1.一种基于多元传感器数据的独居老人行为规律发现方法，其特征在于，包括以下步骤：S1：收集所有传感器的原始数据，对传感器数据进行处理，定义传感器数据之间的联系和计算方式，初始化行为模式；

S2：利用DTW算法对任意两天传感器时间序列之间的时间距离进行计算，并得到最优路径；

S3：对传感器所在区域进行划分，将区域限制与最优路径结合起来，对所述两天传感器序列之间的距离进行计算；

S4：将步骤S2与步骤S3计算得到的传感器距离进行求和计算，得到老人每日行为模式之间的总距离，然后根据总距离进行聚类，发现老人的行为规律。

2.根据权利要求1所述的基于多元传感器数据的独居老人行为规律发现方法，其特征在于：步骤S1.1：符号定义：令D＝{D1，D2，...，DN}为收集的所有传感器的原始数据，N代表天数；

令 表示第i天收集的传感器的原始数据，其中：

代表Di天的时间序列， 代表Di天的传感器序

列， 代表Di天的传感器事件发生的总数，而

令 作为一个传感器事件，其中

令a＝{e1，e2，...，em}，a为m个传感器事件的序列；

令S＝{S1，S2，...，SM}代表不同的传感器集合，其中M表示房间里部署的不同传感器数量，因此 即对于任意Di天中产生的传感器序列的数据都是在定义的S集合里的。

3.根据权利要求2所述的基于多元传感器数据的独居老人行为规律发现方法，其特征在于：步骤S1.2：对老人的日常行为模式初始化一个序列P1：

4.根据权利要求1所述的基于多元传感器数据的独居老人行为规律发现方法，其特征在于：步骤S2采用DTW算法进行传感器之间时间距离的计算，令 和

分别代表Di和Dj两天的时间序列，原始时间序列用来提取秒数信息，Sec_fun(*)表示从原始时间戳序列中提取Di天对应的秒数信息的函数，于是时间序列化为：同样地，对所有的数据进行上述公式的处理来分析行为数据的时间信息之间的关系，处理好之后对任意两天的时间距离进行计算：为Di和Dj的时间距离，DTW(*)表示使用DTW算法计算得到的Di和Dj之间的距离值；

任意两天的第一个数据之间的距离为

则下一节点的距离值为

则最后一个结点的距离 即为这两天的最短距离 此时从第一个节

点到最后一个结点的路径有很多条，这里定义为Q条，其中每一条都为Di和Dj两天的规整路径，从Q条路径里面找到代价最小的路径作为最短距离对应的最优路径，即，Wq＝w1，w2，…，wK，W＝Min{Cos(W1)，Cos(W2)，...，Cos(WQ)}其中K为规整路径所走的路径节点数， 代表Di天的传感器事件发生的总数， 代表Dj天的传感器事件发生的总数，Wq为其中一条规整路径，Cos(Wq)代表规整路径Wq的代价函数，W代表规整之后的最优路径。

5.根据权利要求1所述的基于多元传感器数据的独居老人行为规律发现方法，其特征在于：步骤S3根据DTW计算出的最优路径来限制传感器之间的距离，传感器的序列基于动态时间规整所得的最短路径进行抽取，使得时间信息与传感器信息互相对应，令和 分别代表Di和Dj两天的传感器数据序列，则传感器之间的距离被最优路径W限制，如下公式所示：

其中Di和Dj两天的传感器距离为由时间序列数据规整之后的路径限制在传感器之上计算得到的。

6.根据权利要求2所述的基于多元传感器数据的独居老人行为规律发现方法，其特征在于：步骤S4中，首先对原始数据D＝{D1，D2，...，DN}进行数据清理，删除掉无用的数据和噪声数据，对数据进行处理时，提取每天的秒数时间信息sec，每天在86400s之间循环发现老人相关行为活动的时间序列关系；然后利用DTW算法对老人日常行为数据进行时间距离计算，对于传感器信息，将不同的传感器划分到不同的区域当中，再基于时间距离计算过程中得到的最优路径W限制来计算行为模式之前的传感器距离 时间距离与传感器距离整合的总距离DIS(Di，Dj)，基于计算出的总距离再使用EM聚类算法进行聚类，设置最大迭代次数MaxIterations＝100，验证次数numFolds＝10，聚类的类别数numClusters＝n；最后输出n种行为规律P＝{P1，P2，...，Pn}，其中Di和Dj为总数据D中取出的任意两天的数据，两者之间距离为dis(Di，Dj)，其中 和 分别为第i，j天的传感器事件发生的数量，dis(Di，Dj)的值越小代表两天之间的距离越小，则两天的行为模式越相似，属于同一种行为规律可能性越大。