[發(fā)明專利]智能家居控制系統(tǒng)、控制方法、計(jì)算機(jī)設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010730141.4
• 申請日: 2020-07-27
• 公開（公告）號: CN111856958A
• 公開（公告）日: 2020-10-30
• 發(fā)明（設(shè)計(jì)）人: 董洋瑞;陸舒媛;齊錦
• 申請（專利權(quán)）人: 西北大學(xué)
• 主分類號: G05B15/02
• 分類號: G05B15/02;G05B19/418
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

本發(fā)明屬于肌電輔助腦電的控制技術(shù)領(lǐng)域，公開了一種智能家居控制系統(tǒng)、控制方法、計(jì)算機(jī)設(shè)備及存儲介質(zhì)，對采集的腦波信號與眼電、表面肌電信號，進(jìn)行小波分解重構(gòu)與傅里葉變換結(jié)合的方法提取所述眼電、表面肌電信號的特征；對獲取的眼電、表面肌電信號的特征采用SVM機(jī)器學(xué)習(xí)進(jìn)行分類處理，利用分類處理的數(shù)據(jù)實(shí)時(shí)對智能家居進(jìn)行控制。本發(fā)明使用非侵入式TGAM腦電采集傳感器佩戴方便，成本低，并通過藍(lán)牙連接，將采集模塊與數(shù)據(jù)處理模塊分體處理，增加用戶的舒適感，通過小波變換與傅里葉變換提取特征，SVM分類處理，降低對數(shù)據(jù)的干擾，提高了控制準(zhǔn)確度。使用腦電信號加上眼電、肌電信號實(shí)現(xiàn)對家用電器的控制普適性強(qiáng)，操作方便。

技術(shù)領(lǐng)域

本發(fā)明屬于肌電輔助腦電的控制技術(shù)領(lǐng)域，尤其涉及一種智能家居控制系統(tǒng)、控制方法、計(jì)算機(jī)設(shè)備及存儲介質(zhì)。

背景技術(shù)

現(xiàn)有技術(shù)：近年來，智能家居逐漸走進(jìn)大眾生活。隨著語音識別技術(shù)的發(fā)展，在智能家居領(lǐng)域也出現(xiàn)了語音識別的熱潮，涌現(xiàn)了一批具有智能家居控制功能的智能設(shè)備，如亞馬遜的Echo和阿里的天貓精靈。此外，圖像識別技術(shù)也發(fā)展迅速，可以通過手勢識別、人臉識別等方式控制智能家居。用戶也可以使用移動(dòng)終端實(shí)現(xiàn)對家用電器的控制。

目前的腦機(jī)交互技術(shù)大多為科研級和醫(yī)療級，往往成本較高或不易攜帶。而現(xiàn)有對便攜且成本低的非侵入式腦電采集設(shè)備的研究也通常沒有提取除該芯片自有專利外的其他特征參數(shù)。

目前，腦機(jī)接口方面的研究(科研級和醫(yī)療級，實(shí)現(xiàn)效果好，但往往成本較高或不易攜帶)。在國外，Polat K于2007年使用決策樹分類器與快速傅里葉變換的混合系統(tǒng)來利用腦電波信號檢測癲癇病的發(fā)作與否，首先利用快速傅里葉變換進(jìn)行特征提取，而后使用決策樹分類器進(jìn)行模式識別，取得了很好的成績。MVM Yeo和XP Li于2009年使用支持向量機(jī)進(jìn)行模式識別從而開發(fā)出了一種自動(dòng)檢測駕駛時(shí)駕駛員是否處于疲勞駕駛狀態(tài)的方法，并且實(shí)驗(yàn)結(jié)果表明，該方法的識別準(zhǔn)確率高達(dá)99.3％，可以在90％的數(shù)據(jù)樣本中，可靠地預(yù)測出警覺性到睡意之間的轉(zhuǎn)變。2011年，日本Osaka大學(xué)的研究者利用從運(yùn)動(dòng)障礙患者頭部采集到的腦電信息，將其成功轉(zhuǎn)化控制了機(jī)器人，使其成功動(dòng)起來，準(zhǔn)確率最高可以達(dá)到90％。Nguyen T和Ngyen TH于2013年發(fā)表文章，提出了一種閾值方法來識別眨眼狀態(tài)，找到了一個(gè)可以識別睜眼和閉眼的閾值，并且在檢測結(jié)果上取得了很好的效果。Wang于2014年發(fā)表文章利用增量神經(jīng)網(wǎng)絡(luò)來識別人眼狀態(tài)，他們認(rèn)為腦電波信號是一種時(shí)間序列，利用時(shí)間序列的特性，采用移動(dòng)平均的方法求得其統(tǒng)計(jì)特征，如均值，方差等特征，并將這些特征逐一加入網(wǎng)絡(luò)，最終取得了高于平均水平的準(zhǔn)確率。Satapathy SK于2017年使用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對癲癇病的發(fā)作進(jìn)行基于腦電波的模式識別，文中使用了多層神經(jīng)網(wǎng)絡(luò)并且研究了不同的傳播訓(xùn)練算法，針對SVM選擇了多種核函數(shù)，通過實(shí)驗(yàn)結(jié)果說明，支持向量機(jī)與概率神經(jīng)網(wǎng)絡(luò)會有較好的效果。2019年4月加州大學(xué)舊金山分校的AnumanchipalliG.，Chartier J.和Chang E.發(fā)表在nature上的文章，提出他們使用了RNN深度學(xué)習(xí)模型，利用腦機(jī)接口直接讀取癱瘓患者大腦中的想法，產(chǎn)生口語句子可以達(dá)到150個(gè)單詞，已經(jīng)接近人來正常水平，而再次之前的技術(shù)只能讓病人每分鐘打出最多8個(gè)單詞。