【技術實現步驟摘要】
本專利技術涉及智能家居，具體是一種基于腦電波信號的室內智能家居交互方法及其系統。
技術介紹
1、智能家居系統是將家庭中的各種設備、設施和家電產品連接起來，實現智能化管理和控制的系統。它使得家庭設備可以根據用戶的需求和習慣，自動進行操作和調節，提供更加便捷、舒適、安全和環保的生活方式。
2、現有的智能家居控制技術主要包括以下幾種：
3、（1）基于語音控制的技術：用戶可以通過語音指令控制智能家居設備。這種技術較為常見，但過長、較復雜的語音指令容易受到環境噪音以及語音識別模型智能化程度的影響，從而導致識別率不高；
4、（2）基于觸摸屏控制的技術：用戶可以通過觸摸屏控制智能家居設備。這種技術直觀易用，但需要用戶手動操作，在智能家居設備過多時或者需要頻繁調節時，不夠便捷。
5、綜上，目前智能家居系統控制主要是通過用戶主動向各個智能家居設備發出控制指令，當指令觸發時實現設備控制，由于用戶的智能化需求會隨著不同的環境進行改變，這種方法過于程序化，無法很好的適應用戶在不同的環境的智能需求，從而導致目前智能家居控制的易用性有待提高。
技術實現思路
1、為解決現有技術中存在智能家居控制的易用性有待提高的技術問題，本專利技術提供了一種基于腦電波信號的室內智能家居交互方法及其系統。
2、為實現上述目的，本專利技術提供如下技術方案：
3、本專利技術公開一種基于腦電波信號的室內智能家居交互方法，包括步驟s1~s3。
4、s1.
5、s2.將所述腦電波特征向量輸入經過訓練得到的智能場景模型，輸出與所述腦電波特征向量匹配的智能場景；所述智能場景對應智能家居設備的一種使用行為特征。
6、s3.向用戶推送是否進入所述智能場景的第一選項提示；若用戶選擇是，則控制室內所有智能家居設備執行符合所述使用行為特征的指令，從而進入所述智能場景。
7、作為上述方案的進一步改進，步驟s2中，所述智能場景模型的訓練方法包括以下具體步驟，即s21~s24。
8、s21.定義不同種類的場景。
9、s22.參照步驟s1的方式，采集用戶按照自身智能家居設備使用習慣居住在室內且位于不同場景時的若干條腦電波信號和當前時間，并記錄在采集每條腦電波信號時的智能家居設備的一種使用行為特征，以此形成若干組訓練樣本以構建樣本集。
10、s23.建立用于表征場景和腦電波特征向量映射關系的初代場景模型y=wx+b；其中，y表示場景；x表示腦電波特征向量；w、b為待訓練參數。
11、s24.基于樣本集對初代場景模型進行訓練，得到擬合度達標的智能場景模型；其中，在訓練過程中，基于場景的種類預設多個場景集合，每個場景集合中包括至少一種場景；利用每組訓練樣本和初代場景模型計算得到的預測場景記為y1，該組訓練樣本對應的實際場景標簽記為y2；通過對比y1和y2，分別作出如下決策：
12、若y1和y2不屬于同一個場景集合，則舍棄y1對應的訓練樣本。
13、若y1和y2屬于同一個場景集合但y1≠y2，則利用機器學習算法對w、b進行修正，并將每次修正后的w、b代入場景模型以計算更新的預測場景y1’，直至y1’=y2。
14、若預測場景與實際場景相同，則對當前場景模型的參數進行保存。
15、作為上述方案的進一步改進，步驟s3中，若用戶在所述第一選項提示中選擇否，則判斷智能場景所屬的場景集合中是否存在其余場景，是則向用戶推送是否進入所述其余場景中的任意一種場景的第二選項提示。
16、作為上述方案的進一步改進，通過一個交互端向用戶發出所述第一選項提示和/或第二選項提示；其中，所述交互端為室內所有智能家居設備中的一者或者多者，每個交互端以語音播報和/或屏幕顯示的方式向用戶推送所述第一選項提示和/或所述第二選項提示。
17、作為上述方案的進一步改進，步驟s23中，腦電波特征向量x的表達公式為：x=[xα,xβ,xγ,xδ,xθ,xt]；
18、式中，xα、xβ、xγ、xδ、xθ依次表示α波段、β波段、γ波段、δ波段、θ波段共五種波段的腦電波幅度分布特征?；α波段為[8,13)，β波段為[13,30)，γ波段為[30,+∞)，δ波段為[0.5,4)，θ波段為[4,8)，單位均為hz；xt表示當前時間的所處時段特征。
19、作為上述方案的進一步改進，步驟s22中，所述使用行為特征包括各種智能家居設備的開關狀態特征、使用時長特征、使用頻率特征以及使用順序特征。
20、作為上述方案的進一步改進，所述多個場景集合依次為睡眠模式、休閑模式、工作模式、就餐模式和運動模式；當每個場景集合中包括兩個以上的場景時，各個場景的級別和/或所處時段存在不同。
21、作為上述方案的進一步改進，步驟s1中，還采用小波變換對所述腦電波信號進行去噪，去噪方法包括：
22、對所述腦電波信號進行初步處理，去除高頻和低頻噪聲，得到初步處理后的腦電波信號；
23、選取小波基和分解層數，對初步處理后的腦電波信號進行多層小波分解，將腦電波分解為不同頻帶的逼近系數和細節系數，逐層細化信號的頻率信息；
24、對小波分解得到的細節系數進行閾值處理；
25、對閾值處理后的細節系數進行小波逆變換，重構去噪后的腦電波信號。
26、作為上述方案的進一步改進，步驟s1中，所述腦電波采集設備為tgam腦電波傳感器模塊；所述tgam腦電波傳感器模塊用于將人體發出的腦波提取并轉化為 n個數據包；每個數據包包括三部分：數據包頭、有效數據、校驗和。
27、在獲取數據包后，根據數據包中的校驗和來驗證數據包中的有效數據是否完整；若完整則解析有效數據；其中，在n個數據包中，前n -1個均為承載原始信息的數據小包，第n個即最后一個為數據大包，所述數據大包中包括不同波段的腦電波信號、專注度數據和放松度數據。
28、通過篩選出數據大包中符合目標波段的腦電波信號，完成有效數據的解析。
29、本專利技術還公開一種基于腦電波信號的室內智能家居交互系統，所述室內智能家居交互系統包括：數據獲取模塊、場景分析模塊以及交互端。
30、數據獲取模塊用于獲取用戶在室內佩戴腦電波采集設備時發出的腦電波信號和當前時間，基于所述腦電波信號和所述當前時間構成腦電波特征向量；
31、場景分析模塊用于將所述腦電波特征向量輸入經過訓練得到的智能場景模型，輸出與所述腦電波特征向量匹配的智能場景；所述智能場景對應智能家居設備的一種使用行為特征；
32、交互端用于向用戶推送是否進入所述智能場景的第一選項提示；若用戶選擇是，則控制室內本文檔來自技高網...
【技術保護點】
1.基于腦電波信號的室內智能家居交互方法，其特征在于，包括：
2.根據權利要求1所述的基于腦電波信號的室內智能家居交互方法，其特征在于，步驟S2中，所述智能場景模型的訓練方法包括以下具體步驟：
3.根據權利要求2所述的基于腦電波信號的室內智能家居交互方法，其特征在于，步驟S3中，若用戶在所述第一選項提示中選擇否，則判斷智能場景所屬的場景集合中是否存在其余場景，是則向用戶推送是否進入所述其余場景中的任意一種場景的第二選項提示。
4.根據權利要求3所述的基于腦電波信號的室內智能家居交互方法，其特征在于，通過一個交互端向用戶發出所述第一選項提示和/或第二選項提示；其中，所述交互端為室內所有智能家居設備中的一者或者多者，每個交互端以語音播報和/或屏幕顯示的方式向用戶推送所述第一選項提示和/或所述第二選項提示。
5.根據權利要求2所述的基于腦電波信號的室內智能家居交互方法，其特征在于，步驟S23中，腦電波特征向量x的表達公式為：x=[xα,xβ,xγ,xδ,xθ,xt]；
6.根據權利要求2所述的基于腦電波信號的室內智能家居交互方
7.根據權利要求2所述的基于腦電波信號的室內智能家居交互方法，其特征在于，所述多個場景集合依次為睡眠模式、休閑模式、工作模式、就餐模式和運動模式；當每個場景集合中包括兩個以上的場景時，各個場景的級別和/或所處時段存在不同。
8.根據權利要求2所述的基于腦電波信號的室內智能家居交互方法，其特征在于，步驟S1中，還采用小波變換對所述腦電波信號進行去噪，去噪方法包括：
9.根據權利要求1所述的基于腦電波信號的室內智能家居交互方法，其特征在于，步驟S1中，所述腦電波采集設備為TGAM腦電波傳感器模塊；所述TGAM腦電波傳感器模塊用于將人體發出的腦波提取并轉化為n個數據包；每個數據包包括三部分：數據包頭、有效數據、校驗和；
10.基于腦電波信號的室內智能家居交互系統，其特征在于，包括：
...【技術特征摘要】
1.基于腦電波信號的室內智能家居交互方法，其特征在于，包括：
2.根據權利要求1所述的基于腦電波信號的室內智能家居交互方法，其特征在于，步驟s2中，所述智能場景模型的訓練方法包括以下具體步驟：
3.根據權利要求2所述的基于腦電波信號的室內智能家居交互方法，其特征在于，步驟s3中，若用戶在所述第一選項提示中選擇否，則判斷智能場景所屬的場景集合中是否存在其余場景，是則向用戶推送是否進入所述其余場景中的任意一種場景的第二選項提示。
4.根據權利要求3所述的基于腦電波信號的室內智能家居交互方法，其特征在于，通過一個交互端向用戶發出所述第一選項提示和/或第二選項提示；其中，所述交互端為室內所有智能家居設備中的一者或者多者，每個交互端以語音播報和/或屏幕顯示的方式向用戶推送所述第一選項提示和/或所述第二選項提示。
5.根據權利要求2所述的基于腦電波信號的室內智能家居交互方法，其特征在于，步驟s23中，腦電波特征向量x的表達公式為：x=[xα,xβ,xγ,xδ,xθ,xt]；
【專利技術屬性】
技術研發人員：王德才，葛寅飛，張潤嘉，黃杰，張帥，
申請(專利權)人：合肥工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。