；其中，所述预设的第二判断条件为为所述当前的实时数据样本子集；
[0113] 所述服务器202将所述当前的实时数据样本子集与所述预先设置的训练数据生成第二当前的分类样本，并根据所述第二当前的分类样本更新所述第一分类器。
[0114] 所述服务器将更新后的第一分类器、第二分类器及第三分类器生成集成分类器，根据所述行为数据生成测试样本；
[0115] 进一步的，所述服务器202采用所述集成分类器对所述测试样本进行加权分类；其中，根据以下公式计算所述更新后的第一分类器、第二分类器及第三分类器的权值：
[0116]
[0117] 其中，i＝1,2,3，wi为权值，ei为分类错误率，e1为所述更新后的第一分类器的分类错误率，e2为所述更新后的第二分类器的分类错误率，e3为所述更新后的第三分类器的分类错误率；
[0118] 所述服务器202采用所述集成分类器对所述测试样本进行标记，得到行为识别结果，并根据所述行为识别结果得到所述行为识别模型；其中，根据以下公式标记所述测试样本：
[0119] y＝sign(w1y1+w2y2+w3y3)
[0120] 其中，y为测试结果，y1为第一标记结果，y2为第二标记结果，y3为第三标记结果，w1为所述更新后的第一分类器的权值，w2为所述更新后的第二分类器的权值，w2为所述更新后的第三分类器的权值。
[0121] 所述智能穿戴设备端201采用所述行为识别模型对所述用户进行监测，得到行为识别结果，并将所述行为识别结果发送至终端设备端203。
[0122] 所述终端设备端203对所述行为识别结果进行显示。
[0123] 其中，所述智能穿戴设备端201采用所述行为识别模型，对实时采集到的用户的当前待识别行为数据进行识别，得到当前的行为识别结果，并将所述当前的行为识别结果发送至终端设备端203；
[0124] 所述终端设备端203根据接收到的所述当前的行为识别结果进行显示。
[0125] 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。
[0126] 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。
