CN109905943B - 基于注意力因素的照明控制装置 - Google Patents

基于注意力因素的照明控制装置 Download PDF

Info

Publication number
CN109905943B
CN109905943B CN201910263082.1A CN201910263082A CN109905943B CN 109905943 B CN109905943 B CN 109905943B CN 201910263082 A CN201910263082 A CN 201910263082A CN 109905943 B CN109905943 B CN 109905943B
Authority
CN
China
Prior art keywords
parameters
attention
neural network
illumination
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910263082.1A
Other languages
English (en)
Other versions
CN109905943A (zh
Inventor
邹细勇
张维特
黄昌清
陈亮
杨凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dragon Totem Technology Hefei Co ltd
Original Assignee
China Jiliang University Shangyu Advanced Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Jiliang University Shangyu Advanced Research Institute Co Ltd filed Critical China Jiliang University Shangyu Advanced Research Institute Co Ltd
Priority to CN201910263082.1A priority Critical patent/CN109905943B/zh
Priority to CN202011561132.3A priority patent/CN112654116A/zh
Priority to CN202011561378.0A priority patent/CN112654117A/zh
Priority to CN202011561377.6A priority patent/CN112672474A/zh
Priority to CN202011561380.8A priority patent/CN112672475A/zh
Publication of CN109905943A publication Critical patent/CN109905943A/zh
Application granted granted Critical
Publication of CN109905943B publication Critical patent/CN109905943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/30—Driver circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/10—Controlling the intensity of the light
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/10—Controlling the intensity of the light
    • H05B45/12—Controlling the intensity of the light using optical feedback
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/30—Driver circuits
    • H05B45/32—Pulse-control circuits
    • H05B45/325—Pulse-width modulation [PWM]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本发明公开了基于注意力因素的照明控制装置与方法，装置包括光色传感单元、图像采集单元、心率采集单元、调光映射单元、控制单元等，以工作面照度、色温及持续学习时间等参数作为输入量，以学习者的眼睛开度、视线专注度、心率等体征参数及其各自对应的注意力因素值作为输出量，建立光照条件到注意力的映射模型，经训练的神经网络在现场光环境中用来对注意力参数进行预测，进而基于多目标优化算法对光色参数进行寻优，寻优结果基于多项式等模型被映射为灯组的驱动电流值，灯组调光后能实现不同现场环境下有助于学习者提高或保持注意力的照明。本发明还通过对评分标准的在线调节，使优化出的光照更符合个体的照明偏好。

Description

基于注意力因素的照明控制装置
技术领域
本发明涉及智能照明与学习辅助领域，具体涉及一种基于注意力因素的照明控制装置与方法。
背景技术
在人们日常学习、工作中，环境照明对学习效率或工作效率有着直接影响。人眼有两个功能，一是感光功能，即光线经眼的光学系统抵达眼底在视网膜上形成物象；二是视觉信号处理功能，即视网膜将物象的光能转换并加工成神经冲动，经由神经节细胞将冲动传入人眼，从而产生视觉和非视觉效应。近年来，科研人员对人体在各种光照条件下的生理变化进行了跟踪对比，研究结果表明照明环境不仅会对人员的各项生理参数，例如血压、心率、褪黑激素等产生影响，同时对人员的工作效率和视功能也具有显著的影响。光以多种参数形式来对人体造成影响，以照度为例，光环境照度水平会影响人员注意力、唤醒水平及工作积极性，从而间接地对工作绩效产生影响。
光照条件变化将对学习或工作效率造成什么影响，针对这个问题，学者们进行了实验研究和分析。例如，重庆大学的严永红教授在《土木建筑与环境工程》2010年32卷第4期发表的论文《教室荧光灯色温对学生学习效率和生理节律的影响》指出，不同色温的荧光灯光源，其最佳照度值、最不利照度值均并不相同，并给出了几种色温与照度组合的建议。而发表在《照明工程学报》2014年25卷第4期的论文《基于光生物效应的LED办公照明环境研究》，在综合多个人的作业测试和主观评价后，推荐以500lx照度、4500K相关色温的LED照明条件为理想的照明环境。
目前，现有研究都期望推荐一个普遍适用的舒适照明条件，以有利于工作效率的提高。但是，用户周围的照明环境不是固定的且难以预测和枚举，而随着自带可调光功能的LED灯具的日益广泛使用，以及用户对个性化照明的追求，以往仅推荐一种或有限几种光环境的方式已不能满足未来照明的需求。
基于以上原因，目前需要一种能能对各种不同光照条件下学习效率相关因素进行自动检测和判断、进而能根据光照对其影响自动进行照明优化控制的装置，以及为辅助学习而对照明环境进行自动优化控制的方法。
发明内容
本发明的目的是提供一种基于注意力因素的照明控制装置与方法，能通过非特别设计的自然状态下对各种光照条件下的人员注意力进行检判并从而在现场照明条件范围内优化出有助于提高注意力的光色条件并自动调光实现该条件。同时要求该方法对注意力的检判要具有较强的泛化能力，以对未预先测试过的其他不同光照条件进行注意力预测与判定；从而，在向特定个体进行光环境的推荐和自动照明控制时，能获得较高的注意力。
桌面学习相对于其他活动如汽车驾驶而言，注意力因素关注的重点不在于学习者眼睛开度何时小到影响学习，而在于发现环境如光照条件改变对注意力因素表现出来的影响。在不同光照条件下的桌面学习中，学习者的注意力差异不但包括在缓慢变化的眼睛开度，还可以包括视线点的范围、心率波动、视线移动速率等其他体征表现。
为了进行学习或工作环境的自动优化照明，先要对光照条件与注意力之间的关系进行建模。为此，本发明首先通过传感器来对学习者体征数据进行采集，获得眼睛开度、视线专注度、心率、视线移动速率等参数，以这些参数来来作为注意力因素，从而对光环境下学习者的注意力高低进行评估。
基于体征传感数据，要进行注意力评估，存在以下几个问题。首先，所采样的体征数据，如何对其进行量化？并还要能区别出注意力的高低。其次，数据序列前后是关联的，如何根据其变化过程来进一步区分注意力是否集中？
本发明专利通过神经网络来对光照条件与人员注意力之间的复杂非线性映射关系进行建模，其中光照条件包括工作面照度、色温，还可以包括颜色的xyz色坐标值，注意力则通过眼睛开度值、视线专注度值、视线移动速率、心率，及其各自对应的注意力因素值等参数来表征。考虑到人员注意力还受到累积工作或学习时间的影响，神经网络以上述的几个光色参数、以及持续学习时间等参数作为输入量，以注意力的6个参数为输出量。神经网络采用RBF网络，采集足够多的样本后，用K均值聚类算法确定RBF神经网络隐含层节点的个数及其各自的中心向量，采用梯度下降法修正网络隐含层到输出层的权值，使训练样本空间输出量的实际值与网络输出值之间的误差最小。
建立了光色参数到注意力参数的映射后，可以通过优化算法搜索对特定个体能提高其注意力的光环境，并通过调光手段将现场光环境按优化结果进行配置。为此，基于注意力参数建立多评价因素的光环境评价函数，所建立的评价函数F在学习者注意力集中时将有较高评分，否则评分降低。由于注意力寻优涉及到多个因素，这是一个多目标优化问题，对于多目标优化问题，其优化解被称为Pareto解。通过多目标遗传优化算法MOGA来求解该问题。
经过优化求解后，获得注意力评价高的光色参数。然后，调光映射单元将该优化出的光色参数映射为灯组各驱动电流通道的驱动电流值，并将所述电流值输出给可调光灯组内的驱动器，从而获得有助于学习者保持或提高注意力的光照环境。
调光映射单元将光色参数转换为灯组驱动电流的映射，可以基于多种手段。首先，可以基于一个事先生成的光色空间至驱动电流空间的查找表；其次，可以基于经最小二乘法回归生成的光色空间至驱动电流空间的变换多项式；或者，还可以基于一个BP神经网络，该BP网络以工作面照度、色温、以及颜色的xyz色坐标值共5个光色参数作为输入量，以灯组的所有驱动电流通道的电流值作为输出量。
本发明的技术解决方案是，提供一种以下结构基于注意力因素的照明控制装置，其包括：光色传感单元、图像采集单元、心率采集单元、控制单元、用户接口单元、用户身份识别单元和调光映射单元，
所述光色传感单元采集工作面光照的照度、色温等光色参数，所述图像采集单元采集学习者的面部及工作面区域的图像，所述心率采集单元采集学习者的心率，所述调光映射单元将工作面照度、色温等光色参数映射为灯组驱动电流，所述用户接口单元用来进行参数输入和按键操作，所述用户身份识别单元用来识别用户身份，所述控制单元中有一个输出模块用来进行信号显示并将注意力因素值、调光信号输出；
所述控制单元还包括处理模块、迭代学习模块、神经网络模块、连接切换器和存储模块，并且其被配置为：
处理模块对光色传感单元采集的信号进行处理获取工作面照度、色温等光色参数，对图像采集单元采集的信号进行处理获取学习者的眼睛开度值、视线专注度值、视线移动速率，并通过读取心率采集单元的信号获取学习者的心率，其中视线专注度为视线偏移距离即当前视线与工作面交点到所预设工作面区块的最短距离，
神经网络模块以工作面照度、色温及持续学习时间共3个参数作为输入量，以学习者眼睛开度、视线专注度、心率3个体征参数，及其各自对应的注意力因素值共6个用来表征注意力因素的参数作为输出量，建立RBF神经网络，
处理模块中的调光处理部通过输出模块向灯组发出调光信号，对变化后的光环境基于光色传感单元、图像采集单元和心率采集单元获取RBF神经网络的训练样本，迭代学习模块通过连接切换器分别从处理模块获取训练样本对应的6个输出量实际值，从神经网络获取该训练样本对应3个输入量经神经网络处理后的6个映射值，根据该6个输出量实际值及6个映射值来调整神经网络结构参数以对神经网络进行训练，并重复训练直至完成，
在现场环境中，处理模块中的照明优化处理部基于注意力因素参数建立光环境评价函数，对不同用户分别以所述用户对应的经训练的RBF神经网络对不同光色参数条件下的6个注意力因素参数进行预测，通过多目标优化算法，在现场灯组光色参数可取值的空间范围内，对工作面照度、色温进行寻优，并将寻优结果传输给调光映射单元；
调光映射单元将寻优结果映射为灯组各驱动电流通道的驱动电流值，并通过输出模块的通信接口输出；
所述存储模块用来记录和保存RBF神经网络结构参数、迭代学习参数及处理过程数据。
作为优选，所述用来表征注意力因素的的3个体征参数的注意力因素值分别按如下方式处理获得：
第一，对于眼睛开度序列de，先通过下式进行窗口平均滤波，获得当前时刻的眼睛开度e，
Figure GDA0002782591070000031
再通过间隔移动窗口，获得眼睛开度的下采样序列Xe，
Xe＝{e(0),e(Ts),e(2Ts),...}，
接着，对序列Xe用下式进行函数拟合：y＝a·e-b·x，根据所拟合出的函数，求取开度变化时间tu，
Figure GDA0002782591070000041
其中，L为窗口宽度，Ts为下采样间隔，a、b均为拟合系数，E1、E2为眼睛开度的两个阈值，对于归一化的眼睛开度值序列，E1、E2在0～1之间取值；
分别根据眼睛开度e、开度变化时间tu，计算眼睛开度第一、第二体征值，
Figure GDA0002782591070000042
其中，be、ce为根据统计所获得的、覆盖了正常状态下设定比例的眼睛开度值的区间的下限值与上限值，ae、de则分别为另两个预设下限值与上限值；btu为正常状态下当前持续学习时间范围内覆盖了设定比例的眼睛开度变化时间的上限值，atu为设定的下限值；
计算眼睛开度的注意力因素值为，
ke＝ke1·ke2；
第二，检测学习者视线与工作面的交点，若所述交点落在预设工作面区块范围之外，计算所述交点到工作面区块的最短距离并记录其对应的视点连续超出预设范围的时间长度，对于所述距离序列dd，先通过窗口平均滤波获得当前视线偏移距离d，同时计算对应窗口时间范围内视点连续超出预设范围的最大时间长度td，
分别根据所述距离d、时间长度td，计算视线专注度的第一、第二体征值，
Figure GDA0002782591070000043
其中，a、b为拟合系数，Td是正常状态下当前持续学习时间范围内覆盖了设定比例的、视点连续超出预设范围的最大时间长度，σ是一个预设的宽度值；
计算视线专注度的注意力因素值为，
kd＝kd1·kd2；
第三，对于心率数据序列，根据正常状态下心率期望值设定一个上下波动区间，统计以当前时间为中心一预设时间长度内、数据波动超出所述波动区间范围的的次数N，以及所述预设时间长度内心率在所述区间范围内的样本个数占比Rb，
N＝N++N-，
其中，N+为跨出所述区间的次数，N-则是跨入所述区间的次数；
分别根据所述次数N、占比Rb，计算心率的第一、第二体征值，
Figure GDA0002782591070000051
Figure GDA0002782591070000052
其中，TN是正常状态下当前持续学习时间范围内覆盖了设定比例的、心率超出波动区间范围的最大次数，σN是一个预设的宽度值，aRb、bRb则是根据统计设定的两个比例阈值；
计算视线专注度的注意力因素值为，
kb＝kb1·kb2。
作为优选，基于所述3个注意力因素值，以及眼睛开度、视线专注度、心率3个体征参数，所述光环境评价函数为，
Figure GDA0002782591070000053
其中，fi分别为眼睛开度、视线专注度、心率的注意力参数评价值，wi为其对应的权值，各fi的定义如下：
Figure GDA0002782591070000054
f3＝fp1·fp2·kb，其中，
Figure GDA0002782591070000055
Figure GDA0002782591070000061
式中，e为当前时刻的眼睛开度值，eT为眼睛开度阈值，ke为眼睛开度的注意力因素值；dp为视线偏移距离，dS为其对应的距离阈值，kd为视线专注度的注意力因素值；p为当前单位时间内心跳次数即心率，pT为其对应的的阈值，ap为单位时间内心率的变化，a1和a2为其对应的心率变化即心率加速度的阈值，a3为设定的变化率区间宽度值，kb为心率的注意力因素值；
所述多目标优化算法，采用进化处理，对进化群体中的每个个体，将其对应的光照度与色温经RBF神经网络映射为注意力因素参数值，并基于所述的光环境评价函数计算个体的总评价值F，进而根据所述总评价值F进行遗传、交叉和变异操作，更新进化群体，之后，反复进化群体，直至寻优结束后，输出寻优结果。
作为优选，所述用户接口单元包括一个学习模式键，且通过所述学习模式键选择为阅读模式时，所述神经网络的输出量中增加视线移动速率、及其注意力因素值两个参数，且视线移动速率注意力因素值计算过程为：
在一预设时间长度Tp内，检测学习者视线与工作面的交点，对落入预设工作面区块范围之内的所述交点的集合，求取外接矩形，并根据所述矩形的长X和宽Y，计算视线移动速率
Figure GDA0002782591070000062
然后，计算视线移动速率的注意力因素值为，
Figure GDA0002782591070000063
其中，avs、bvs分别为根据统计设定的两个速率阈值，
在所述光环境评价函数中，相应增加一个视线移动速率注意力参数评价值f4，且f4＝kv。
作为优选，所述调光映射单元中含有一个工作面照度、色温组成的光色空间至双通道驱动电流空间的转换多项式，对于所述寻优结果(E0，K0)，通过该多项式计算双通道驱动电流值i01和i02：
i01＝α1·E0+α2·K0+α3·E0·K0+α4·E0 2+α5·K0 2
i02＝β1·E0+β2·K0+β3·E0·K0+β4·E0 2+β5·K0 2。
作为优选，所述光色参数还包括工作面光照颜色的xyz色坐标值，所述RBF神经网络以工作面照度、色温、颜色的xyz色坐标值共5个光色参数及持续学习时间共6个参数作为输入量，
所述调光映射单元被控制单元中建立的BP神经网络代替，所述BP神经网络以5个光色参数作为输入量，以w个驱动电流通道的电流值作为输出量，建立人工神经网络，
所述调光处理部通过控制单元的输出模块向灯组发出调光信号时，对变化后的光环境进行光色信号采集与处理的同时还记录调光所对应的w个驱动电流通道的驱动电流值，以形成BP神经网络的训练样本集并用样本集对所述BP神经网络进行训练，
在现场环境中，经训练的BP神经网络将寻优结果映射为灯组各驱动电流通道的驱动电流值，并通过控制单元的输出模块的通信接口输出。
作为优选，所述图像采集单元采用的相机安装在工作场景中人员正对面的支架上，所述用户接口单元中包括有对当前学习难度进行指示的按键，所述神经网络增加一个学习难度系数输入参数；
所述用户接口单元还包括一个取消采样按键，所述控制单元在检测到此按键被按下后，暂停数据采样和样本记录；
在所述用户接口单元中，还设有一个含游标的滑动输入器，所述控制单元还被配置为：
在所述多目标优化算法处理过程中，根据光环境评价函数计算出总评价值F后，再根据学习者对滑动输入器进行操作后游标的位置，对所述评价值进行调整：
F'＝F·(1+η·Δ)，
Figure GDA0002782591070000071
其中，E为当前个体对应的待评分的光的照度，E0为当前光的照度且其对应于滑动输入器上正中间的位置，当游标朝滑动输入器左右两边滑动时左右两端位置分别对应于E0的0.9和1.1倍照度，En为用户操作后游标位置对应的照度，Δ为按照度进行评分调整的设定阈值，η为调整系数，F和F'分别为调整前后的评分值。
作为优选，所述调光信号为LED灯驱动电流的PWM波占空比数值；
所述图像采集单元采用双目相机，所述处理模块包括图像处理部和光色处理部，所述图像处理部又包括眼开度检测器和视线检测器，所述光色处理部又包括照度检测器、色温检测器和颜色检测器。
在本发明的另一个实施例中，还提供另一种基于注意力因素的照明控制装置，其包括：光色传感单元、图像采集单元、心率采集单元、控制单元、用户接口单元，
所述光色传感单元采集工作面光照的照度、色温等参数，所述图像采集单元采集学习者的面部及工作面区域的图像，所述心率采集单元采集学习者的心率，所述用户接口单元用来进行参数输入、按键操作和用户身份识别，所述输出模块用来进行信号显示并将注意力因素值、调光信号输出；
所述控制单元包括处理模块、迭代学习模块、神经网络模块、连接切换器、输出模块和存储模块，并且其被配置为：
处理模块对对图像采集单元采集的信号进行处理获取学习者的眼睛开度值、视线专注度值、视线移动速率，并通过读取心率采集单元的信号获取学习者的心率，
神经网络模块以u个LED串的驱动电流、及v个照射角度，共w个照明参数及持续学习时间作为输入量，以学习者的眼睛开度、视线专注度、心率3个体征参数及其各自对应的注意力因素值共6个注意力因素参数作为输出量，建立RBF神经网络，
处理模块中的调光处理部通过输出模块或用户接口单元向灯组发出调光信号，对变化后的光环境基于图像采集单元、心率采集单元及调光信号获取RBF神经网络的训练样本集，用样本集对RBF神经网络进行训练，
在现场环境中，处理模块中的照明优化处理部基于6个注意力因素参数建立光环境评价函数，对不同用户分别以所述用户对应的经训练的RBF神经网络对不同照明参数条件下的注意力因素参数进行预测，通过多目标优化算法，在现场灯组照明参数可取值的空间范围内，对LED串的驱动电流、及照射角度进行高注意力评价值的寻优，
将寻优获得的LED串的驱动电流、及照射角度，通过输出模块的通信接口输出。
同时，本发明还提供一种基于注意力因素的照明控制方法，包括以下步骤：
S1、初始化，在控制单元中建立RBF神经网络，所述神经网络以工作面照度、色温等光色参数及持续学习时间共3个参数作为输入量，以学习者的眼睛开度、视线专注度、心率3个体征参数，及其各自对应的注意力因素值共6个用来表征注意力因素的参数作为输出量，其中视线专注度为视线偏移距离即当前视线与工作面交点到所预设工作面区块的最短距离；
S2、通过控制单元的输出模块向可调光LED灯组发出调光信号，对变化后的光环境基于光色传感单元、图像采集单元和心率采集单元进行信号采集，处理模块对所采集信号进行处理，获得所述RBF神经网络的训练样本；
S3、重复进行步骤S2多次，获取所述RBF神经网络的训练样本集，并用样本集对RBF神经网络进行训练；
S4、确定多目标优化算法中将工作面照度、色温等光色参数进行编解码的策略，并确定其各自取值区间，初始化进化群体；
S5、针对搜索空间内进化群体中的各个体，基于其光色参数及当前持续学习时间用训练后的RBF神经网络对其注意力参数进行预测，获得眼睛开度、视线专注度、心率及其各自的注意力因素值共6个注意力因素参数预测值；
S6、基于所述预测值，按所建立的光环境评价函数计算其注意力评价值，并根据所述评价值进行交叉遗传和变异操作，更新进化群体；
S7、转至步骤S5，反复迭代，直至寻优结束后，输出Pareto优化解；
S8、将优化解映射为灯组各驱动电流通道的驱动电流值，并将所述电流值传送给灯组内的驱动器进行调光。
作为优选，所述步骤S3在采集训练样本时，在已知的LED灯组调光范围内，以步进的方式改变LED灯组中各通道的驱动电流，且使得所采集样本在色温4500k、照度300lx～500lx附近的区域，其采样点密集度比其他区域大。
作为优选，所述灯组包括高色温、低色温两种LED串且每串LED各对应一个驱动电流通道，所述优化解映射基于一个工作面照度、色温组成的光色空间至双通道驱动电流空间的查找表，对于优化解(E0，K0)，通过在查找表中进行插值来获取双通道驱动电流值组合。
作为优选，步骤S1中所述RBF神经网络增加3个输入量，以工作面照度、色温、颜色的xyz色坐标值共5个光色参数及持续学习时间共6个参数作为输入量，
所述步骤S1中还增加以下处理过程：
建立一个用于将优化解映射为灯组各驱动电流通道的驱动电流值的BP神经网络，所述BP神经网络以所述5个光色参数作为输入量，但以w个驱动电流通道的电流值作为输出量，
所述步骤S2中还增加以下处理过程：
发出所述调光信号时，记录调光所对应的w个驱动电流通道的驱动电流值，所述电流值及调光后处理获得的光色参数共同形成BP神经网络的训练样本，
所述步骤S3中还增加以下处理过程：
获取BP神经网络的训练样本集，并用样本集对BP神经网络进行训练；
所述步骤S8的优化解映射通过所述BP神经网络进行。
作为优选，所述LED灯组通过驱动器调节灯组内各LED串的驱动电流值，所述调光信号为LED串驱动电流的PWM波占空比数值；
所述图像采集单元采用双目相机，所述处理模块包括图像处理部和光色处理部，所述图像处理部又包括眼开度检测器和视线检测器，所述光色处理部又包括照度检测器、色温检测器和颜色检测器；
所述步骤S2包括如下处理过程：
针对所采集图像，所述眼开度检测器通过计算脸部区域中的人眼高宽比来获取眼睛开度值，所述视线检测器通过获取脸部区域中眼睛瞳孔与普尔钦斑点构成的三维坐标向量来判断学习者的三维视线方向；
所述照度检测器、色温检测器和颜色检测器分别检测工作面的照度、色温以及颜色的xyz色坐标值。
在本发明的又一个实施例中，还提供另一种基于注意力因素的照明控制方法，包括以下步骤：
S1、初始化，在控制单元中建立RBF神经网络，所述神经网络以灯组中u个LED串的驱动电流、及v个照射角度，共w个照明参数及持续学习时间作为输入量，以学习者的眼睛开度、视线专注度、心率3个体征参数，及其各自对应的注意力因素值共6个注意力因素参数作为输出量；
S2、通过控制单元的输出模块向可调光灯组发出调光信号，对变化后的光环境基于图像采集单元和心率采集单元进行信号采集，处理模块对所采集信号进行处理，获得所述RBF神经网络的训练样本；
S3、重复进行步骤S2多次，获取所述RBF神经网络的训练样本集，并用样本集对RBF神经网络进行训练；
S4、确定将w个照明参数进行编解码的策略，并确定其各自取值区间，初始化进化群体；
S5、针对搜索空间内进化群体中的各个体，基于其w个照明参数及当前持续学习时间用训练后的RBF神经网络对其注意力因素参数进行预测，获得眼睛开度、视线专注度、心率及其各自的注意力因素值共6个注意力因素参数预测值；
S6、基于所述预测值，按评价函数计算其注意力评价值，并根据评价值进行交叉遗传和变异操作，更新进化群体；
S7、转至步骤S5，反复迭代，直至寻优结束后，输出Pareto优化解；
S8、将优化解所对应的各驱动电流通道驱动电流值、及照射角度，传送给灯组内的驱动器进行调光。
作为优选，所述BP神经网络的模型为：
隐含层层第j个节点输出为
Figure GDA0002782591070000101
输出层第p个节点输出为
Figure GDA0002782591070000102
其中，f()函数取为sigmoid函数，wij和vjp分别为输入层到隐含层的连接权值和隐含层到输出层的连接权值，aj和bp分别为隐含层和输出层阈值，k为隐含层节点数，采用梯度下降法进行网络训练；
BP神经网络对N个训练样本的总误差准则函数为：
Figure GDA0002782591070000111
作为优选，所述RBF神经网络的模型为：
隐层第i个节点输出为：
Figure GDA0002782591070000112
输出层第j个节点输出为：
Figure GDA0002782591070000113
其中，输入向量X的维数为m，隐层H节点数为p个，输出向量Y的维数为6，Ci为隐层第i个节点高斯函数的中心，σi是高斯函数中心的宽度，||X-Ci||是向量X和Ci之间的欧氏距离，wij为第i个隐层节点到第j个输出节点间的权值，网络逼近的性能指标函数即总的平均误差函数为：
Figure GDA0002782591070000114
采用本发明方案，与现有技术相比，具有以下优点：本发明分别通过工作面照度、色温等因素来表征光照条件，通过眼睛开度值、视线专注度值、视线移动速率、心率等体征参数来表征注意力并通过多因素量化以客观地区分学习者注意力的高低，各参数分别通过光色传感单元、图像采集单元或心率采集单元进行信号采集后经控制单元自动提取；采用非线性网络对环境的光照条件与人员注意力之间的映射关系进行构造建模，经训练后的网络能对不同光环境下的人员注意力进行预测，从而在各种工作现场，为高注意力光环境的推荐和评价提供了依据。基于多目标优化算法，搜索出高注意力评价值的光色参数，并基于查找表或转换多项式或非线性映射网络，将优化出的光色参数映射为灯组的驱动电流，从而实现有助于学习者提高或保持注意力的光照条件。同时，还通过用户接口单元在线调节评分标准，使得优化出的光照更符合学习者的个体偏好。
应当理解的是，前述概念以及下文中更详细地讨论的附加概念的所有组合(倘若这样的概念并非相互不一致)都可以被设想为本文公开的发明主题的一部分。特别地，出现在本公开末尾处的要求保护的主题的所有组合都可以被设想为本文公开的发明主题的一部分。
附图说明
图1为本发明方法工作流程图；
图2为采用本发明方法的照明控制系统的组成结构图；
图3为本发明照明环境示意图；
图4为控制单元组成结构图；图5为处理模块组成结构图；
图6为RBF神经网络结构示意图；
图7为一实施例下本发明局部结构示意图；
图8为另一实施例下本发明局部结构示意图；
图9为滑动输入器示意图；
图10为工作区域设定示意图；
图11a为工作区域设定单元结构组成图；图11b、图11c为调节轴结构组成图；图11d为灯槽结构组成图；
图12为视线与工作面交点示意图；
图13为体征数据序列示意图；
图14a、图14b分别为眼睛开度的第一、第二体征值评估函数示意图；图14c、图14d分别为视线专注度的第一、第二体征值评估函数示意图；
图15为视点分布示意图；
图16为灯组驱动结构示意图。
其中：
1000基于注意力因素的照明控制系统，100基于注意力因素的照明控制装置，110光色传感单元，120图像采集单元，130心率采集单元，140用户接口单元，150控制单元，160用户身份识别单元，170调光映射单元，180可调光灯组，
151处理模块，152RBF神经网络，153第一连接切换器，154第一迭代学习模块，155输出模块，156存储模块，157BP神经网络，158第二连接切换器，159第二迭代学习模块，181驱动器，182LED灯，
1511图像处理部，1512光色处理部，1513调光处理部，1514照明优化处理部，1551显示屏，1552通信接口，15111眼开度检测器，15112视线检测器，15113嘴形检测器，15121照度检测器，15122色温检测器，15123颜色检测器，
101底板，102支架，103双目相机，104红外辅助光源，105显示条，106光色传感块，107按键块，108标定块，109工作区域设定单元，
1071滑动输入器，1072游标，
1091枢轴，1092调节板，1093第一调节轴，1094第二调节轴，1095灯槽，1096电机，1097，驱动杆，1098，连杆，
951LED灯珠，952玻璃罩，953聚光片。
具体实施方式
以下结合附图对本发明的优选实施例进行详细描述，但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精神和范围上做的替代、修改、等效方法以及方案。
为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。
在下列段落中参照附图以举例方式更具体地描述本发明。需说明的是，附图均采用较为简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
实施例1
如图1所示，本发明的基于注意力因素的照明控制方法，包括以下步骤：
S1、初始化，在控制单元中建立RBF神经网络，所述神经网络以工作面照度、色温等光色参数及持续学习时间共3个参数作为输入量，以学习者的眼睛开度、视线专注度、心率3个体征参数，及其各自对应的注意力因素值共6个用来表征注意力因素的参数作为输出量，其中视线专注度为视线偏移距离；
S2、通过控制单元的输出模块向可调光LED灯组发出调光信号，对变化后的光环境基于光色传感单元、图像采集单元和心率采集单元进行信号采集，处理模块对所采集信号进行处理，获得所述RBF神经网络的训练样本；
S3、重复进行步骤S2多次，获取所述RBF神经网络的训练样本集，并用样本集对RBF神经网络进行训练；
S4、确定多目标优化算法中将工作面照度、色温等光色参数进行编解码的策略，并确定其各自取值区间，初始化进化群体；
S5、针对搜索空间内进化群体中的各个体，基于其光色参数及当前持续学习时间用训练后的RBF神经网络对其注意力参数进行预测，获得眼睛开度、视线专注度、心率及其各自的注意力因素值共6个注意力因素参数预测值；
S6、基于所述预测值，按所建立的光环境评价函数计算其注意力评价值，并根据所述评价值进行交叉遗传和变异操作，更新进化群体；
S7、转至步骤S5，反复迭代，直至寻优结束后，输出Pareto优化解；
S8、将优化解映射为灯组各驱动电流通道的驱动电流值，并将所述电流值传送给灯组内的驱动器进行调光。
下面详细说明本发明的处理过程与应用。
如图2所示，本发明方法应用于基于注意力因素的照明控制系统1000，基于注意力因素的照明控制系统1000包括基于注意力因素的照明控制装置100和可调光灯组180，其中基于注意力因素的照明控制装置100又包括光色传感单元110、图像采集单元120、心率采集单元130、用户接口单元140、控制单元150、用户身份识别单元160和调光映射单元170。
其中，心率采集单元130采集学习者的心率，可以通过腕表或手环获取，并通过通信接口传送给控制单元150。光色传感单元110采集工作面光照的照度、色温和颜色，照度可以用独立的模块来进行检测，色温和颜色则可以通过同一个RGB或xyz颜色传感模块来进行获取。作为优选，颜色传感模块可以选用TCS3430传感器，TCS3430的滤波器具有五个通道，包括X、Y、Z通道以及两个红外通道，两个红外通道可用于推断光源类型。TCS3430传感器实时采集工作面的光色信号，通过控制单元中处理模块信号处理、转换后分别获得颜色的xyz色坐标值和色温。
灯组180为可调光灯组，其亮度、色温、颜色及照射角度等光性质其中至少有一种是可调的。用户身份识别单元160对学习者进行身份识别，以进行针对独特个体的数据采集、模型构建和照明控制。作为优选，用户身份识别单元160可以采用以下其中一种或几种识别方式：指纹识别、虹膜识别、语音识别、人脸识别。
调光映射单元170基于查找表插值或转换多项式或非线性映射网络将经过控制单元150按注意力评价值优化求解出的工作面照度、色温等光色参数映射为灯组驱动电流，并将各电流值传送给灯组180中的驱动器181，从而改变灯组中LED灯182的出光，获得高注意力的光环境。
结合图2～图4所示，照明系统控制单元或调光映射单元发出调光指令，该指令中包括灯组内n串LED串的驱动电流值。通过调光指令实现灯组在工作面照明光色的调节，工作面的光色被光色传感单元采集后由控制单元处理。人员在不同光色条件下将有不同的注意力表现，，通过图像采集单元、心率采集单元对人体面部、心跳等体征进行采集后由控制单元进行处理、提取和评估，并形成注意力参数集。
如图3所示，针对特定个体，采集其在各种光色条件下的注意力表现，且在光色参数与注意力参数之间建立第一映射。对人员注意力参数建立注意力评价函数，由于评价指标包括多个，因此可以基于多目标优化算法如多目标遗传算法(MOGA)来对光色参数进行寻优。寻优过程中，针对搜索空间中每种光色参数组合，基于第一映射的泛化，对该参数组合对应的注意力参数进行预测，从而能依据所预测的注意力参数计算该组合对应的注意力评价。
寻优结果是上述搜索空间中的光色参数组合，所述组合需要被转换为灯组的实际驱动电流，为此，建立光色参数到灯组驱动电流的第二映射。基于该第二映射，将寻优结果变换为灯组的驱动电流值，以调光指令传送给灯组的驱动器执行，向各通道输出对应电流后，调节LED串出光，实现注意力优化值对应的光环境照明。
结合图2、图4所示，控制单元150包括处理模块151、第一迭代学习模块154、RBF神经网络模块152、第一连接切换器153、输出模块155和存储模块156。其中，处理模块151又包括图像处理部1511、光色处理部1512、调光处理部1513和照明优化处理部1514。结合图4、图5所示，光色处理部1512又包括照度检测器15121、色温检测器15122和颜色检测器15123，它们对光色传感单元采集的信号进行处理，分别获得表征工作面光照条件的照度、色温以、以及颜色的xyz三个刺激值等光色参数。图像采集单元120可采用双目相机，图像处理部1511对图像采集单元120采集的信号进行处理，获取学习者脸部等特征。
注意力状态的检测可以基于机器视觉及图像处理等技术，而这类方法在交通驾驶中已有采用，有很多研究通过对驾驶员面部特征进行分析实现了驾驶员状态的有效监测。对于在桌面的学习而言，可以通过图像处理的方法进行注意力检测与分析。与情绪饱满、注意力集中时的状态不同，人在疲劳或注意力分散时，生理参数会出现不同程度的变化，可以作为注意力状态监测的依据。当学习者注意力不集中时，眼睑下闭，眼睛的开度明显减小，甚至出现间断性的闭合、眨眼；而在明显困倦之前的亚疲倦状态下，也会出现阅读速度降低、视线移动变慢的现象；偶尔，人员还会出现打哈欠的动作。因此，本发明专利基于学习者面部特征进行注意力状态的检测。
具体地，结合图4和图5所示，图像处理部1511内包括眼睛开度检测器15111、视线检测器15112和嘴形检测器15113，它们分别对学习者的眼睛睁开程度、视线方向和嘴部张开特征进行检测，进而结合标定和转换处理获取学习者的眼睛开度值、视线专注度值及视线移动速率。其中视线专注度为视线偏移距离即视线与工作面交点到所预设工作面区块的最短距离。
用图像处理对视线估计方法可选虹膜巩膜边缘法、瞳孔-眼角点定位法和瞳孔-角膜反射法。前二者分别利用红外线信号差及眼角与瞳孔连线来估计视线方向。作为优选，本发明采用第三种方法，利用红外光源照射人眼角膜，光线照射到眼睛上时，会在眼角膜的外表面产生一个反射，在眼睛中显示为亮点，称为普尔钦斑点。当眼球转动时，普尔钦斑点位置不动，因此可以通过人眼瞳孔与普尔钦斑点的相对位置关系，进行视线方向估计。在具体应用中，瞳孔-角膜反射方法又有二维视线估计法和三维视线估计法两类实现方法。二维视线估计法采用的是校准过的视线映射函数，二维眼睛特征参数是该函数的输入参数，输出的就是视线方向或屏幕注视点，该方法是基于单目视觉的，简单快速，但精度较低。三维视线估计法则基于双目视觉的，通过三维重建过程获取驾驶员眼睛的空间三维信息，检测精度高、范围大。
基于双目相机采集到的学习场景图像，首先要进行平滑处理及阈值分割，去除噪声并进行学习者面部及眼睛区域定位，提取人眼高宽比、眼睛瞳孔、普尔钦斑点等特征信息；其次，将提取的特征点进行立体匹配，基于几何约束建立过程，对眼睛瞳孔及普尔钦斑点进行三维重建，获得其三维世界坐标；最后，通过瞳孔与普尔钦斑点构成的三维坐标向量判断学习者的三维视线方向。基于周期性获取的人眼高宽比及视线方向跟踪，可以计算出眼睛开度值、视线空间方向及视线移动速率。
具体地，结合图2、图7所示，本发明将图像采集单元采用的双目相机103安装在工作场景中人员正对面的支架102上，支架102固定在底板101上。辅助进行视线检测的红外辅助光源104也固定在支架102上，光色传感单元则固定在底部表面的光色传感块106区域，在光色传感块106关于支架对称的另一端，用户接口单元的按键设置在按键块107区域。
参见图10示，为了在图像处理中进行学习者视点的检测与判断，需要在工作面内预设一个合理的工作区块。为此，在装置中增设一个工作区域设定单元109。工作区域设定单元109通过位于中心的枢轴1091支撑于支架102的顶端，在枢轴1091上活动连接有呈对称分布的左、右、前、后共四块三角形调节板1092。其中，如图11a所示，左、右两块调节板1092之间还连接有第一调节轴1093，前、后两块调节板1092之间连接有第二调节轴1094，在四块调节板的底边均设有一个矩形灯槽1095。两个调节轴在纵向的高度上相互错开。
如图11b，第一调节轴、第二调节轴均采用电机1096驱动两个做相反方向运动的驱动杆1097，其中，驱动杆连接到调节板内侧。如图11c所示，作为优选，两个调节轴的驱动杆1097还可以通过一个连杆1098来连接到调节板。如图11d所示，位于调节板末端的灯槽1095，内嵌LED灯珠951，在灯珠外面设有玻璃罩952，玻璃罩四周由聚光片953将LED的光线聚集为长条形。
结合图10、图11b所示，矩形灯槽1095发出条形光斑GS。控制单元通过控制电机旋转来驱动第一调节轴、第二调节轴，从而分别改变左右、前后两对调节板相对水平面的倾角，从而在工作面水平面上通过四条条形光斑围出一个矩形区域，作为预设工作面区块。其中，电机做顺时针转动时，驱动杆带动调节板往外侧移动，使得调节板相对水平面的倾角变小，条形光斑外移，工作面区块扩大；反之，当电机逆时针转动时，工作面区块缩小。作为优选，可以在用户接口单元的按键中设置4个按钮来分别调节工作面区块左右、前后方向上的扩大、缩小。工作面区块的范围可通过电机等机构的旋转角度记录。
通过工作面区块的在线调节，大大方便了检测样本的获取，提高了样本获取的准确性、适用性。在完成工作面区块的设置后，通过按键操作将灯槽出光关闭。
如图12所示，通过图像处理部获取的视线为经过P0点的v向射线。在工作水平面G2中，预设工作面区块是以GA、GB、GC、GD为角点的矩形区域G1，工作平面的法向向量为u，世界坐标系为O-XYZ，则可计算视线与工作平面的交点P1的坐标。
首先，射线的参数方程为：
Figure GDA0002782591070000161
其中，t为自变量参数，
则由
Figure GDA0002782591070000162
可计算出视线与工作平面的交点P1的坐标，
Figure GDA0002782591070000163
如图12所示，在G2平面中，根据工作面区块的四个角点将工作面区块范围外的区域划分出I～Ⅷ共八个区域。若视点P1不在工作面区块内，首先判断其在哪个区域，然后根据所在区域进一步计算视点与工作面区块的最短距离d。具体地，如果视点落在对角区域的Ⅱ、Ⅳ、Ⅵ、Ⅷ区域，则计算视点与相应角点的距离；否则，则计算视点与相应角点在X方向或Y方向上的距离。如图中所示，P1在V区，则有，
d＝|xP1-xGD|。
结合图2、图3、图6所示，本发明采用神经网络对环境的光照条件与人员注意力之间的映射关系进行构造建模。具体地，建立以图6所示的RBF神经网络，该网络以工作面照度、色温及持续学习时间共3个参数作为输入量，以学习者眼睛开度、视线专注度、心率3个体征参数、及其各自对应的注意力因素值共6个用来表征注意力因素的参数作为输出量。其中，各体征参数的注意力因素值按如下过程进行量化。
参见图13所示的归一化后体征数据序列的示意图，其中，所记录的为一次眼睛开度经滤波后的数据序列，且以体征物理量的最大概率取值区间的中点为1。
T1、对于眼睛开度序列de，由于眼睛开度变化高频分量多，先通过下式进行窗口平均滤波，获得当前时刻的眼睛开度e，
Figure GDA0002782591070000171
再通过间隔移动窗口，获得眼睛开度的下采样序列Xe，
Xe＝{e(0),e(Ts),e(2Ts),...}，
接着，对序列Xe用下式进行函数拟合：y＝a·e-b·x，获取眼睛开度的变化趋势。根据所拟合出的函数，求取开度变化时间tu，
Figure GDA0002782591070000172
其中，L为窗口宽度，Ts为下采样间隔，a、b均为拟合系数，E1、E2为眼睛开度的两个阈值，对于归一化的眼睛开度值序列，E1、E2在0～1之间取值。
然后，结合图14a与图14b所示，分别根据眼睛开度e、开度变化时间tu，计算眼睛开度第一、第二体征值，
Figure GDA0002782591070000173
其中，be、ce为根据统计所获得的、覆盖了正常状态下设定比例的眼睛开度值的区间的下限值与上限值，ae、de则分别为另两个预设下限值与上限值；btu为正常状态下当前持续学习时间范围内覆盖了设定比例的眼睛开度变化时间的上限值，atu为设定的下限值；
计算眼睛开度的注意力因素值为，
ke＝ke1·ke2。
T2、检测学习者视线与工作面的交点，若交点落在预设工作面区块范围之外，计算所述交点到工作面区块的最短距离并记录其对应的视点连续超出预设范围的时间长度，对于所述距离序列dd，先通过窗口平均滤波获得当前视线偏移距离d，同时计算对应窗口时间范围内视点连续超出预设范围的最大时间长度td。若交点落在工作面区块内，则赋值距离d为零。
结合图14c、图14d所示，分别根据所述距离d、时间长度td，计算视线专注度的第一、第二体征值，
Figure GDA0002782591070000181
其中，a、b为拟合系数且a、b的值越大，函数值下降越快；Td是正常状态下当前持续学习时间范围内覆盖了设定比例的、视点连续超出预设范围的最大时间长度，σ是一个预设的宽度值；
计算视线专注度的注意力因素值为，
kd＝kd1·kd2。
T3、对于心率，由于其变化区间相对要小得多，变化周期很长，其注意力因素评价值按如下过程求取。结合图13所示，在纵轴单位值的上下各δ％的位置画两条虚线。对心率数据序列，根据正常状态下心率期望值设定的上下波动区间，统计以当前时间为中心一预设时间长度内、数据波动超出所述波动区间范围的的次数N，以及所述预设时间长度内心率在所述区间范围内的样本个数占比Rb，
N＝N++N-，
其中，N+为跨出所述区间的次数，N-则是跨入所述区间的次数。
分别根据所述次数N、占比Rb，计算心率的第一、第二体征值，
Figure GDA0002782591070000182
Figure GDA0002782591070000183
其中，TN是正常状态下当前持续学习时间范围内覆盖了设定比例的、心率超出波动区间范围的最大次数，σN是一个预设的宽度值，aRb、bRb则是根据统计设定的两个比例阈值；
计算心率的注意力因素值为，
kb＝kb1·kb2。
在上述量化中的预设参数，如E1、E2可根据持续学习时间增大而逐渐减小，还可以采用相对比例进行两个参数的设置；其他预设参数也可类似做动态调整。心率参数处理中，波动区间对应的δ可根据统计设定，如设置使得正常状态下虚线范围内所对应区间的体征数据概率为一概率阈值，所述概率阈值的上下限均在0.92～0.98之间取值。上述正常状态，是指学习者在其评分较高的舒适光照条件下的体征检测样本。
在上述各体征的注意力因素值计算过程中，处理获得的眼睛开度、视线专注度、心率的注意力因素值，在考虑各种体征特点的同时还都能体现一致的评价标准。
基于所述3个注意力因素值，以及眼睛开度、视线专注度、心率3个体征参数，定义光环境评价函数为，
Figure GDA0002782591070000191
其中，fi分别为眼睛开度、视线专注度、心率的注意力参数评价值，wi为其对应的权值，各fi的定义如下：
Figure GDA0002782591070000192
f3＝fp1·fp2·kb，
其中，
Figure GDA0002782591070000193
Figure GDA0002782591070000194
式中，e为当前时刻的眼睛开度值，eT为眼睛开度阈值，ke为眼睛开度的注意力因素值；dp为视线偏移距离，dS为其对应的距离阈值，kd为视线专注度的注意力因素值；p为当前单位时间内心跳次数即心率，pT为其对应的的阈值，ap为单位时间内心率的变化，a1和a2为其对应的心率变化即心率加速度的阈值，a3为设定的变化率区间宽度值，kb为心率的注意力因素值。
所建立的评价函数F在学习者注意力集中时将有较高评分，否则评分降低。由于注意力寻优涉及到多个因素，这是一个多目标优化问题，对于多目标优化问题，其优化解被称为Pareto解。通过多目标遗传优化算法即MOGA来求解该问题。遗传算法作为模仿自然选择、优胜劣汰、适者生存的生物遗传过程的方法，为目标优化问题提供了一种有效的求解途径。由于其鲁棒性、全局收敛等优越特征，已经在生产调度、通信、电路设计等许多学科得到了广泛的应用。
MOGA求解中，首先确定将工作面照度、色温等光色参数进行编解码的策略，并确定其各自取值区间；在进化迭代中，对群体内的个体，用训练后的RBF神经网络基于当前持续学习时间对各个体对应的光色参数进行注意力参数预测，获得眼睛开度、视线专注度、心率3个体征参数，及其各自对应的注意力因素值共6个输出量的预测值；基于所述预测值，按评价函数F计算其评价值，并根据评价值进行交叉遗传和变异操作，更新进化群体；如此反复迭代，直至寻优结束，输出Pareto优化解。
作为优选，在用户接口单元中设置一个学习模式键，且通过所述学习模式键选择为阅读模式时，所述神经网络的输出量中增加视线移动速率、及其注意力因素值两个参数，且视线移动速率注意力因素值计算过程为：
结合图15所示，在一预设时间长度Tp内，检测学习者视线与工作面Z1的交点P1，对落入预设工作面区块范围之内的所述交点的集合，求取最外侧视点的外接矩形Z2，并根据所述矩形的长X和宽Y，计算视线移动速率，
Figure GDA0002782591070000201
然后，计算视线移动速率的注意力因素值为，
Figure GDA0002782591070000202
其中，avs、bvs分别为根据统计设定的两个速率阈值，
在所述光环境评价函数中，相应增加一个视线移动速率注意力参数评价值f4，且f4＝kv。
作为优选，设置一个嘴形检测器，针对嘴部进行人嘴开度的特征检测，相应地，在神经网络的输出量中增加用来表征注意力因素的的嘴开度体征参数，且嘴开度的注意力因素值为嘴开度体征值与嘴巴连续张开时长体征值之积，
所述嘴开度体征值根据一个以零开度为顶点的半正态分布函数计算获得，而所述嘴巴连续张开时长体征值则根据另一个以零时长为顶点的半正态分布函数计算获得；
相应地，在光环境评价函数中，还增加一个取值为嘴开度注意力因素值的嘴开度注意力参数评价值。
参见图6所示，RBF神经网络的模型如下。
隐层第i个节点输出为：
Figure GDA0002782591070000211
输出层第j个节点输出为：
Figure GDA0002782591070000212
其中，输入向量X的维数为3，隐层H节点数为p个，输出向量Y的维数为5，Ci为隐层第i个节点高斯函数的中心，σi是高斯函数中心的宽度，||X-Ci||是向量X和Ci之间的欧氏距离，wij为第i个隐层节点到第j个输出节点间的权值；
其中，输入向量中还可以增加工作面光照颜色的xyz色坐标值，此时RBF神经网络以工作面照度、色温、颜色的xyz色坐标值共5个光色参数及持续学习时间共6个参数作为输入量。
隐层节点的σi可以由下式确定：
Figure GDA0002782591070000213
其中Di为第i隐层节点中心与其他中心之间的最大距离。
在用本发明对注意力进行建模评价的初期，训练样本较少，样本集内光色参数中照度、色温及颜色分量的变化不够多时，将每个样本X本身作为一个隐含层节点的中心向量Ci，随着样本的丰富，用K均值聚类算法确定隐含层节点的个数及其各自的中心向量Ci。为了获得足够多的训练样本，可以让人员在一个优选的可较大范围调节光亮度和色度的环境中进行样本采集。
由于网络输入输出量的取值区间可能相差较大，为了提高数据的有效性，对样本数据先要进行归一化预处理，将数据映射到[0，1]数值空间里。网络逼近的性能指标函数即总的平均误差函数为：
Figure GDA0002782591070000214
其中，N为训练样本集中的总样本数，k是样本序号，
Figure GDA0002782591070000215
是相对于输入Xk的实际输出，Yk是相对于输入Xk的期望输出。RBF网络训练过程中，参数的调整要使网络在最小二乘意义下逼近所对应的映射关系，也就是使E达到最小，为此，可以采用梯度下降法修正网络隐含层到输出层的权值，使目标函数达到最小。
本发明装置与方法的应用中，不管是进行训练样本的采集还是应用已训练好的网络进行注意力参数预测，都需要用光色采集单元进行信号采集；但对于图像采集来说，如果当前任务是采集训练样本则需要进行图像采集，否则如果是预测任务，则不需要进行图像采集。
为提高神经网络的泛化能力，要采集足够多的训练样本。本发明通过输出模块或用户接口单元向灯组发出调光信号，对每次变化后的光环境，基于光色传感单元、图像采集单元和心率采集单元获取人工神经网络的训练样本集。
如图2所示，作为优选，测试或者使用本方法的环境中，可调光灯组180采用可调光LED灯组，其通过驱动器181调节灯组内各LED灯182的驱动电流值，驱动器通过改变LED灯各通道驱动电流的PWM波占空比来进行出光调节。
作为优选，处理模块在已知的LED灯组调光范围内，以步进的方式改变LED灯组的出光。处理模块通过输出模块的通信接口，将各通道电流的PWM波占空比以信号的形式发送给驱动器。处理模块通过不断改变照明向量空间的工作点，获取足够多的网络训练样本，其中在各光色变量的端值区域采样点可以稀疏，而在中间区域如色温4500k，照度300lx～500lx附近的区域，采样点要更为密集。所采集样本，保存在存储模块中。
第一迭代学习模块154通过第一连接切换器153分别从处理模块151获取训练样本对应的5个输出量实际值，从RBF神经网152络获取该训练样本对应的6个输入量经神经网络处理后的5个映射值，根据该5个输出量实际值及5个映射值来调整神经网络结构参数以对神经网络进行训练，并重复训练直至达到预设的训练次数或目标函数小于设定阈值。训练完成后的网络结构参数保存在存储模块中。
控制单元进行处理所需要的预设值等参数通过用户接口单元中的按键来输入。经训练的神经网络，基于其泛化能力，可以在人员进入新的学习环境后，对该环境光照条件下学习者将有何种注意力进行预测和判断，并通过输出模块来显示或输出预判的结果。
结合图7所示，作为优选，输出模块155包括一个用来指示当前学习者注意力集中程度的显示条105。或者，输出模块可以采用显示屏1551并采用多个独立的显示条来分别显示注意力的各因素评价。
作为优选，输出模块155还包括一个通信接口1552，并通过该接口模块向外部输出所检测或预判的注意力的各因素值。
作为优选，当图像采集单元采用单目相机时，结合图8所示，可在底板表面设置多个已知位置的标定块108，所述标定块各有一个圆形光点，同时在用户接口单元中设置一个标定确认键，控制单元可通过这些标定块进行距离标定：轮流点亮所述标定块，并在所述标定确认键被按下后通过图像采集单元采集学习者脸部图像，基于所采集图像提取人眼视线方向，将提取结果与该标定块的位置进行对比从而对视线方向检测参数进行标定。
当学习者因为情绪等原因引起注意力不集中时，所采集样本与正常情况下的样本将出现较大偏差，虽然神经网络有较好的容错性，但这种样本太多时将足以影响网络的准确性。为此，作为优选，在用户接口单元中设置一个取消采样按键，控制单元在检测到此按键被按下后，暂停数据采样和样本记录。
结合图8、图9所示，当学习者对当前经过优化后的照明效果不够满意时，本发明还通过用户接口单元中的滑动输入器1071来进行微调，在所述滑动输入器1071内设有一个游标1072。当游标位于滑动输入器上正中间的位置时，表示不改变光色评分标准；当游标左移时，表示学习者希望灯发出比当前照度暗一点的光线，并将照度比当前照度低的光色组合的评分提高；否则当游标右移时，表示学习者希望灯发出比当前照度更亮一点的光线，并将照度比当前照度高的光色组合的评分提高。
相应地，所述步骤S6还包括：
在根据光环境评价函数计算出总评价值F后，再根据学习者对滑动输入器进行操作后游标的位置，对所述评价值进行调整：
F'＝F·(1+η·Δ)，
Figure GDA0002782591070000231
Figure GDA0002782591070000232
其中，E为当前个体对应的待评分的光的照度，E0为当前光的照度且其对应于滑动输入器上正中间的位置，当游标朝滑动输入器左右两边滑动时左右两端位置分别对应于E0的0.9和1.1倍照度，En为用户操作后游标位置对应的照度，Δ为按照度进行评分调整的设定阈值，η为调整系数，F和F'分别为调整前后的评分值。
当前的光照度就是被发送给灯组驱动器执行调光的寻优结果所对应的照度，通过移动游标，学习者能对评价函数进行微调，使得评价标准更接近其偏好。作为优选，对色温也可以采用类似方法进行评价标准的调节。
经过优化求解后，获得注意力评价高的光色参数。然后，调光映射单元将该优化出的光色参数映射为灯组各驱动电流通道的驱动电流值，并将所述电流值传送给灯组内的驱动器，从而获得有助于学习者保持或提高注意力的光照环境。
调光映射单元将光色参数转换为灯组驱动电流的映射，可以基于多种手段。例如，可以基于一个事先生成的光色空间至驱动电流空间的查找表。
为简化起见，不失一般性，将上述光色参数中的颜色参数去除，仅考虑工作面照度、色温这2个参数。
结合图16所示，作为常用的一种可调光灯组，假设灯组包括高色温、低色温两种LED串且每串LED各对应一个驱动电流通道，如图16a所示，假设n＝2。调光映射单元中含有一个工作面照度、色温组成的光色空间至双通道驱动电流空间的查找表，对于所述寻优结果(E0，K0)，通过在查找表中进行插值来获取双通道驱动电流值。
先找到光色空间中P(E0，K0)周围的四个点：A(E1，K1)，B(E2，K1)，C(E1，K2)及D(E2，K2)，其中E1≤E0≤E2，K1≤K0≤K2，
双通道电流值(i01，i02)用距离做加权值进行插值，
Figure GDA0002782591070000241
Figure GDA0002782591070000242
其中，d1代表P到四个点距离中的最短距离，d2为第二短的点，依次类推，dT为所有距离之和；i11和i21分别为距离最短点的双通道的电流值；与待查找的P点最近的四个点依据距离长短不同被分别加上不同权重，距离最短权重最重。
实施例2
调光映射单元将光色参数转换为灯组驱动电流的映射，还可以基于经最小二乘法回归生成的光色空间至驱动电流空间的变换多项式。
为简化起见，不失一般性，仅考虑工作面照度、色温这2个参数。结合图16所示，作为常用的一种可调光灯组，假设灯组包括高色温、低色温两种LED串且每串LED各对应一个驱动电流通道，如图16a所示，假设n＝2。结合图2第二映射所示，调光映射单元中含有一个工作面照度、色温组成的光色空间至双通道驱动电流空间的转换多项式。
假设工作面照度、色温组成的光色空间至双通道驱动电流空间的转换多项式如下：
i1＝α1·E+α2·K+α3·E·K+α4·E2+α5·K2
i2＝β1·E+β2·K+β3·E·K+β4·E2+β5·K2
上式简化为矩阵形式：i＝A·λ
其中，电流向量i＝[i1,i1]T，系数矩阵
Figure GDA0002782591070000251
变换向量q＝[E K EKE2 K2]T，
在调节驱动电流而改变光色后获取样本，将i和q分别按每个样本的列向量进行按列排列后组合为矩阵I和Q，则有：I＝A·Q
求解系数矩阵A可以利用最小二乘法，如下：
A＝IQT(QTQ)-1
因此，对于所述寻优结果(E0，K0)，通过该多项式计算双通道驱动电流值i01和i02：
i01＝α1·E0+α2·K0+α3·E0·K0+α4·E0 2+α5·K0 2
i02＝β1·E0+β2·K0+β3·E0·K0+β4·E0 2+β5·K0 2。
上述的多项式回归模型还可选择其他项数如9项等非线性多项式模型，通过增加多项式的项数对模型进行改进，这时变换向量为：
q'＝[E K EK E2 K2 EK2 KE2 E3 K3]T。
实施例3
区别于实施例1，本实施例用在控制单元中建立的BP神经网络来代替所述调光映射单元，以实现将光色参数转换为灯组驱动电流的映射。
所建立的BP神经网络，以工作面照度、色温、以及颜色的xyz色坐标值共5个光色参数作为输入量，以灯组的所有驱动电流通道的电流值作为输出量。结合图3所示，本实施例中用BP网络来实现第二映射。
结合图16中的16b所示，所述灯组采用三基色LED灯珠串，其驱动电流包括RGB三个通道，此时，BP网络的输出量为3个。此时，分别改变其中一个通道的驱动电流值，可改变灯的光色。当从某个状态开始，三个通道电流同步增大或变小时，灯表现出颜色不变而亮度渐亮或渐暗。
BP神经网络的模型为：
隐含层层第j个节点输出为
Figure GDA0002782591070000252
输出层第p个节点输出为
Figure GDA0002782591070000253
其中，f()函数取为sigmoid函数，wij和vjp分别为输入层到隐含层的连接权值和隐含层到输出层的连接权值，aj和bp分别为隐含层和输出层阈值，k为隐含层节点数。
BP神经网络对N个训练样本的总误差准则函数为：
Figure GDA0002782591070000261
为使总误差最小，采用梯度下降法进行网络训练。
具体地，针对所述BP神经网络，其建立是在所述步骤S1中进行，而所述步骤S2中还增加以下处理过程：
发出所述调光信号时，记录调光所对应的w个驱动电流通道的驱动电流值，所述电流值及调光后处理获得的光色参数共同形成BP神经网络的训练样本。
所述步骤S3中还增加以下处理过程：获取BP神经网络的训练样本集，并用样本集对BP神经网络进行训练；
所述步骤S8的优化解映射通过所述BP神经网络进行。
结合图4所示，第二迭代学习模块159通过第二连接切换器158分别从处理模块151获取训练样本对应的3个输出量实际值，从BP神经网157络获取该训练样本对应的5个输入量经神经网络处理后的3个映射值，根据该3个输出量实际值及3个映射值来调整神经网络结构参数以对神经网络进行训练，并重复训练直至达到预设的训练次数或目标函数小于设定阈值。训练完成后的网络结构参数保存在存储模块中。
实施例4
如果人员经常在多个固定的环境中学习，且所述环境内具有相同的照明灯具环境。对于这种情况，为了实现高注意力因素的照明，可以省去驱动电流向注意力表现转换过程中间的光色转换环节，而直接以驱动电流值映射到注意力参数值。
结合图3所示，本实施例中用RBF神经网络来实现第三映射。
在本发明的再一个实施例中，还提供一种基于注意力因素的照明控制方法，包括以下步骤：
S1、初始化，在控制单元中建立RBF神经网络，所述神经网络以灯组中u个LED串的驱动电流、及v个照射角度，共w个照明参数及持续学习时间作为输入量，以学习者的眼睛开度、视线专注度、心率3个体征参数，及其各自对应的注意力因素值共6个注意力因素参数作为输出量；
S2、通过控制单元的输出模块向可调光灯组发出调光信号，对变化后的光环境基于图像采集单元和心率采集单元进行信号采集，处理模块对所采集信号进行处理，获得所述RBF神经网络的训练样本；
S3、重复进行步骤S2多次，获取所述RBF神经网络的训练样本集，并用样本集对RBF神经网络进行训练；
S4、确定将w个照明参数进行编解码的策略，并确定其各自取值区间，初始化进化群体；
S5、针对搜索空间内进化群体中的各个体，基于其w个照明参数及当前持续学习时间用训练后的RBF神经网络对其注意力因素参数进行预测，获得眼睛开度、视线专注度、心率及其各自的注意力因素值共6个注意力因素参数预测值；
S6、基于所述预测值，按评价函数计算其注意力评价值，并根据评价值进行交叉遗传和变异操作，更新进化群体；
S7、转至步骤S5，反复迭代，直至寻优结束后，输出Pareto优化解；
S8、将优化解所对应的各驱动电流通道驱动电流值、及照射角度，传送给灯组内的驱动器进行调光。
作为优选，如果在相同光环境中工作面相对灯具有位置移动，则在RBF神经网络的输入量中还要增加各灯具到工作面的距离参数。在训练样本集中包括多种不同所述距离的样本，而在现场环境中进行照明参数寻优时，用RBF神经网络进行注意力参数预测所输入的所述距离是作为一个固定值输入的而不被搜索。
可以理解，本发明的方案中，与注意力因素相关的所有模型都是基于特定个体的，因此，在生成网络训练样本、查找表、转换多项式，以及多目标优化处理等过程中的相关数据，都是基于相同身份的用户的；对于多个用户，应该针对每个用户独立建立和保存一个数据集。
应用本发明进行不同光环境下学习注意力的检测与预判，在采集到变化足够丰富的样本后，由于光色变化域内的组合有无穷多种，采用本发明对各种现场环境中不同光照条件下的注意力参数包括眼睛开度、视线专注度等随累积学习时间的变化进行预测，所述预测值被用在基于多目标优化算法对光色参数进行寻优过程中对所搜索的光色条件的注意力评价计算中，寻优结果映射为灯组的驱动电流值，灯组驱动器按所述电流值驱动LED串，从而实现高注意力的照明控制。
以上，说明了本发明的几个实施方式，但这些实施方式是作为例子而提示的方式，并没有限定发明的范围。这些实施方式可以通过其他的各种方式实施，在不脱离发明的主旨的范围内，能够进行各种省略、置换、变更。这些实施方式或其变形包含于发明的范围或主旨，并同样地包含于权利要求书记载的发明及其等同的范围内。

Claims (4)

1.基于注意力因素的照明控制装置，其包括：光色传感单元、图像采集单元、心率采集单元、控制单元、用户接口单元、用户身份识别单元和调光映射单元，
所述光色传感单元采集工作面光照的照度、色温光色参数，所述图像采集单元采集学习者的面部及工作面区域的图像，所述心率采集单元采集学习者的心率，所述调光映射单元将工作面照度、色温光色参数映射为灯组驱动电流，所述用户接口单元用来进行参数输入和按键操作，所述用户身份识别单元用来识别用户身份，所述控制单元中有一个输出模块用来进行信号显示并将注意力因素值、调光信号输出；
所述控制单元还包括处理模块、迭代学习模块、神经网络模块、连接切换器和存储模块，并且其被配置为：
处理模块对光色传感单元采集的信号进行处理获取工作面照度、色温光色参数，对图像采集单元采集的信号进行处理获取学习者的眼睛开度值、视线专注度值、视线移动速率，并通过读取心率采集单元的信号获取学习者的心率，其中视线专注度为视线偏移距离即当前视线与工作面交点到所预设工作面区块的最短距离，
神经网络模块以工作面照度、色温及持续学习时间共3个参数作为输入量，以学习者眼睛开度、视线专注度、心率3个体征参数，及其各自对应的注意力因素值共6个用来表征注意力因素的参数作为输出量，建立RBF神经网络，
处理模块中的调光处理部通过输出模块向灯组发出调光信号，对变化后的光环境基于光色传感单元、图像采集单元和心率采集单元获取RBF神经网络的训练样本，迭代学习模块通过连接切换器分别从处理模块获取训练样本对应的6个输出量实际值，从神经网络获取该训练样本对应3个输入量经神经网络处理后的6个映射值，根据该6个输出量实际值及6个映射值来调整神经网络结构参数以对神经网络进行训练，并重复训练直至完成，
在现场环境中，处理模块中的照明优化处理部基于注意力因素参数建立光环境评价函数，对不同用户分别以所述用户对应的经训练的RBF神经网络对不同光色参数条件下的6个注意力因素参数进行预测，通过多目标优化算法，在现场灯组光色参数可取值的空间范围内，对工作面照度、色温进行寻优，并将寻优结果传输给调光映射单元；
调光映射单元将寻优结果映射为灯组各驱动电流通道的驱动电流值，并通过输出模块的通信接口输出。
2.根据权利要求1所述的基于注意力因素的照明控制装置，其特征在于，所述调光映射单元中含有一个工作面照度、色温组成的光色空间至双通道驱动电流空间的转换多项式，对于所述寻优结果(E0，K0)，通过该多项式计算双通道驱动电流值i01和i02：
i01＝α1·E0+α2·K0+α3·E0·K0+α4·E0 2+α5·K0 2
i02＝β1·E0+β2·K0+β3·E0·K0+β4·E0 2+β5·K0 2。
3.根据权利要求1所述的基于注意力因素的照明控制装置，其特征在于，所述光色参数还包括工作面光照颜色的xyz色坐标值，所述RBF神经网络以工作面照度、色温、颜色的xyz色坐标值共5个光色参数及持续学习时间共6个参数作为输入量，
所述调光映射单元被控制单元中建立的BP神经网络代替，所述BP神经网络以5个光色参数作为输入量，以w个驱动电流通道的电流值作为输出量，建立人工神经网络，
所述调光处理部通过输出模块向灯组发出调光信号时，对变化后的光环境进行光色信号采集与处理的同时还记录调光所对应的w个驱动电流通道的驱动电流值，以形成BP神经网络的训练样本集并用样本集对所述BP神经网络进行训练，
在现场环境中，经训练的BP神经网络将寻优结果映射为灯组各驱动电流通道的驱动电流值，并通过输出模块的通信接口输出。
4.根据权利要求1所述的基于注意力因素的照明控制装置，其特征在于，所述RBF神经网络的模型为：
隐层第i个节点输出为：
Figure FDA0002782591060000021
输出层第j个节点输出为：
Figure FDA0002782591060000022
其中，输入向量X的维数为6，隐层H节点数为p个，输出向量Y的维数为6，Ci为隐层第i个节点高斯函数的中心，σi是高斯函数中心的宽度，||X-Ci||是向量X和Ci之间的欧氏距离，wij为第i个隐层节点到第j个输出节点间的权值。
CN201910263082.1A 2019-04-02 2019-04-02 基于注意力因素的照明控制装置 Active CN109905943B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910263082.1A CN109905943B (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制装置
CN202011561132.3A CN112654116A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制方法
CN202011561378.0A CN112654117A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制方法、调光映射单元及其用法
CN202011561377.6A CN112672474A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制系统
CN202011561380.8A CN112672475A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910263082.1A CN109905943B (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制装置

Related Child Applications (4)

Application Number Title Priority Date Filing Date
CN202011561380.8A Division CN112672475A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制装置
CN202011561132.3A Division CN112654116A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制方法
CN202011561377.6A Division CN112672474A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制系统
CN202011561378.0A Division CN112654117A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制方法、调光映射单元及其用法

Publications (2)

Publication Number Publication Date
CN109905943A CN109905943A (zh) 2019-06-18
CN109905943B true CN109905943B (zh) 2021-01-08

Family

ID=66954381

Family Applications (5)

Application Number Title Priority Date Filing Date
CN201910263082.1A Active CN109905943B (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制装置
CN202011561378.0A Withdrawn CN112654117A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制方法、调光映射单元及其用法
CN202011561132.3A Withdrawn CN112654116A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制方法
CN202011561380.8A Withdrawn CN112672475A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制装置
CN202011561377.6A Withdrawn CN112672474A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制系统

Family Applications After (4)

Application Number Title Priority Date Filing Date
CN202011561378.0A Withdrawn CN112654117A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制方法、调光映射单元及其用法
CN202011561132.3A Withdrawn CN112654116A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制方法
CN202011561380.8A Withdrawn CN112672475A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制装置
CN202011561377.6A Withdrawn CN112672474A (zh) 2019-04-02 2019-04-02 基于注意力因素的照明控制系统

Country Status (1)

Country Link
CN (5) CN109905943B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110403604B (zh) * 2019-07-03 2022-02-18 陈琦 基于注意力集中程度构建环境空间和训练注意力的方法
CN110458030A (zh) * 2019-07-15 2019-11-15 南京青隐信息科技有限公司 一种新风书架的深度自学习调整使用者注意力的方法
CN110415653B (zh) * 2019-07-18 2022-01-18 昆山龙腾光电股份有限公司 背光亮度调节系统及调节方法和液晶显示装置
CN112074053A (zh) * 2020-08-24 2020-12-11 中国建筑科学研究院有限公司 一种基于室内环境参数的照明设备调控方法及装置
CN114925753A (zh) * 2022-04-28 2022-08-19 南通东升灯饰有限公司 一种led地灯的使用异常报警系统
CN116095915B (zh) * 2023-04-10 2023-06-30 南昌大学 一种基于人体热舒适度的调光方法及系统
CN116887467B (zh) * 2023-07-18 2024-03-22 江苏英索纳通信科技有限公司 一种基于多色全光谱调光技术的灯具混光方法及系统
CN118201176B (zh) * 2024-05-17 2024-07-19 广州易而达科技股份有限公司 一种吸顶灯中Wi-Fi模组的休眠方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103081571A (zh) * 2010-08-27 2013-05-01 皇家飞利浦电子股份有限公司 照明系统的自动配置
JP2017098170A (ja) * 2015-11-27 2017-06-01 パナソニックＩｐマネジメント株式会社 照明装置
CN108712809A (zh) * 2018-05-18 2018-10-26 浙江工业大学 一种基于神经网络的光环境智能控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2496661C (en) * 2004-02-19 2009-05-19 Oz Optics Ltd. Light source control system
CN108591868B (zh) * 2018-03-27 2020-06-26 中国地质大学（武汉） 一种基于眼部疲劳程度的自动调光台灯
CN108882480B (zh) * 2018-06-20 2020-06-05 新华网股份有限公司 舞台灯光和装置调节方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103081571A (zh) * 2010-08-27 2013-05-01 皇家飞利浦电子股份有限公司 照明系统的自动配置
JP2017098170A (ja) * 2015-11-27 2017-06-01 パナソニックＩｐマネジメント株式会社 照明装置
CN108712809A (zh) * 2018-05-18 2018-10-26 浙江工业大学 一种基于神经网络的光环境智能控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于BP神经网络的智能灯光控制系统的研究;王云亮等;《计算机测量与控制》;20160415;第24卷(第2期);第91-93页 *

Also Published As

Publication number Publication date
CN109905943A (zh) 2019-06-18
CN112672474A (zh) 2021-04-16
CN112654116A (zh) 2021-04-13
CN112654117A (zh) 2021-04-13
CN112672475A (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
CN109905943B (zh) 基于注意力因素的照明控制装置
CN109949193B (zh) 可变光环境下学习注意力检测与预判装置
CN110113836B (zh) 场景式教室智能照明系统、控制装置及控制方法
CN110163371B (zh) 入睡环境调光优化方法
CN109890105B (zh) 开放式办公室照明系统和控制方法
CN110113843B (zh) 基于入睡效率因素的照明控制系统
CN110062498B (zh) 基于分区可控吸顶灯的公共宿舍混合照明系统、方法
CN110960036A (zh) 具有美肤美妆指导功能的智能镜系统及方法
CN109998497A (zh) 光环境中入睡检判系统及被照平面照度检测装置
CN110013231A (zh) 睡眠环境光照条件辨识方法与阅读面测光方法
CN112566333A (zh) 基于各向对称吸顶灯的公共宿舍混合照明系统
CN117729672B (zh) 基于人体节律的健康照明控制方法、装置、设备及介质
CN117373075B (zh) 基于眼部特征点和眼部区域分割结果的情感识别数据集
CN115272645A (zh) 多模态数据采集设备及训练中枢疲劳检测模型的方法
Liu Human Gaze Behavior Modeling: From Static to Dynamic Environments
CN117729672A (zh) 基于人体节律的健康照明控制方法、装置、设备及介质
CN118591064A (zh) 一种基于大数据的智慧照明调节系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240423

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Country or region after: China

Address before: 401.402, A1 / F, zhedawang new technology park, 2288 Jiangxi Road, Cao'e street, Shangyu District, Shaoxing City, Zhejiang Province

Patentee before: CHINA JILIANG UNIVERSITY SHANGYU ADVANCED RESEARCH INSTITUTE Co.,Ltd.

Country or region before: China