1.一种基于机器学习的婴幼儿行为动作监护系统，其特征在于，包括数据采集和存储模块、机器学习模块和检测预警模块；具体过程描述如下：S1.在婴幼儿的生活环境中部署传感器，以获取多模态的婴幼儿行为信息，对采集的数据进行清洗，并提取多模态数据特征；

S2.基于数据特征，创建婴幼儿行为的标签数据集，标注不同行为动作的类别，标注数据集作为算法的输入训练集；

S3.基于改进的支持向量机机器学习算法，构建婴儿行为智能分类模型，对婴儿不同行为进行分类：(1)将标签数据集作为婴儿行为智能分类模型的训练数据集，将摄像头和声音监测传感器所获取的视频帧中的姿势信息和声音频谱特征作为输入数据；

(2)定义损失函数Q(w,b)，公式如下：

T

其中，w为权重向量，w表示权重向量的转置，b为偏置，||·||2表示2范数，lnC是基于对数的正则化参数，ε是容差参数，xi是第i个样本的输入特征向量，yi是第i个样本的观测值；

(3)基于集成学习的思想，采用随机森林中使用的特征选择方法来定义支持向量机的决策边界g(x)，sign()是符号函数用来判断输入值的正负性，N是支持向量的数量，αi是支持向量的对应系数，y'i是支持向量的类别标签，K(xi,x)是核函数，用于计算样本之间的相似性，b是偏置，随后引入复合核函数的支持向量机的决策函数f(x)，其中， 为复合核函数， 是线性核函数， 是径向基核函数，α为线性核函数的权重，β为径向基核函数的权重，σ是核函数的带宽参数，它控制着核函数的宽度，影响着样本之间的相似度；

(4)采用梯度下降最小化损失函数，得到优化后的权重和偏置，再次将参数放入决策函数，以得到最终的婴儿行为识别分类输出；

S4.对当前婴儿行为进行反应的信息，进行综合评估，预测危险行为发生的可能性，并提前预警预报将信息反馈给监护人。

2.根据权利要求1所述一种基于机器学习的婴幼儿行为动作监护系统，其特征在于，所述S1中在婴幼儿的生活环境中部署传感器，传感器包括摄像头和声音监测传感器。

3.根据权利要求1所述一种基于机器学习的婴幼儿行为动作监护系统，其特征在于，所述S1中对采集的数据进行清洗，并提取多模态数据特征，多模态数据特征包括视频帧中的姿势信息和声音频谱特征。

4.根据权利要求1所述一种基于机器学习的婴幼儿行为动作监护系统，其特征在于，所述S2中基于数据特征，创建婴幼儿行为的标签数据集，标注不同行为动作的类别，数据集采用基于C语言构建的MySQL数据库，数据标注的类别分为危险和非危险。

5.根据权利要求1所述一种基于机器学习的婴幼儿行为动作监护系统，其特征在于，所述S4中对当前婴儿行为进行反应的信息，提出婴儿行为评估模型，对婴儿当前行为进行综合评估，预测危险行为发生的可能性，详细过程如下：(1)基于婴儿的行为标签划分为危险和非危险，将其定义为一个二分类概率模型，模型的范围属于(0,1)，受到Sigmod函数的启发，构建概率公式：P(δ＝1)＝1‑P(δ＝‑1)

其中，xi表示输入特征向量，P(δ＝‑1)是婴儿当前行为处于危险的概率，γ是正则化参数，它控制正则化项的权重， 是L2正则化项，它对模型的参数进行惩罚，减小模型的系数；μi是模型的系数，表示每个特征对目标变量的影响程度；P(δ＝1)是婴儿当前行为处于非危险的概率；

(2)基于召回率R评价概率模型并优化，使得婴儿的行为预测标签更加精准，准确率小于90％时，需要不断迭代计算参数，以提升准确率：其中，TP是模型正确地将正例分类为正例的数量，FN是模型将正例错误地分类为负例的数量；

(3)迭代计算对婴儿行为进行综合分类的评估。

6.根据权利要求1所述一种基于机器学习的婴幼儿行为动作监护系统，其特征在于，所述S4中提前预警预报将信息反馈给监护人，详细过程如下：设定婴儿的姿势和声音预警阈值，其中，姿势阈值指的是婴儿的面部遮挡；声音阈值指的是婴儿啼哭的声音频谱的范围值，监测范围在[100Hz，4000Hz]；根据婴儿行为的分析和识别结果，基于摄像头和声音监测传感器实时采集的婴儿行为数据，当模型判断婴幼儿的行为异常时，触发预警系统，向监护人发送信息或警报，提醒他们采取相应措施。