CN110152315B - 一种智能玩具的控制方法、设备、终端设备及存储介质 - Google Patents
一种智能玩具的控制方法、设备、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110152315B CN110152315B CN201910312686.0A CN201910312686A CN110152315B CN 110152315 B CN110152315 B CN 110152315B CN 201910312686 A CN201910312686 A CN 201910312686A CN 110152315 B CN110152315 B CN 110152315B
- Authority
- CN
- China
- Prior art keywords
- energy
- frequency band
- working mode
- preset
- intelligent toy
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63H—TOYS, e.g. TOPS, DOLLS, HOOPS OR BUILDING BLOCKS
- A63H17/00—Toy vehicles, e.g. with self-drive; ; Cranes, winches or the like; Accessories therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
Abstract
本发明适用于计算机技术领域,提供了智能玩具的控制方法及设备,通过获取可穿戴设备采集的用户在预设时长内的有效脑电波信号,对所述脑电波信号进行傅里叶变换,得到预设频段的频段能量,基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号。通过脑电波的频段能量来确定智能玩具的目标工作模式,进行工作模式的控制,使得智能玩具的工作模式具有多样性,且控制智能玩具的过程更具有趣味性,能够提高用户的体验效果。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种智能玩具的控制方法、设备、终端设备及存储介质。
背景技术
随着科学技术的进步和发展,人们对娱乐活动的要求越来越高,特别是在亲子活动中,为了提高孩子的注意力以及参加活动的兴趣,家长和老师们通常会想办法采购一些智能玩具。
目前,常见的智能玩具中有基于脑电控制的寻径小车,这种脑电控制小车仅通过注意力的集中程度来控制小车的速度,并借助于传感器寻径来实现小车的左右转弯。这就限制了小车只能在某个已经设置好的场景内运行,并且不能人为的去控制小车的左右转弯以及实现小车不同工作模式之间的切换,使智能玩具的工作模式单一,控制过程缺乏趣味性,降低用户的体验效果。
发明内容
有鉴于此,本发明实施例提供了智能玩具的控制方法、设备、终端设备及存储介质,以解决现有技术中智能玩具工作模式单一、控制过程缺乏趣味性的问题,提高用户的体验效果。
本发明实施例的第一方面提供了一种智能玩具的控制方法,包括:
获取可穿戴设备采集的用户在预设时长内的有效脑电波信号;
对所述脑电波信号进行傅里叶变换,得到预设频段的频段能量;
基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号。
可选地,当所述预设频段的频段能量均大于预设的能量阈值时,获取可穿戴设备采集的用户在所述预设时长内的头部运动信息,所述头部运动信息包括头部在预定义轴向的偏移角度和偏移加速度;
基于所述偏移角度和偏移加速度,判定头部运动状态;
基于所述头部运动状态确定智能玩具当前的目标工作模式,并生成用于控制智能玩具工作在所述目标工作模式的控制信号并输出。
可选地,当所述预设频段的频段能量均大于预设的能量阈值时,生成用于控制所述智能玩具工作模式的操作界面;所述操作界面包括供用户输入目标工作模式的输入框或者供用户选择目标工作模式的选择项。
可选地,所述基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号,包括:
基于所述频段能量确定用户情绪;
根据预先存储的用户情绪与玩具工作模式之间的第一映射关系,确定与所述确定的用户情绪相匹配的第一目标工作模式,输出用于控制智能玩具工作在所述第一目标工作模式的第一控制信号。
可选地,所述基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号,包括:
基于所述频段能量确定用户面部表情;
根据预先存储的用户面部表情与玩具工作模式之间的第二映射关系,确定与所述确定的用户面部表情相匹配的第二目标工作模式,输出用于控制所述智能玩具工作在所述第二目标工作模式的第二控制信号。
可选地,所述脑电波信号包括α波信号、γ波信号以及θ波信号,所述获取可穿戴设备采集的用户在预设时长内的有效脑电波信号,包括:
从所述可穿戴设备采集的脑电波数据中分别提取所述预设时长内每秒脑电波数据中帧信号的最大值、最小值、最大值与最小值的均值;
根据所述每秒脑电波数据中帧信号的所述最大值与最小值的均值,计算所述预设时长内每秒脑电波数据的基准数据;
基于所述每秒脑电波数据中帧信号的所述最大值、所述最小值以及所述基准数据,确定所述每秒脑电波数据中帧信号的信号强度值;
若有所述脑电波数据中帧信号的强度大于预设的信号强度阈值,则确定对该脑电波数据进行降噪处理;
获取降噪处理之后的脑电波数据中的α波信号、γ波信号以及θ波信号,得到所述有效脑电波信号。
可选地,所述预设频段的频段能量包括α波频段能量、γ波频段能量以及θ波频段能量,所述基于所述频段能量确定用户情绪,包括:
分别将所述预设时长内每秒的所述α波频段能量与θ波频段能量代入预设的能量特征值计算公式,计算得到所述每秒脑电波信号的能量特征值;
获取所述能量特征值的最大值和最小值;
将所述能量特征值的最大值和最小值代入预设的脑动力评分公式,计算得到所述每秒脑电波信号的脑动力评分,基于所述脑动力评分判定用户情绪。
本发明实施例的第二方面提供了一种智能玩具的控制设备,包括:
获取模块,用于获取可穿戴设备采集的用户在预设时长内的有效脑电波信号;
得到模块,用于对所述脑电波信号进行傅里叶变换,得到预设频段的频段能量;
输出模块,用于基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上第一方面的智能玩具的控制方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上第一方面的智能玩具的控制方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:通过获取可穿戴设备采集的用户在预设时长内的有效脑电波信号,对所述脑电波信号进行傅里叶变换,得到预设频段的频段能量,基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号。通过脑电波的频段能量来确定智能玩具的目标工作模式,进行工作模式的控制,使得智能玩具的工作模式具有多样性,且控制智能玩具的过程更具有趣味性,能够提高用户的体验效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的智能玩具的控制方法的实现流程示意图;
图2是本发明第一实施例提供的智能玩具的控制方法中S103的细化流程图;
图3是本发明第二实施例提供的智能玩具的控制方法中S103的细化流程图;
图4是本发明实施例提供的智能玩具的控制方法中S1031的细化流程图;
图5是本发明实施例提供的智能玩具的控制方法中S1033的细化流程图;
图6是本发明提供的智能玩具控制设备第一实施例的结构示意图;
图7是本发明提供的智能玩具控制设备第二实施例的结构示意图;
图8是本发明一实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。如图1所示,图1是本发明实施例提供的智能玩具的控制方法的实现流程示意图。由图1可知,本发明提出的智能玩具的控制方法,包括:
S101,获取可穿戴设备采集的用户在预设时长内的有效脑电波信号。
通常,用户在对智能玩具进行操作之前,需要在头部佩戴可穿戴设备,本方案实施例中的头部可穿戴设备具有采集脑电波数据的功能,如可穿戴设备包括EEG信号采集模块,EEG信号采集模块用于实时采集脑电波数据。脑电波数据通常包括脑动力波,又称α波,α波的频率为8~13Hz,当人脑发出大量的脑动力波时,人的意识最清醒,而身体最放松。在这种状态下,身体其他部分所消耗的能量降至最低,而脑部所获得的能量最高。此时人脑最活跃,思维最敏捷,也最有灵感。紧张波,又称β波,β波的频率在14Hz以上,当β波在脑波中占据优势时,身体逐渐呈紧张状态,随时准备对外部环境作出反应。入睡波,又称θ波,θ波的频率为4~8Hz,当入睡波为优势脑波时,身体不断放松,开始进入一种似睡非睡的半睡眠状态,意识波,又称γ波,γ波的频率大于32Hz,它与人思想的形成、语言的形成和各种类型的学习以及面部表情有关。具体地,本方案中的有效脑电波信号包括α波信号、θ波信号以及γ波信号。
具体地,S101包括:从可穿戴设备采集的脑电波数据中分别提取预设时长内(例如30S内)每秒脑电波数据中帧信号的最大值、最小值、最大值与最小值的均值;根据每秒脑电波数据中帧信号的最大值与最小值的均值计算预设时长内每秒脑电波数据的基准数据;基于所述每秒脑电波数据中帧信号的所述最大值、所述最小值以及所述基准数据,确定所述每秒脑电波数据中帧信号的信号强度值;若有所述脑电波数据中帧信号的强度大于预设的信号强度阈值,则确定对该脑电波数据进行降噪处理;获取降噪处理之后的脑电波数据中的α波信号、θ波信号以及γ波信号,得到所述有效脑电波信号。
具体地,假设第k秒脑电波数据的基准数据为bk,则bk=mean(mk),mk=[med1,med2,…,medk],medk表示第k秒脑电波数据中帧信号的最大值与最小值的均值,mean(mk)表示mk的均值。
具体地,假设第k秒脑电波数据中帧信号的信号强度值为max(Z),则Z=(|maxk-bk|,|mink-bk|),其中,maxk表示第k秒脑电波数据中帧信号的最大值,mink表示第k秒脑电波数据中帧信号的最小值,bk表示第k秒脑电波数据的基准数据,max(Z),表示取Z的最大值。
可以理解地,通过上述获取有效脑电波的步骤可以判断用户是否佩戴好可穿戴设备,以及在确定用户佩戴好可穿戴设备的基础上,进行降噪处理,得到有效的脑电波信号,提高对智能玩具控制的准确性。
S102,对所述脑电波信号进行傅里叶变换,得到预设频段的频段能量。
S103,基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号。
具体地,智能玩具的目标工作模式可以包括上下升降、移动速度变化、向不同方向移动、移动方向变化、开启特殊的功能如拍照功能、唱歌功能等。
可选地,在一实施例中,如图2所示,S103可以包括S1031~S1032,具体如下:
S1031,基于所述频段能量确定用户情绪。
可选地,需要基于所述频段能量得到可以通过脑动力评分进行判定。进一步地,S1031具体可以包括:
S10311,分别将所述预设时长内每秒的所述α波频段能量与θ波频段能量代入预设的能量特征值计算公式,计算得到所述每秒脑电波信号的能量特征值;
具体地,预设的能量特征值计算公式为:fk,α/θ=sum(fk,α)/sum(fk,θ),其中sum(fk,α)表示第k秒α波频段能量的和,sum(fk,θ)表示第k秒θ波频段能量的和,fk,α/θ表示第k秒脑电波信号的能量特征值。
S10312,获取所述能量特征值的最大值和最小值;
可以理解的是,求预设时长内(例如30s内)每秒脑电波信号的能量特征值之后,可以从多个得到的能量特征值中获取最大值和最小值。
S10313,将所述能量特征值的最大值和最小值代入预设的脑动力评分公式,计算得到所述每秒脑电波信号的脑动力评分,基于所述脑动力评分判定用户情绪。
具体地,预设的脑动力评分公式为:fk,s=100*(fk,α-fmin,α)/(fmax,α-fmin,α),其中,fk,s表示第k秒的脑动力,fk,α表示第k秒的能量特征值,fmin,α表示预设时长内每秒的能量特征值中的最小值,fmax,α表示预设时长内每秒的能量特征值中的最大值。需要说明的是,若计算得到脑动力评分小于0,则取脑动力评分为0,若计算得到脑动力评分大于100,则取脑动力评分为100。也就是说,脑动力评分的范围为0~100。
S1032:根据预先存储的用户情绪与玩具工作模式之间的第一映射关系,确定与所述确定的用户情绪相匹配的第一目标工作模式,输出用于控制智能玩具工作在所述第一目标工作模式的第一控制信号。
具体地,预先存储的用户情绪包括平静指数或者紧张程度等,玩具工作模式包括上下升降工作模式、移动速度转化工作模式、移动方向变换工作模式、以及玩具的某些特殊功能的工作模式,如拍照功能工作模式、唱歌功能工作模式、变声功能工作模式等。所述第一目标工作模式包括上下升降工作模式、移动速度变化工作模式、移动方向变换等工作模式中的一种或者多种。例如,当确定用户情绪对应的平静指数为60%(或者紧张程度为40%),根据第一映射关系确定平静指数为60%(或者紧张程度为40%)对应的第一目标工作模式为上升工作模式,则输出用于控制智能玩具上升式的第一控制信号。
可选地,在另一实施方式中,如图3所示,S103可以包括S1033~S1034。其中,S1031~S1032与S1033~S1034为并列步骤,择一执行,即在执行S1031~S1032时,不执行S1033~S1034;在执行S1033~S1034时,不执行S1031~S1032。S1033~S1034具体如下:
S1033:基于所述频段能量确定用户面部表情。
具体地,用户面部表情包括眨眼、咬牙等面部表情,具体可以通过γ波频段能量进行确定,具体地,所述预设频段的频段能量包括α波频段能量、θ波频段能量以及γ波频段能量,进一步地,S1033可以包括:
S10331,根据预设的频段划分规则将所述γ波划分为预设数量的频段;
可选地,预设数量的频段可以根据具体用户面部表情的数量进行确定,在此不做具体限定,示例性地,所述预设数量的频段包括γ1频段、γ2频段,所述γ1频段为60Hz~70Hz,所述γ2频段为100Hz~110Hz。
S10332,分别计算所述预设数量的频段的频段能量的平均值;
可选地,在本实施例中,分别计算γ1频段能量的平均值以及γ2频段能量的平均值。
S10333,根据预先存储的能量平均值与面部状态之间的第三映射关系,确定用户面部表情。
S1034:根据预先存储的用户面部表情与玩具工作模式之间的第二映射关系,确定与所述确定的用户面部表情相匹配的第二目标工作模式,输出用于控制所述智能玩具工作在所述第二目标工作模式的第二控制信号。
可选地,在本实施方式中,第二目标工作模式包括玩具的特殊功能工作模式,如拍照功能工作模式、唱歌功能工作模式、变声功能工作模式等。例如当确定的用户面部表情为眨眼,根据第二映射关系,用户面部表情眨眼对应的玩具工作模式为拍照工作模式,则确定所述第二目标工作模式为拍照工作模式,输出用于控制所述智能玩具工作在所述拍照工作模式的第二控制信号。
可选地,所述的智能玩具的控制方法,还包括:当所述预设频段的频段能量均大于预设的能量阈值时,获取可穿戴设备采集的用户在所述预设时长内的头部运动信息,所述头部运动信息包括头部在预定义轴向的偏移角度和偏移加速度。
所述获取可穿戴设备采集的用户在所述预设时长内的头部运动信息与S101为并列步骤,择一执行,即在执行S101是,不执行获取可穿戴设备采集的用户在所述预设时长内的头部运动信息,在执行获取可穿戴设备采集的用户在所述预设时长内的头部运动信息时,不执行S101。
可选地,所述可穿戴设备包括头部运动采集模块,所述运动采集模块为6轴陀螺仪,用于采集所述预设时长内的头部运动信息;所述预定义轴向包括X轴、Y轴和Z轴,可选地,所述偏移角度和偏移加速度可以通过向量转换之后用向量形式表示,在此不做详细赘述。
基于所述偏移角度和偏移加速度,确定头部运动状态;
基于所述头部运动状态确定智能玩具当前的目标工作模式,并输出用于控制智能玩具工作在所述目标工作模式的控制信号。
可选地,所述目标工作模式包括智能玩具移动轨迹的调整,例如玩具减速行径,转弯等。
可选地,所述的智能玩具的控制方法,还包括:当所述预设频段的频段能量均大于预设的能量阈值时,生成用于控制所述智能玩具工作模式的操作界面;所述操作界面包括供用户输入目标工作模式的输入框或者供用户选择目标工作模式的选择项。
通过上述分析可知,本发明提出的智能玩具控制方法,通过获取可穿戴设备采集的用户在预设时长内的有效脑电波信号,对所述脑电波信号进行傅里叶变换,得到预设频段的频段能量,基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号。通过脑电波的频段能量来确定智能玩具的目标工作模式,进行工作模式的控制,使得智能玩具的工作模式具有多样性,且控制智能玩具的过程更具有趣味性,能够提高用户的体验效果。
图6是本发明提供的智能玩具控制设备的设备示意图。如图6所示,该实施例的智能玩具控制设备6包括获取模块610、得到模块611以及输出模块612
其中,获取模块610,用于获取可穿戴设备采集的用户在预设时长内的有效脑电波信号。
得到模块611,用于对所述脑电波信号进行傅里叶变换,得到预设频段的频段能量。
输出模块612,用于基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号。
可选地,输出模块612包括:
第一确定单元,用于基于所述频段能量确定用户情绪。
第一输出单元,用于根据预先存储的用户情绪与玩具工作模式之间的第一映射关系,确定与所述确定的用户情绪相匹配的第一目标工作模式,输出用于控制智能玩具工作在所述第一目标工作模式的第一控制信号。
可选地,输出模块612包括:
第二确定单元,用于基于所述频段能量确定用户面部表情。
第二输出单元,用于根据预先存储的用户面部表情与玩具工作模式之间的第二映射关系,确定与所述确定的用户面部表情相匹配的第二目标工作模式,输出用于控制所述智能玩具工作在所述第二目标工作模式的第二控制信号。
可选地,所述脑电波信号包括α波信号、θ波信号以及γ波信号,获取模块610包括:
提取单元,用于从所述可穿戴设备采集的脑电波数据中分别提取所述预设时长内每秒脑电波数据中帧信号的最大值、最小值、最大值与最小值的均值。
计算单元,用于根据所述每秒脑电波数据中帧信号的所述最大值与最小值的均值,计算所述预设时长内每秒脑电波数据的基准数据。
第三确定单元,用于基于所述每秒脑电波数据中帧信号的所述最大值、所述最小值以及所述基准数据,确定所述每秒脑电波数据中帧信号的信号强度值。
处理单元,用于在若有所述脑电波数据中帧信号的强度大于预设的信号强度阈值,则确定对该脑电波数据进行降噪处理。
得到单元,用于获取降噪处理之后的脑电波数据中的α波信号、θ波信号以及γ波信号,得到所述有效脑电波信号。
可选地,所述预设频段的频段能量包括α波频段能量、θ波频段能量以及γ波频段能量,第一确定单元包括:
第一计算子单元,用于分别将所述预设时长内每秒的所述α波频段能量与θ波频段能量代入预设的能量特征值计算公式,计算得到所述每秒脑电波信号的能量特征值。
第一获取子单元,用于获取所述能量特征值的最大值和最小值。
评分单元,用于将所述能量特征值的最大值和最小值代入预设的脑动力评分公式,计算得到所述每秒脑电波信号的脑动力评分,基于所述脑动力评分判定用户情绪。
可选地,所述预设频段的频段能量包括α波频段能量、θ波频段能量以及γ波频段能量,第二确定单元包括:
划分单元,用于根据预设的频段划分规则将所述γ波划分为预设数量的频段。
第二计算子单元,用于分别计算所述预设数量的频段的频段能量平均值。
确定子单元,用于根据预先存储的能量平均值与面部状态之间的第三映射关系,确定用户面部表情。
可选地,如图6所示,所述智能玩具的控制设备6还包括:
头部运动状态获取模块610,用于获取可穿戴设备采集的用户在所述预设时长内的头部运动信息,所述头部运动信息包括头部在预定义轴向的偏移角度和偏移加速度;
判定模块620,用于基于所述偏移角度和偏移加速度,判定头部运动状态;
生成模块630,用于基于所述头部运动状态确定智能玩具当前的目标工作模式,生成用于控制智能玩具工作在所述目标工作模式的控制信号并输出。
图8是本发明一实施例提供的终端设备的示意图。如图8所示,该实施例的终端设备8包括:处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82,例如智能玩具控制程序。所述处理器80执行所述计算机程序82时实现上述各个智能设备控制方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器80执行所述计算机程序82时实现上述智能玩具控制设备实施例中各模块/单元的功能,例如图6所示模块610至612的功能。
示例性的,所述计算机程序82可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器81中,并由所述处理器80执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序82在所述终端设备8中的执行过程。例如,所述计算机程序82可以被分割成第一获取模块、第一得到模块、第一输出模块(虚拟装置中的模块),各模块具体功能如下:
第一获取模块,用于获取可穿戴设备采集的用户在预设时长内的有效脑电波信号;
第一得到模块,用于基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号。
所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是终端设备8的示例,并不构成对终端设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备8还可以包括输入输出设备、通信接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述终端设备8的内部存储单元,例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备,例如所述终端设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备8所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个通信单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种智能玩具的控制方法,其特征在于,包括:
获取可穿戴设备采集的用户在预设时长内的有效脑电波信号,所述脑电波信号包括α波信号、θ波信号以及γ波信号;
对所述脑电波信号进行傅里叶变换,得到预设频段的频段能量;
基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号;
所述基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号,包括:
基于γ波频段能量确定用户面部表情,包括:
根据预设的频段划分规则将所述γ波划分为预设数量的频段;
分别计算所述预设数量的频段的频段能量的平均值;
根据预先存储的能量平均值与面部状态之间的第三映射关系,确定用户面部表情;
根据预先存储的用户面部表情与玩具工作模式之间的第二映射关系,确定与所述确定的用户面部表情相匹配的第二目标工作模式,输出用于控制所述智能玩具工作在所述第二目标工作模式的第二控制信号;
所述基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号,包括:
基于所述频段能量确定用户情绪;
根据预先存储的用户情绪与玩具工作模式之间的第一映射关系,确定与所述确定的用户情绪相匹配的第一目标工作模式,输出用于控制智能玩具工作在所述第一目标工作模式的第一控制信号;
所述预设频段的频段能量包括α波频段能量、θ波频段能量以及γ波频段能量,所述基于所述频段能量确定用户情绪,包括:
分别将所述预设时长内每秒的所述α波频段能量与θ波频段能量代入预设的能量特征值计算公式,计算得到所述每秒脑电波信号的能量特征值,预设的能量特征值计算公式为:fk,α/θ=sum(fk,α)/sum(fk,θ),其中sum(fk,α)表示第k秒α波频段能量的和,sum(fk,θ)表示第k秒θ波频段能量的和,fk,α/θ表示第k秒脑电波信号的能量特征值;
获取所述能量特征值的最大值和最小值;
将所述能量特征值的最大值和最小值代入预设的脑动力评分公式,计算得到所述每秒脑电波信号的脑动力评分,基于所述脑动力评分判定用户情绪,预设的脑动力评分公式为:fk,s=100*(fk,α-fmin,α)/(fmax,α-fmin,α),其中,fk,s表示第k秒的脑动力,fk,α表示第k秒的能量特征值,fmin,α表示预设时长内每秒的能量特征值中的最小值,fmax,α表示预设时长内每秒的能量特征值中的最大值。
2.如权利要求1所述的智能玩具控制方法,其特征在于,还包括:
当所述预设频段的频段能量均大于预设的能量阈值时,获取可穿戴设备采集的用户在所述预设时长内的头部运动信息,所述头部运动信息包括头部在预定义轴向的偏移角度和偏移加速度;
基于所述偏移角度和偏移加速度,判定头部运动状态;
基于所述头部运动状态确定智能玩具当前的目标工作模式,并生成用于控制智能玩具工作在所述目标工作模式的控制信号并输出。
3.如权利要求2所述的智能玩具控制方法,其特征在于,还包括:
当所述预设频段的频段能量均大于预设的能量阈值时,生成用于控制所述智能玩具工作模式的操作界面;所述操作界面包括供用户输入目标工作模式的输入框或者供用户选择目标工作模式的选择项。
4.如权利要求1所述的智能玩具的控制方法,其特征在于,所述获取可穿戴设备采集的用户在预设时长内的有效脑电波信号,包括:
从所述可穿戴设备采集的脑电波数据中分别提取所述预设时长内每秒脑电波数据中帧信号的最大值、最小值、最大值与最小值的均值;
根据所述每秒脑电波数据中帧信号的所述最大值与最小值的均值,计算所述预设时长内每秒脑电波数据的基准数据;
基于所述每秒脑电波数据中帧信号的所述最大值、所述最小值以及所述基准数据,确定所述每秒脑电波数据中帧信号的信号强度值;
若有所述脑电波数据中帧信号的强度大于预设的信号强度阈值,则确定对该脑电波数据进行降噪处理;
获取降噪处理之后的脑电波数据中的α波信号、θ波信号以及γ波信号,得到所述有效脑电波信号。
5.一种智能玩具的控制设备,其特征在于,包括:
获取模块,用于获取可穿戴设备采集的用户在预设时长内的有效脑电波信号,所述脑电波信号包括α波信号、θ波信号以及γ波信号;
得到模块,用于对所述脑电波信号进行傅里叶变换,得到预设频段的频段能量;
输出模块,用于基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号;
所述基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号,包括:
基于γ波频段能量确定用户面部表情,包括:
根据预设的频段划分规则将所述γ波划分为预设数量的频段;
分别计算所述预设数量的频段的频段能量的平均值;
根据预先存储的能量平均值与面部状态之间的第三映射关系,确定用户面部表情;
根据预先存储的用户面部表情与玩具工作模式之间的第二映射关系,确定与所述确定的用户面部表情相匹配的第二目标工作模式,输出用于控制所述智能玩具工作在所述第二目标工作模式的第二控制信号;
所述基于所述频段能量确定智能玩具当前的目标工作模式,并输出用于控制所述智能玩具工作在所述目标工作模式的控制信号,包括:
基于所述频段能量确定用户情绪;
根据预先存储的用户情绪与玩具工作模式之间的第一映射关系,确定与所述确定的用户情绪相匹配的第一目标工作模式,输出用于控制智能玩具工作在所述第一目标工作模式的第一控制信号;
所述预设频段的频段能量包括α波频段能量、θ波频段能量以及γ波频段能量,所述基于所述频段能量确定用户情绪,包括:
分别将所述预设时长内每秒的所述α波频段能量与θ波频段能量代入预设的能量特征值计算公式,计算得到所述每秒脑电波信号的能量特征值,预设的能量特征值计算公式为:fk,α/θ=sum(fk,α)/sum(fk,θ),其中sum(fk,α)表示第k秒α波频段能量的和,sum(fk,θ)表示第k秒θ波频段能量的和,fk,α/θ表示第k秒脑电波信号的能量特征值;
获取所述能量特征值的最大值和最小值;
将所述能量特征值的最大值和最小值代入预设的脑动力评分公式,计算得到所述每秒脑电波信号的脑动力评分,基于所述脑动力评分判定用户情绪,预设的脑动力评分公式为:fk,s=100*(fk,α-fmin,α)/(fmax,α-fmin,α),其中,fk,s表示第k秒的脑动力,fk,α表示第k秒的能量特征值,fmin,α表示预设时长内每秒的能量特征值中的最小值,fmax,α表示预设时长内每秒的能量特征值中的最大值。
6.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312686.0A CN110152315B (zh) | 2019-04-18 | 2019-04-18 | 一种智能玩具的控制方法、设备、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312686.0A CN110152315B (zh) | 2019-04-18 | 2019-04-18 | 一种智能玩具的控制方法、设备、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110152315A CN110152315A (zh) | 2019-08-23 |
CN110152315B true CN110152315B (zh) | 2021-11-23 |
Family
ID=67639441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910312686.0A Active CN110152315B (zh) | 2019-04-18 | 2019-04-18 | 一种智能玩具的控制方法、设备、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110152315B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113545970B (zh) * | 2021-06-30 | 2024-04-30 | 易念科技(深圳)有限公司 | 一种电子设备的控制方法及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102728068A (zh) * | 2012-07-03 | 2012-10-17 | 北京理工大学珠海学院 | 一种电动玩具车的控制系统及控制方法 |
CN103933739A (zh) * | 2013-01-19 | 2014-07-23 | 袁囡囡 | 意控智能玩具车 |
CN204017374U (zh) * | 2014-08-27 | 2014-12-17 | 西安科技大学 | 一种轨道车控制装置 |
CN104382592A (zh) * | 2014-12-11 | 2015-03-04 | 康泰医学系统(秦皇岛)股份有限公司 | 一种基于功率谱分析算法的脑电检测装置 |
CN106333681A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 基于自学习的睡眠状态监测方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140194034A1 (en) * | 2013-01-02 | 2014-07-10 | Robert Castaneda | Infant Development Toy |
CN105022486B (zh) * | 2015-07-17 | 2018-01-19 | 西安交通大学 | 基于不同表情驱动的脑电信号辨识方法 |
-
2019
- 2019-04-18 CN CN201910312686.0A patent/CN110152315B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102728068A (zh) * | 2012-07-03 | 2012-10-17 | 北京理工大学珠海学院 | 一种电动玩具车的控制系统及控制方法 |
CN103933739A (zh) * | 2013-01-19 | 2014-07-23 | 袁囡囡 | 意控智能玩具车 |
CN204017374U (zh) * | 2014-08-27 | 2014-12-17 | 西安科技大学 | 一种轨道车控制装置 |
CN104382592A (zh) * | 2014-12-11 | 2015-03-04 | 康泰医学系统(秦皇岛)股份有限公司 | 一种基于功率谱分析算法的脑电检测装置 |
CN106333681A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 基于自学习的睡眠状态监测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110152315A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240119653A1 (en) | Avatar animation system | |
CN108615055B (zh) | 一种相似度计算方法、装置及计算机可读存储介质 | |
US10885800B2 (en) | Human performance optimization and training methods and systems | |
CN108310759B (zh) | 信息处理方法及相关产品 | |
Bi et al. | A speed and direction-based cursor control system with P300 and SSVEP | |
Kawala-Janik et al. | Game controller based on biomedical signals | |
CN111956219A (zh) | 基于脑电信号的情绪特征识别方法、识别及调节系统 | |
CN111728608A (zh) | 基于增强现实的脑电信号分析方法、装置、介质及设备 | |
Paszkiel et al. | Using BCI and VR technology in neurogaming | |
CN107194151A (zh) | 确定情感阈值的方法和人工智能设备 | |
CN110152315B (zh) | 一种智能玩具的控制方法、设备、终端设备及存储介质 | |
CN110837294A (zh) | 一种基于眼球追踪的面部表情控制方法及系统 | |
Galway et al. | The potential of the brain-computer interface for learning: A technology review | |
CN109711362A (zh) | 人脸表情提取方法、电子设备以及存储介质 | |
CN109599107A (zh) | 一种语音识别的方法、装置及计算机存储介质 | |
WO2021027593A1 (zh) | 基于脑电数据的汽车控制方法、装置和存储介质 | |
JP2019200656A (ja) | 計算機及び感情推定方法 | |
Baig et al. | Analyzing novice and expert user’s cognitive load in using a multi-modal interface system | |
TW202133117A (zh) | 虛擬化身臉部表情產生系統和虛擬化身臉部表情產生方法 | |
JP2018205616A (ja) | 対話システム、対話システムの制御方法、及び装置 | |
CN113313010A (zh) | 一种人脸关键点检测模型训练方法、装置和设备 | |
CN112200169B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
US11276420B2 (en) | Interaction system, apparatus, and non-transitory computer readable storage medium | |
CN109985301A (zh) | 降低疲劳的处理方法和装置 | |
CN115702791A (zh) | 生理数据的处理方法、装置、可穿戴设备和可读存储介质 |
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 |