CN110163371A - 入睡环境调光优化方法及灯具调控方法 - Google Patents

Abstract

本发明公开了入睡环境调光优化方法及灯具调控方法，调光优化方法首先以阅读面光的照度、色温等光色参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率等体征参数为输出量，建立动态递归Elman神经网络，然后，经训练的神经网络在现场光环境中用来对入睡效率参数值进行预测，所述预测值被用来在基于多目标优化算法对光色参数进行寻优过程中计算光色条件的入睡效率评价值，寻优结果基于灯具调控方法被映射为灯组的驱动电流值，灯组调光后能实现不同灯组环境下有助于用户入睡的照明。

Description

入睡环境调光优化方法及灯具调控方法

技术领域

本发明涉及智能照明与睡眠辅助领域，具体涉及一种入睡环境调光优化方法及灯具调控方法。

背景技术

人体与其他生物一样，都受到日夜这种自然节律的影响。对比研究表明，按照人的心理、智力和体力活动的生物节律，来安排一天、一周等的作息制度，能提高工作效率和学习成绩，减轻疲劳，预防疾病防止意外事故的发生。反之，假如突然不按体内的生物钟的节律安排作息，人就会在身体上感到疲劳、在精神上感到不舒适，这是由于生物钟基因及其下游基因以二十四小时为周期呈现节律性地波动表达，并由此导致各个脏器活动以及多种激素分泌的节律性波动。

在人体视交叉上核神经核团(SCN)细胞的作用机制中，光照刺激非常重要，正常情况下，SCN细胞会在白天根据视网膜的光线信号进行重置，也会在夜间根据松果体分泌褪黑激素的情况进行重置，从而使得大脑内部的时钟与外部的昼夜节律联系起来了。

光照与人体睡眠直接相关，为了帮助宇航员稳定昼夜节律，提高睡眠质量，NASA在国际空间站中使用LED灯，使其在一天中交替发出蓝色、白色和淡红色的光，以模拟地球上典型的昼夜周期。其中，红色的灯光用来帮助或引导人进入睡眠状态。

为了引导对象入睡，还有很多方案被提出。如飞利浦公司的申请号为2009801153425的中国专利，采用时变光图案来诱导对象、特别是从睡眠中醒来的对象入睡。而苹果公司在中国申请号为2015800746753的PCT专利，通过分布式计算机系统依据入睡用户的身体姿势变化来确定睡眠质量。

由于照明光色变化组合模式不可枚举，随着可自动调光灯具的普及应用，一个新的问题被提出，即在不同光照条件下，个体从准备睡觉到进入睡眠这个阶段，将表现出什么样的过渡过程？进而在处理该问题的基础上，如何根据光照对入睡效率或速度的影响而自动进行照明优化控制，帮助用户入睡？

为此，需要一种能对具体用户，基于光照条件到入睡效率有关因素之间的模型，通过优化搜索向其提供能帮助其入睡的调光优化方法。

发明内容

入睡前，人们常会进行一些过渡性的活动如阅读书或数码设备中的内容，此时，人们往往倾向于采用柔和低色温的灯光。但在近乎无穷的光色组合中，什么样的光照条件将更有助于入睡呢？为此，我们需要一个模型，来反映入睡效率或入睡速度与光照条件之间的关系。

另外，光环境特性包括光通量、照度、眩光、亮度、光谱等。昏暗发黄的灯光容易让人昏昏欲睡，光的强度和光色都会对人体睡眠形成不同影响。但何种光色条件更有助于用户入睡，这需要通过优化才能进行进行照明控制的决策。

通过研究发现，人体入睡是一个连续的动态过程，相邻时间周期内人体特征之间有着密切相关性。为此，本发明采用动态递归神经网络来对系统进行建模。与静态前馈型神经网络不同，动态递归网络通过存储内部状态，使其具备映射动态特征的功能。本发明基于动态递归Elman神经网络，对光照条件与入睡效率因素之间的复杂非线性映射关系进行建模，其中光照条件包括阅读面照度、色温、颜色的xyz色坐标值，入睡效率因素则通过用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率5个参数来表征。

建立了光色参数到入睡效率参数的映射后，可以在对入睡效率各参数建立评价函数的基础上，通过优化算法搜索对特定个体能提高其入睡效率的光环境，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5个入睡效率参数建立光环境评价函数：

其中，f_i为5个在对用户眼睛开度、闭眼持续时长、心率、体动频率、体温中的各体征参数进行数据拟合后按时间差进行定义的入睡效率各参数的评价值，w_i为其对应的权值。

所建立的评价函数F在用户入睡时间短即入睡效率高时将有较高评分，否则评分降低。由于入睡效率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。经过优化求解后，获得入睡效率评价高的光色参数。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，从而获得有助于用户入睡的光照环境。

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。譬如，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；或者，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；另外，还可以基于一个BP神经网络，该BP网络以阅读面照度、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，提供一种入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman神经网络，所述神经网络以阅读面光的照度、色温等2个光色参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个体征参数作为入睡效率参数并将所述入睡效率参数作为输出量；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，对各变化后的光环境，通过光色识别单元采集并识别阅读面光的照度、色温和颜色等光色参数，通过入睡识别单元及控制单元采集并识别用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率等体征参数，记录所述光色参数值及对应的所述体征参数值，获取神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述动态递归Elman神经网络的训练样本集，并用样本集对所述神经网络进行训练；

S4、确定将阅读面照度、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，基于其光色参数用训练后的神经网络对其对应的入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，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相应的驱动器进行调光。

作为优选，所述动态递归Elman神经网络输出量的5个入睡效率参数k_i，i＝1,2,3,4,5，按如下方式处理获得：

基于入睡识别单元获取各种光照条件下入睡过程中体征参数的变化过程数据并进行记录，对于所记录的每个入睡过程中的体征参数序列中的数据，经滤波和数据融合处理后，

对用户闭眼持续时长y1，对其预处理，

y1＝max(y1,4)，

然后，先基于如下模型进行离线数据拟合，

y1＝g1(t)＝8·b/exp(4·c·(a-t))+1，

再计算闭眼持续时长变化率，

k_ec＝k₁＝t2-t1，其中t1＝g1^-1(4e^-1),t2＝g1^-1(4-4e^-1)；

对用户眼睛开度、心率、体动频率、体温中的每个体征参数，对其归一化处理后，先分别基于如下模型进行离线数据拟合，

y2＝g2(t)＝2·b/exp(4·c·(t-a))+1，

再计算其各自变化率，

k_i＝t2-t1，其中t1＝g2^-1(1-e^-1),t2＝g2^-1(e^-1)，i＝2,3,4,5；

其中，y1、y2为体征参数预处理或归一化后的取值，t为时间，a、b、c为待拟合系数，ki(i＝2,3,4,5)分别对应眼睛开度变化率keo、心率变化率kh、体动频率变化率kb、体温变化率kp。

作为优选，所述步骤S6中的所述评价函数定义为：

其中，fi分别为对应用户眼睛开度、闭眼持续时长、心率、体动频率、体温5个因素的入睡效率评价值，wi为其对应的权值，各fi的定义如下：

其中，k_eoT为眼睛开度变化率阈值，k_ecT为闭眼持续时长变化率阈值，k_hT1、k_hT2分别为心率变化率设定区间的两个端点阈值，k_hT3为设定的心率变化率区间宽度值，k_bT为体动频率变化率阈值，k_pT1为体温变化率阈值，k_pT2为体温变化率区间宽度设定值。

作为优选，所述入睡识别单元包括图像采集模块、可佩带模块和入睡判断模块，所述图像采集模块采用深度相机进行图像采集，

所述步骤S2包括如下处理过程：

所述入睡判断模块中的图像处理部对用户眼睛开度进行持续检测，心率计算部、体动频率计算部及体温计算部则基于可佩带模块获取的人体传感信号计算出心率、体动频率及体温，

入睡判断模块中的数据融合处理部，对图像处理部、心率计算部、体动频率计算部及体温计算部输出的体征参数进行数据融合，消除数据集中不一致的部分，

所述图像采集模块采用深度相机，所述入睡识别单元还根据图像处理部的处理结果，转动支撑所述相机的云台，使相机对准用户脸部。

作为优选，所述灯组为有w个驱动电流通道的LED灯组，其通过驱动器调节灯组内各LED灯的驱动电流值，所述调光信号、驱动电流值均为LED灯驱动电流的PWM波占空比数值，

定义一个入睡过渡时长t_sl为从该按键被按下开始计时至眼睛持续闭眼持续时长超过1分钟的时间长度；

步骤S1中，所述神经网络输入量增加3个，以阅读面光的照度、色温、颜色xyz色坐标值共5个光色参数作为输入量；所述神经网络输出量增加所述入睡过渡时长；

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神经网络也以所述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采样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S6中的所述评价函数中相应增加一个入睡过渡时长评价值f₆，

其中，t_slT1和t_slT2分别是两个入睡过渡时间的阈值；

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，所述动态递归Elman神经网络的模型为：

xc_k(t)＝x_k(t-mod(k,q)-1)，

其中，mod为求余函数，f()函数取为sigmoid函数；xc_k(t)为承接层输出，x_j(t)为隐含层输出，u_i(t-1)和y_h(t)分别为输入层输入和输出层输出，w_j、w_jk和w_ji分别为隐含层到输出层的连接权值、承接层到隐含层的连接权值和输入层到隐含层的连接权值，θ_h和θ_j分别为输出层和隐含层阈值；k＝1,2…m，q为所选定的回归延时尺度，根据采样周期优选；j＝1,2…m，i＝1,2,…n，隐含层及承接层节点数m可以在12～25之间选择；h＝1,2…5；

所述训练采用梯度下降法。

在本发明的另一个实施例中，还提供一种入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman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个照明参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个入睡效率参数作为输出量；

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调光信号和入睡识别单元获取所述动态递归Elman神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述神经网络的训练样本集，并用样本集对所述神经网络进行训练；

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动态递归Elman神经网络对其入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，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。

在本发明的又一个实施例中，还提供一种入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman神经网络，所述神经网络以阅读面光的照度、色温、颜色xyz色坐标值等5个光色参数及入睡持续时间共6个参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个体征参数作为入睡效率参数并将所述入睡效率参数作为输出量；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，对各变化后的光环境，通过光色识别单元采集并识别阅读面光的照度、色温和颜色等光色参数，通过入睡识别单元及控制单元采集并识别用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率等体征参数，记录所述光色参数值及对应的所述体征参数值，获取神经网络的训练样本；

其中，每个训练样本的参数按如下处理过程获取：

对用户眼睛开度持续检测，当发现眼睛开度值在一设定时间长度内连续小于入睡初始阶段眼睛开度值的(1-Δ％)倍时，将当前时间作为入睡持续时间的计时零点，所述Δ可取5至10之间的整数，

所述用户眼睛开度变化率k_eo、闭眼持续时长变化率k_ec、心率变化率k_h、体动频率变化率k_b、体温变化率k_p这5个体征参数均通过滑动平均滤波计算，如对于眼睛开度变化率，

k_eo|_t＝u＝ave(dEO_u-2,dEO_u-1,dEO_u,dEO_u+1,dEO_u+2)，

其中，ave为均值函数，dEO_u为u时刻与上一时刻眼睛开度值之差；

S3、重复进行步骤S2多次，获取所述动态递归Elman神经网络的训练样本集，并用样本集对所述神经网络进行训练；

S4、确定将阅读面照度、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；

S5、针对搜索空间内进化群体中的各个体，基于其光色参数用训练后的神经网络对其对应的入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，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。

在本发明的再另一个实施例中，还提供一种入睡环境灯具调控方法，包括以下步骤：

S1、初始化，在控制单元中建立BP神经网络，所述神经网络以阅读面照度、色温、颜色的xyz色坐标值共5个光色参数作为输入量，以照明灯组的w个驱动电流通道的电流值作为输出量；

所述BP神经网络的模型为：

隐含层层第j个节点输出为

输出层第p个节点输出为

其中，f()函数取为sigmoid函数，w_ij和v_jp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，a_j和b_p分别为隐含层和输出层阈值，k为隐含层节点数；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，记录调光所对应的w个驱动电流通道的驱动电流值，并且对变化后的光环境基于光色识别单元进行信号采集与处理，获取所述BP神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述BP神经网络的训练样本集，并用样本集基于梯度下降法对BP神经网络进行训练；

S4、在现场环境中，经训练的BP神经网络将经优化处理所搜索到的具有高入睡效率的光色参数映射为灯组各驱动电流通道的驱动电流值。

采用本发明方案，与现有技术相比，具有以下优点：本发明分别通过阅读面照度、色温、颜色的xyz色坐标值来表征光照条件，采用通过数据融合与数据拟合获取的用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率等体征参数来表征入睡效率，各参数分别通过光色识别单元、入睡识别单元进行信号采集与处理后，在控制单元中采用非线性映射对环境的光照条件与用户入睡效率因素之间的影响关系进行构造建模，经训练或拟合后的映射能对不同光环境下的用户入睡效率进行预测，从而在各种入睡环境下，为高入睡效率光照条件的推荐和评价提供了依据。基于多目标优化算法，搜索出高入睡效率评价值的光色参数，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，从而实现有助于用户快速入睡的光照条件。

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，出现在本公开方案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的照明控制系统的组成结构图；

图3为控制单元组成结构图；

图4为光色识别单元组成结构图；

图5为入睡识别单元组成结构图；

图6为可调光灯组组成结构图；

图7为Elman神经网络结构示意图；

图8为模块布局结构示意图；

图9为图像采集模块的云台旋转示意图；

图10为光色获取模块的旋转示意图；

图11为光色获取模块旋转平台结构示意图；

图12为基于入睡效率因素的照明环境示意图；

图13为眼睛开度检测序列曲线图。

其中：

100入睡环境调光优化系统，110光色识别单元，120入睡识别单元，130身份识别单元，140控制单元，150用户接口单元，160可调光灯组，170调光映射单元，

111光色获取模块，112光色判断模块，113旋转平台，

121图像采集模块，122可佩带模块，123入睡判断模块，1231图像处理部，1232心率计算部，1233体动频率计算部，1234体温计算部，1235数据融合处理部，

141输入接口模块，142处理模块，143Elman神经网络，144迭代学习模块，145存储器，146第一连接阵，147第二连接阵，148输出模块，

161驱动器，162LED串，

101底座，102支架，103深度相机，104云台，105显示条，106光色传感块，107按键块，108调光面板，

1061第一连接件，1062横滚转轴，1063横滚板，1064俯仰转轴，1065俯仰板，1066光色传感器，1067第二连接件。

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，而对本领域技术用户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：

人的生物钟就是人体内随时间作周期变化的生理生化过程、形态结构以及行为等现象。人体内的生物钟多种多样，人体的各种生理指标，如脉搏、体温、血压、体力、情绪、智力等，都会随着昼夜变化做周期性变化。例如，在凌晨2时的时候，人的睡眠达到最大深度，凌晨4时30分，体温达到最低，上午10时的时候是人们头脑最清醒的时刻，下午15时30分是人们反应最灵敏的时候，到了下午18时30分，人的血压达到了1天的高峰，晚上21时的时候褪黑素的分泌开始。

根据人的生理生化活动的周期性变化，人可以合理安排一天的活动，从而使工作和休息效率达到最高，也使得人的身心健康状态达到最佳。其中，根据生物钟来安排和引导睡眠，是人们保持精力所必须的。

在人体从清醒状态进入睡眠时，心跳减慢、体温下降、呼吸变缓，肌肉也会随之放松，与之相适应的是精神上从懈怠、发呆、疲倦、思睡、入睡的一种变化过程。通过与脑电图的对比研究表明，人眼睛闭合持续时间越长，疲劳程度越严重。因此，通过测量眼睛开度及闭合持续时间的长短能够确定疲劳程度，从而为入睡过程提供检测手段。

入睡阶段，人体会表现出疲劳感增强、眼睑低垂、间断性的眨眼直至完全闭眼、身体移动减缓、脉搏和体温降低等趋向性变化，这些身体特征可以通过传感器的手段进行检测。其中，脸部眼睛状态特别是开度变化的检测可以基于机器视觉及图像处理等技术，而心率、体动及体温则可以用手环等可佩带式模块进行检测，这些检测手段在交通驾驶或睡眠监测中已有应用。

光照对人体入睡有直接、重要的影响，为了帮助寻找有助于更快进入睡眠的照明，本发明专利通过非线性系统建模，对用户在不同光色环境下的入睡效率特征进行检测与预判，然后基于优化算法对入睡环境下的光色条件组合进行寻优并按寻优结果进行照明控制，帮助用户入睡。

如图1所示，本发明入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman神经网络，所述神经网络以阅读面光的照度、色温等2个光色参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个体征参数作为入睡效率参数并将所述入睡效率参数作为输出量；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，对各变化后的光环境，通过光色识别单元采集并识别阅读面光的照度、色温和颜色等光色参数，通过入睡识别单元及控制单元采集并识别用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率等体征参数，记录所述光色参数值及对应的所述体征参数值，获取神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述动态递归Elman神经网络的训练样本集，并用样本集对所述神经网络进行训练；

S4、确定将阅读面照度、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，基于其光色参数用训练后的神经网络对其对应的入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，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相应的驱动器进行调光。

下面详细说明本发明的处理过程。

如图2所示，采用本发明方法的入睡环境调光优化系统100，其包括光色识别单元110、入睡识别单元120、身份识别单元130、控制单元140、用户接口单元150、调光映射单元170和可调光灯组160。身份识别单元130采用指纹识别器、生物或其他特征识别器，生物特征可以采用虹膜特征或面部测量数据特征如用户眼睛、鼻子和嘴之间的距离等。

结合图2、图5、图8所示，入睡识别单元120包括图像采集模块121、可佩带模块122和入睡判断模块123，其中，图像采集模块121有云台104支撑。图像采集模块的相机103，连同云台104一起，固定于在入睡场景中置于用户附近的支架102上，支架102底部有底座101支撑。

图像采集模块121对入睡场景中的人脸、阅读对象进行连续的图像采集，由图像处理部对所采集图像进行处理，周期性监测用户眼睛开度，并获取用户眼睛开度值及其变化率、闭眼持续时长及其变化率。为了配合光色识别单元对阅读面的光色识别，图像处理部还对阅读对象相对支架的朝向方位进行识别。

结合图8、图9所示，图像采集模块采用深度相机，通过一个彩色摄像头和一组景深红外摄像头进行成像，彩色摄像头用于捕捉图像，红外摄像头用于生成像素深度矩阵，经过运算生成目标的深度信息，从而对各个角度的人眼进行跟踪检测。在进行人眼跟踪检测的过程中，根据图像处理部的处理结果，转动支撑相机的云台，使相机对准用户脸部，以利于成像与处理。云台运动使得相机分别通过绕Y轴进行俯仰转动、通过绕Z轴进行偏转转动。

可佩带模块122中有脉搏传感器、加速度传感器、体温传感器等信息采集模块，这些传感器所采集的信号分别经入睡判断模块123中的心率计算部1232、体动频率计算部1233及体温计算部1234处理后，获得用户的心率、体动频率、体温以及它们各自的单位时间变化率。

基于深度相机采集到的入睡场景图像，图像处理部1231首先要进行平滑处理及阈值分割，去除噪声并进行用户面部及眼睛区域定位，提取人眼高宽比等特征信息；其次，基于深度信息进行几何校正，对眼部区域进行三维重建，获得其三维世界坐标，得出不同角度和距离下的实际眼睛开度值。

基于周期性获取的人眼高宽比可以计算出眼睛开度值，在周期性进行图像采样的过程中，还能获取闭眼持续时长。定义闭眼状态为眼睑盖过瞳孔的面积超过80％，在图像采样过程中，如果前后连续两次采集的眼睛图像都是闭合状态，则认为这两次采集时间间隔是闭眼持续时间。连续采集到睁眼——闭眼——睁眼序列，两个睁眼时间之差为闭眼持续时长。

基于图像的入睡特征处理过程为：对图像进行脸部定位后，进行左右眼区域分割，分别对两眼进行眼睛开度及闭眼持续时长识别。

入睡过程中身体动作幅度与频率都逐步减弱，因而可以用来对入睡进行辅助检测。通过统计周期如半分钟内的身体活动如腕部活动能量及频率来表征当前状态。采用的过零检测，若加速度值和一个略大于零的参考值相比较，每过参考值一次就计数一次。采用了下式表示体动频率特征：

其中，A_i为根据加速度值获取的第i周期腕活动次数，R_i为时序系数，η_j(j＝1,2,3,4)为项系数，Q_i为测量周期时间及其前后各2个时段中活动数量高于设定阈值如5的时段数量，SD为求标准差函数。式中各系数可以在0至1之间取值，也可以通过将d_i与同时记录的其他生理指标如肌电进行对比来拟合标定。

用脉搏传感器来测量心率是基于物质对光的吸收原理，脉搏传感器通过绿光LED照射血管同时搭配感光光电二极管来对反射光进行测量。由于血液是红色的，它可以反射红光吸而收绿光，在心脏跳动时，血液流量增多，绿光的吸收量会随之变大；处于心脏跳动的间隙时血流会减少，吸收的绿光也会随之降低。因此，根据血液的吸光度可测量心率。

脉搏传感器将血液流动对光的吸收转变成了波动信号，该信号是直流信号和交流信号的混合，通过0.8Hz到2.5Hz之间的带通滤波提取其中反映血液流动特点的交流信号，然后采用傅里叶变换，提取幅值的最大值点，得到该点所对应的频率值，乘以60倍而得到实际的心率值。

体温计算部对体温传感器采集的信号进行滤波处理，计算出体温值。

在获取眼睛开度、闭眼持续时长、心率、体动频率、体温等基本数据后，入睡判断模块中的数据融合处理部，对这些体征参数进行数据融合，以消除数据集中不一致的部分。

数据融合采用证据推理方法，基于所设定的启发式规则。规则包括单因素和多因素两类。以单因素规则为例：对于眼睛开度，如检测到一只眼睛闭合同时另外一只眼睛睁开，则当前状态判定为睁眼。其他体征变化，如体温在下降过程中的偶尔较大幅度上升、心率下降后的偶尔而非持续反向上升，都要用证据推理进行个别数据的排除。

多因素规则推理中，根据多数特征数据的一致变化趋势来排除个别体征数据的相反变化趋势。在用曲线如指数分布对闭眼持续时长进行数据拟合时，对于闭眼持续时长逐步增加数据序列中间杂的几个短闭眼持续时长，如果其他体征数据表现为睡意逐步加深，则应将该几个短闭眼持续时长数据排除，这可能是人在入睡过程中有意识为调整自身状态而主动发生的抗拒疲劳动作，此时表现为快眨几次眼。相似的，如果其他体征数据变化不大即表现为不疲劳，但闭眼持续时长大大超过正常值，则该数据也应排除，此时可能是眼睛中有异物。再比如，在趋于平静时加速度传感器检测到身体突然触动，如果其他体征数据变化不大，则可能此时是入睡过程中打瞌睡引起的的触动，在计算体动频率趋势时也应删除这个触动数据。

基于数据融合处理后的各种体征数据序列，入睡判断模块采用数据拟合的方法来对数据序列进行表达。图13给出了一次入睡前阅读时眼睛开度的检测序列，其中，归一化处理后的眼睛开度de的采样序列首先经过了滤波的预处理，再经数据融合进一步去除了偶然因素的影响。图中，第一阶段，眼睛开度de变化不大，基本上在正常状态下平均值上下一个范围内变化；第二阶段，随着困意来临，眼睛开度逐渐减小，直至最后被检测为基本闭合。

从图13可以看出，在入睡的过渡时间段内，人眼睛开度的转折点是难以预测的，而且从转折点之后，在较短的时间内就会逐步闭合；同时，不同时候这个渐变时长也会有较大差别。为了对这种采样序列进行拟合，区别于常用的Sigmoid、tanh等趋势函数，本发明设计了如下的拟合函数：

y2＝g2(t)＝2·b/exp(4·c·(t-a))+1，

其中，b为比例系数，对于归一化的数据可取值为0.5，a和c则是与样本相关的参数。只要适当改变a、c的值，能对各种不同转折点位置、不同变化速率的呈下降趋势的数据序列进行拟合。

相应地，对心率、体动频率、体温等呈下降后趋于稳定的体征数据序列，均可采用上述y2函数进行数据拟合。而对于闭眼持续时长，相应地，设计了另一个拟合函数：

y1＝g1(t)＝8·b/exp(4·c·(a-t))+1。

而且，对于闭眼持续时长而言，如果其达到了4秒之久，一般可以判断人员已经进入入睡状态。因此，对闭眼持续时长进行预处理：

y1＝max(y1,4)，

否则，闭眼持续时长会有很多取值可能，并且使得样本失去表征的意义。

在对体征数据序列进行数据拟合的基础上，如何表征眼睛开度等这些体征的变化率呢？本发明针对所拟合出的趋势函数，计算两个确定的因变量对应的自变量即时间之差来对体征变化率进行表征。如，对于眼睛开度，计算其变化率k_eo：

k_eo＝t2-t1，其中t1＝g2^-1(1-e^-1),t2＝g2^-1(e^-1)。

类似地，可以计算其他体征的变化率。通过这种数据处理，使得各种体征及其变化率都能体现一致的评价标准；如，所定义的体征变化率越小，则说明入睡过渡时间越短。同时，这种多因素的体征评价，相比单因素评价如眼睛开度评价，更能体现不同人员的入睡效率或速度特征，从而为后续的光照影响建模和光照优化控制提供了基础。

作为优选，对用户眼睛开度、闭眼持续时长、心率、体动频率、体温等体征参数，根据其本身时间数据序列的若干前后项来计算其可信概率，用贝叶斯数据融合方法将多个体征参数融合为一个输出。

结合图2、图4、图10、图11所示，光色识别单元110包括置于旋转平台113上的光色获取模块111以及对获取的光传感信号进行处理与计算的光色判断模块112。旋转平台及光色获取模块组成光色传感块106，连接于支架102上。

光色获取模块中的光色传感器1066依次通过俯仰板1065、横滚板1063和第一连接件1061连接于支架102上。俯仰板1065通过俯仰转轴1064连接于横滚板1063上，带动光色传感器1066绕Y轴进行俯仰转动；横滚板1062通过横滚转轴1062连接于第一连接件1061上，带动俯仰板1065及光色传感器1066绕X轴做横滚转动。横滚转轴1062与俯仰转轴1064均通过电机来驱动旋转，它们分别通过第一连接件1061、第二连接件1067取电，电机的控制由位于底座中的光色判断模块或控制单元实现。所述第一连接件1061为硬连接，除了支撑固定外还提供电连接通道，第二连接件1067则为软连接，仅提供电连接通道。

光色传感器包括照度、色温和颜色传感器，其中，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(IR)通道，两个红外通道可用于推断光源类型。TCS3430传感器实时采集阅读面的光色信号，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。

用户入睡前可能在工作台上活动，如进行第二天的工作计划或时间安排或短时阅读，此时阅读面基本固定，可以在水平面方向上进行光照检测。但有时候，用户的阅读面并非水平，如倚靠在躺椅、沙发或者床头进行阅读，此时，基于图像处理部对阅读面方位的识别，有两种方法对阅读面的光照特别是照度进行检测，一种是根据光源的空间分布特征，将光色传感器1066检测到的照度折算到阅读面，另外一种方法，则是通过旋转平台将光色传感器变换到与阅读面平行的方位，从而通过光色计算模块获得阅读面的照度。前一种方法需要对光源的空间分布进行建模，适用范围小，为此，采用第二种方法。

在不同的光环境中，分别旋转俯仰转轴、横滚转轴来改变光色传感器表面的朝向，对照射光进行采样后由光色判断模块计算出该朝向面的照度、色温、颜色xyz色坐标值等光色参数值，记录每个朝向对应的俯仰角α、横滚角β并建立α和β组合到各光色参数值的映射表。

应用时，基于俯仰角α、横滚角β组合到各光色参数值的映射表，对于一具体角度组合(α₀，β₀)，通过在映射表中进行插值来获取其照度、色温值。

作为优选，在建立所述角度组合到光色参数值的映射表的过程中，所述光色传感器表面被布置得尽量接近阅读面，以使两个平面上的光照差别小到不足以影响入睡效率。当光源离阅读面有一定距离时，这很容易被满足。

结合图1、图6所示，可调光灯组160采用可调光LED灯组，其通过驱动器调节灯组内各LED串162的驱动电流值，驱动器161为可改变输出电流的驱动器，驱动器通过改变LED串各通道驱动电流的PWM波占空比来进行出光调节。通过驱动电流的改变，可调光灯组160可调节其亮度、色温、颜色及照射角度等光性质中的至少一种。

如图12所示，针对特定个体，采集其在各种光色条件下的入睡效率表现，且在光色参数与入睡效率参数之间建立第一映射。对用户入睡效率参数建立入睡效率评价函数，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入睡效率参数进行预测，从而能依据所预测的入睡效率参数计算该组合对应的入睡效率评价。

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，实现入睡效率优化值对应的光环境照明。

结合图2、图3所示，控制单元包括输入接口模块140、处理模块142、Elman神经网络143、迭代学习模块144、存储器145、第一连接阵146、第二连接阵147和输出模块148。

本实施例采用动态递归Elman神经网络对环境的光照条件与用户入睡效率因素之间的映射关系进行构造建模。具体地，建立以图7所示的Elman神经网络，该网络以阅读面照度、色温作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个体征参数为输出量。其中，作为优选，还可在输入量中增加颜色的xyz色坐标值参数。

所采用的Elman神经网络具有递归结构，相比BP神经网络，Elman神经网络除了输入层、隐含层和输出层之外，还包括一个承接层，承接层用于层间的反馈联结，使得其能够表达输入与输出之间在时间上的延迟及参数时序特征，使得网络具有了记忆功能。参见图7，所建立的神经网络输入层有n＝2个单元，隐含层及承接层节点数为m，输出层有5个单元。

所述神经网络的模型为：

xc_k(t)＝x_k(t-mod(k,q)-1)，

其中，mod为求余函数，f()函数取为sigmoid函数；xc_k(t)为承接层输出，x_j(t)为隐含层输出，u_i(t-1)和y_h(t)分别为输入层输入和输出层输出，w_j、w_jk和w_ji分别为隐含层到输出层的连接权值、承接层到隐含层的连接权值和输入层到隐含层的连接权值，θ_h和θ_j分别为输出层和隐含层阈值；k＝1,2…m，q为所选定的回归延时尺度，根据采样周期优选；j＝1,2…m，i＝1,2，隐含层及承接层节点数m可以在12～25之间选择；h＝1,2…5。

为提高神经网络的泛化能力，要采集足够多的训练样本。控制单元通过输出模块或用户接口单元向灯组发出调光信号，针对特定用户在不同的光环境中基于光色识别单元和入睡识别单元获取神经网络的训练样本集，记录各样本输出值y_h的期望值y_hd。

其中，通过入睡识别单元和控制单元中的处理模块，神经网络输出量的5个体征参数按如下方式处理获得：

基于入睡识别单元获取各种光照条件下入睡过程中体征参数的变化过程并进行记录，对于所记录的每个入睡过程中的体征参数序列中的数据，

对用户闭眼持续时长y1，对其预处理，

y1＝max(y1,4)，

然后，先基于如下模型进行离线数据拟合，

y1＝g1(t)＝8·b/exp(4·c·(a-t))+1，

再计算闭眼持续时长变化率，

k_ec＝k₁＝t2-t1，其中t1＝g1^-1(4e^-1),t2＝g1^-1(4-4e^-1)；

对用户眼睛开度、心率、体动频率、体温中的每个体征参数，对其归一化处理后，先分别基于如下模型进行离线数据拟合，

y2＝g2(t)＝2·b/exp(4·c·(t-a))+1，

再计算其各自变化率，

k_i＝t2-t1，其中t1＝g2^-1(1-e^-1),t2＝g2^-1(e^-1)，i＝2,3,4,5；

其中，y1、y2为体征参数预处理或归一化后的取值，t为时间，a、b、c为拟合系数，k_i(i＝2,3,4,5)分别对应眼睛开度变化率k_eo、心率变化率k_h、体动频率变化率k_b、体温变化率k_p。

在对入睡过程进行样本采集过程中，当检测到多个体征参数变化率在连续几个周期内都小于设定阈值时，认为用户已经入睡，则停止本次入睡采样。

神经网络训练采用梯度下降法，训练中权值和阈值调整方法如下。

假设总共有P个训练样本，令误差函数为：

则隐含层到输出层连接权值的调整式如下式所示：

w_hj(t+1)＝w_hj(t)+Δw_hj(t+1)，

其中，

δ_yh＝-(y_hd-y_h)·y_h·(1-y_h)，

输出层阈值的调整式为：

θ(t+1)＝θ(t)+Δθ(t+1)，

其中，

类似地，调整输入层到隐含层连接权值、隐含层阈值，及承接层到隐含层连接权值。

各权值的初始值域取为(-0.1，0.1)区间，学习速率η为小于1的小数，可采用固定速率或根据当前网络输出总误差来动态调整。训练结束条件可以设定为总误差或其变化小于一个设定值或训练次数达到一定量。

在进行网络训练之前，可对输入量和输出量进行归一化预处理：

r'＝r-r_min/，r_max-r_min，

其中，r为未经处理的物理量，r'为经过归一化后的物理量，r_max和r_min分别为样本数据集的最大和最小值。

计算预测值时，用下式将网络输出量换算回输出量值：

r＝r_min+r'·(r_max-r_min)。

在线预测应用时，第一连接阵断开，神经网络对各输出量进行预测并经第二连接阵输出给处理模块，由处理模块处理分析后通过输出模块进行显示输出及以信号形式对外发送。

结合图1、图6所示，作为优选，LED串为含RGB三基色电流通道的调光灯，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，灯表现出颜色近似不变而亮度渐亮或渐暗。

作为优选，控制单元通过输出模块在已知的LED灯组调光范围内，以步进的方式改变LED灯组的出光。例如，将LED串的各通道电流取值与所对应的在阅读面上采集到的照度、色温以及颜色合在一起建立一个变量的电流—光色映射表，针对照度、色温以及颜色组成的照明向量空间，在其取值区间中以分别仅改变其中一个变量如照度而保留其他变量如色温及颜色不变，逆向查找所述电流—光色映射表找到当前照明向量对应的LED串各通道电流值，控制单元通过输出模块，将各通道电流的PWM波占空比以信号的形式发送给驱动器。控制单元通过不断改变照明向量空间的工作点，在多次入睡检测后获取足够多的神经网络的训练样本，其中在各光色变量的端值区域采样点可以稀疏，而在低色温区域如色温3000k附近，照度100lx～300lx附近的区域，采样点要更为密集。所采集样本，保存在存储器中。

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，可以在新的光环境中，对当前光照条件下用户将有何种入睡效率进行预测和判断，并通过输出模块来显示或输出预判的结果。

具体地，结合图1、图8所示，在底座101上，用户接口单元的按键设置在按键块107区域中，在按键块相对的另一侧，用户接口单元还可以设置一个调光面板108，以手动调节灯组出光。

作为优选，输出模块148包括一个用来轮流指示当前用户入睡效率各因素值的显示条105。作为优选，输出模块还包括一个通信接口，并通过该接口模块向外部输出所检测或预判的入睡效率的各因素值。

由于准备入睡时的睡意或疲劳程度是变化的，作为优选，可在用户接口单元中设置对当前疲倦程度进行指示的按键，同时所述神经网络增加一个疲倦指数输入量，所述疲倦指数可以是1至5之间的整数。

当用户因为情绪等原因引起入睡困难时，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。

建立了光色参数到入睡效率参数的映射后，基于网络的泛化能力，可以通过优化算法搜索对特定个体能提高其入睡效率的光环境，并通过调光手段将现场光环境按优化结果进行配置。为此，为此，基于5个入睡效率参数建立光环境评价函数：

其中，f_i为5个在对用户眼睛开度、闭眼持续时长、心率、体动频率、体温中的各体征参数进行数据拟合后按时间差进行定义的入睡效率各参数的评价值，w_i为其对应的权值，各f_i的定义如下：

式子中，k_eo为眼睛开度变化率，k_eoT为眼睛开度变化率阈值；k_ec为闭眼持续时长变化率，k_ecT为闭眼持续时长变化率阈值；k_h为心率变化率，k_hT1、k_hT2分别为心率变化率设定区间的两个端点阈值，k_hT3为设定的心率变化率区间宽度值；k_b为体动频率变化率，k_bT为体动频率变化率阈值；k_p为体温变化率，k_pT1为体温变化率阈值，k_pT2为体温变化率区间宽度设定值；

所建立的评价函数F在用户入睡时间短即入睡效率高时将有较高评分，否则评分降低。由于入睡效率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、机器人路径规划等许多学科得到了广泛的应用。

MOGA求解中，首先确定将阅读面照度、色温、以及颜色的xyz色坐标值共5个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Elman神经网络对各个体对应的光色参数进行入睡效率参数预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率5个预测值；基于所述预测值，按评价函数F计算其评价值，并根据评价值进行遗传交叉和变异操作，更新进化群体；如此反复迭代，直至寻优结束，输出Pareto优化解。

经过优化求解后，获得入睡效率评价高的光色参数。然后，调光映射单元170将该优化出的光色参数映射为灯组160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，从而获得有助于用户入睡的光照环境。

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。譬如，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，仅考虑阅读面照度、色温这2个参数。

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。调光映射单元中含有一个阅读面照度、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，

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；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。

作为优选，调光映射单元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，仅考虑阅读面照度、色温这2个参数。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。结合图2第二映射所示，调光映射单元中含有一个阅读面照度、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。

假设阅读面照度、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·q

其中，电流向量i＝[i₁,i₁]^T，系数矩阵变换向量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＝IQ^T(Q^TQ)^-1

因此，对于所述寻优结果(E₀，K₀)，通过经拟合的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。

作为优选，优化搜索后的调光映射还可以基于一个BP神经网络，该BP网络以阅读面照度、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。相应地，在步骤S2中发出调光信号时，还记录调光所对应的w个驱动电流通道的驱动电流值，所述电流值及调光后采样获得的光色参数共同形成BP神经网络的训练样本；经样本训练后的BP神经网络在步骤S8中将优化解映射为各通道驱动电流。

作为优选，还可在照明控制系统中增加一个准备入睡按键，当准备入睡时，按下此按键，开始采样并记录光照条件与入睡特征参数等的数据样本。

定义一个入睡时间t_sl为从该按键被按下开始计时至眼睛持续闭眼持续时长超过1分钟的时间长度。

在Elman神经网络的输出量中增加一个入睡过渡时长参数，所述光环境评价函数中相应增加一个入睡过渡时长评价值f₆：

其中，t_slT1和t_slT2分别是两个入睡过渡时间的阈值。

f₆是以t_slT1为端点的按半梯形分布的评分函数，当入睡过渡时长越大时评价值越低。

为增加网络的适用性，作为优选，控制单元还可以增加一个实时时钟模块，神经网络模块增加一个从实时时钟模块获取的季节参数作为输入。

作为优选，神经网络模块还可以增加一个从实时时钟模块获取的时段参数作为输入，所述时段分别为中午或晚上。

作为优选，控制单元还可以增加一个温湿度测量模块，神经网络模块增加从温湿度测量模块获取的温度、湿度两个参数作为输入。

作为优选，控制单元还可以增加一个噪声测量模块，神经网络模块增加一个从噪声测量模块获取的噪声水平参数作为输入。

实施例2：

如果用户经常在固定的室内环境下睡眠，且所述环境内具有相同的照明灯具环境。对于这种情况，为了实现高入睡效率因素的照明，可以省去驱动电流向入睡效率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入睡效率参数值。

本实施例中用动态递归Elman神经网络来实现第三映射。

结合图12所示，在本发明的另一个实施例中，还提供一种入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman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个照明参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个入睡效率参数作为输出量；

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调光信号和入睡识别单元获取所述动态递归Elman神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述神经网络的训练样本集，并用样本集对所述神经网络进行训练；

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动态递归Elman神经网络对其入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，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。

本实施例中的入睡效率体征参数采用实施例1中的采样与数据拟合方法获取。

实施例3

在本发明的又一个实施例中，还提供另一种入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman神经网络，所述神经网络以阅读面光的照度、色温、颜色xyz色坐标值等5个光色参数及入睡持续时间共6个参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个体征参数作为入睡效率参数并将所述入睡效率参数作为输出量；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，对各变化后的光环境，通过光色识别单元采集并识别阅读面光的照度、色温和颜色等光色参数，通过入睡识别单元及控制单元采集并识别用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率等体征参数，记录所述光色参数值及对应的所述体征参数值，获取神经网络的训练样本；

其中，每个训练样本的参数按如下处理过程获取：

对用户眼睛开度持续检测，当发现眼睛开度值在一设定时间长度内连续小于入睡初始阶段眼睛开度值的(1-Δ％)倍时，将当前时间作为入睡持续时间的计时零点，所述Δ可取5至10之间的整数，

所述用户眼睛开度变化率k_eo、闭眼持续时长变化率k_ec、心率变化率k_h、体动频率变化率k_b、体温变化率k_p这5个体征参数均通过滑动平均滤波计算，如对于眼睛开度变化率，

k_eo|_t＝u＝ave(dEO_u-2,dEO_u-1,dEO_u,dEO_u+1,dEO_u+2)，

其中，ave为均值函数，dEO_u为u时刻与上一时刻眼睛开度值之差；

S3、重复进行步骤S2多次，获取所述动态递归Elman神经网络的训练样本集，并用样本集对所述神经网络进行训练；

S4、确定将阅读面照度、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；

S5、针对搜索空间内进化群体中的各个体，基于其光色参数用训练后的神经网络对其对应的入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，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。

参见图13所示，由于用户入睡转折时点无法预测，因此，在本实施例中，通过对眼睛开度的持续监测，当其显著偏离于正常范围时，开始采样并记录之后的数据序列。

相比于实施例1，本实施例由于在神经网络的输入中引入了从入睡转折点开始的时间长度，因此，可以通过经训练的神经网络预测之后某个时点的体征参数，从而可以在入睡时段按时间或其他设定条件，周期性地进行照明的优化与控制，实现动态优化。

实施例4

在本发明的再另一个实施例中，还提供一种入睡环境灯具调控方法，包括以下步骤：

S1、初始化，在控制单元中建立BP神经网络，所述神经网络以阅读面照度、色温、颜色的xyz色坐标值共5个光色参数作为输入量，以照明灯组的w个驱动电流通道的电流值作为输出量；

所述BP神经网络的模型为：

隐含层层第j个节点输出为

输出层第p个节点输出为

其中，f()函数取为sigmoid函数，w_ij和v_jp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，a_j和b_p分别为隐含层和输出层阈值，k为隐含层节点数；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，记录调光所对应的w个驱动电流通道的驱动电流值，并且对变化后的光环境基于光色识别单元进行信号采集与处理，获取所述BP神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述BP神经网络的训练样本集，并用样本集基于梯度下降法对BP神经网络进行训练；

S4、在现场环境中，经训练的BP神经网络将经优化处理所搜索到的具有高入睡效率的光色参数映射为灯组各驱动电流通道的驱动电流值。

所述优化采用实施例1中的多目标遗传优化算法来进行，在多目标遗传优化算法中，基于第一映射对优化搜索中的每个光色参数组合条件获得其对应的入睡效率参数预测值，再基于预测值进行评分，然后搜索到评分值高的光色参数组合。

可以理解，本发明的方案中，阅读面光色参数中的照度是对于阅读物无主动光源而言的，对于有背光源的阅读物，如手机、平板、电子书等，可以在上述光色条件到入睡效率有关因素的映射中，补充一个背光源亮度项到光色条件的参数集中。

另外，与入睡效率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、映射表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入睡效率各因素的检测与预判，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，可以采用本发明对各种现场环境中光照条件下的入睡效率参数包括眼睛开度变化率、心率变化率等进行预测，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入睡效率评价计算中，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，从而实现有助于用户入睡的照明控制。

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 (9)

1.入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman神经网络，所述神经网络以阅读面光的照度、色温等2个光色参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个体征参数作为入睡效率参数并将所述入睡效率参数作为输出量；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，对各变化后的光环境，通过光色识别单元采集并识别阅读面光的照度、色温和颜色等光色参数，通过入睡识别单元及控制单元采集并识别用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率等体征参数，记录所述光色参数值及对应的所述体征参数值，获取神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述动态递归Elman神经网络的训练样本集，并用样本集对所述神经网络进行训练；

S4、确定将阅读面照度、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，基于其光色参数用训练后的神经网络对其对应的入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，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相应的驱动器进行调光。

2.根据权利要求1所述的入睡环境调光优化方法，其特征在于，所述动态递归Elman神经网络输出量的5个入睡效率参数k_i，i＝1,2,3,4,5，按如下方式处理获得：

基于入睡识别单元获取各种光照条件下入睡过程中体征参数的变化过程数据并进行记录，对于所记录的每个入睡过程中的体征参数序列中的数据，经滤波和数据融合处理后，

对用户闭眼持续时长y1，对其预处理，

y1＝max(y1,4)，

然后，先基于如下模型进行离线数据拟合，

y1＝g1(t)＝8·b/exp(4·c·(a-t))+1，

再计算闭眼持续时长变化率，

k_ec＝k₁＝t2-t1，其中t1＝g1^-1(4e^-1),t2＝g1^-1(4-4e^-1)；

对用户眼睛开度、心率、体动频率、体温中的每个体征参数，对其归一化处理后，先分别基于如下模型进行离线数据拟合，

y2＝g2(t)＝2·b/exp(4·c·(t-a))+1，

再计算其各自变化率，

k_i＝t2-t1，其中t1＝g2^-1(1-e^-1),t2＝g2^-1(e^-1)，i＝2,3,4,5；

其中，y1、y2为体征参数预处理或归一化后的取值，t为时间，a、b、c为待拟合系数，k_i(i＝2,3,4,5)分别对应眼睛开度变化率k_eo、心率变化率k_h、体动频率变化率k_b、体温变化率k_p。

3.根据权利要求2所述的入睡环境调光优化方法，其特征在于，所述步骤S6中的所述评价函数定义为：

其中，f_i分别为对应用户眼睛开度、闭眼持续时长、心率、体动频率、体温5个因素的入睡效率评价值，w_i为其对应的权值，各f_i的定义如下：

其中，k_eoT为眼睛开度变化率阈值，k_ecT为闭眼持续时长变化率阈值，k_hT1、k_hT2分别为心率变化率设定区间的两个端点阈值，k_hT3为设定的心率变化率区间宽度值，k_bT为体动频率变化率阈值，k_pT1为体温变化率阈值，k_pT2为体温变化率区间宽度设定值。

4.根据权利要求1所述的入睡环境调光优化方法，其特征在于：所述入睡识别单元包括图像采集模块、可佩带模块和入睡判断模块，所述图像采集模块采用深度相机进行图像采集，

所述步骤S2包括如下处理过程：

所述入睡判断模块中的图像处理部对用户眼睛开度进行持续检测，心率计算部、体动频率计算部及体温计算部则基于可佩带模块获取的人体传感信号计算出心率、体动频率及体温，

入睡判断模块中的数据融合处理部，对图像处理部、心率计算部、体动频率计算部及体温计算部输出的体征参数进行数据融合，消除数据集中不一致的部分，

所述图像采集模块采用深度相机，所述入睡识别单元还根据图像处理部的处理结果，转动支撑所述相机的云台，使相机对准用户脸部。

5.根据权利要求3所述的入睡环境调光优化方法，其特征在于：所述灯组为有w个驱动电流通道的LED灯组，其通过驱动器调节灯组内各LED灯的驱动电流值，所述调光信号、驱动电流值均为LED灯驱动电流的PWM波占空比数值，

定义一个入睡过渡时长t_sl为从该按键被按下开始计时至眼睛持续闭眼持续时长超过1分钟的时间长度；

步骤S1中，所述神经网络输入量增加3个，以阅读面光的照度、色温、颜色xyz色坐标值共5个光色参数作为输入量；所述神经网络输出量增加所述入睡过渡时长；

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神经网络也以所述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采样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S6中的所述评价函数中相应增加一个入睡过渡时长评价值f₆，

其中，t_slT1和t_slT2分别是两个入睡过渡时间的阈值；

所述步骤S8的优化解映射通过所述BP神经网络进行。

6.根据权利要求1～5任何一项所述的入睡环境调光优化方法，其特征在于，所述动态递归Elman神经网络的模型为：

xc_k(t)＝x_k(t-mod(k,q)-1)，

其中，mod为求余函数，f()函数取为sigmoid函数；xc_k(t)为承接层输出，x_j(t)为隐含层输出，u_i(t-1)和y_h(t)分别为输入层输入和输出层输出，w_j、w_jk和w_ji分别为隐含层到输出层的连接权值、承接层到隐含层的连接权值和输入层到隐含层的连接权值，θ_h和θ_j分别为输出层和隐含层阈值；k＝1,2…m，q为所选定的回归延时尺度，根据采样周期优选；j＝1,2…m，i＝1,2,…n，隐含层及承接层节点数m可以在12～25之间选择；h＝1,2…5；

所述训练采用梯度下降法。

7.入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman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个照明参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个入睡效率参数作为输出量；

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调光信号和入睡识别单元获取所述动态递归Elman神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述神经网络的训练样本集，并用样本集对所述神经网络进行训练；

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动态递归Elman神经网络对其入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，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。

8.入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman神经网络，所述神经网络以阅读面光的照度、色温、颜色xyz色坐标值等5个光色参数及入睡持续时间共6个参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个体征参数作为入睡效率参数并将所述入睡效率参数作为输出量；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，对各变化后的光环境，通过光色识别单元采集并识别阅读面光的照度、色温和颜色等光色参数，通过入睡识别单元及控制单元采集并识别用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率等体征参数，记录所述光色参数值及对应的所述体征参数值，获取神经网络的训练样本；

其中，每个训练样本的参数按如下处理过程获取：

对用户眼睛开度持续检测，当发现眼睛开度值在一设定时间长度内连续小于入睡初始阶段眼睛开度值的(1-Δ％)倍时，将当前时间作为入睡持续时间的计时零点，所述Δ可取5至10之间的整数，

所述用户眼睛开度变化率k_eo、闭眼持续时长变化率k_ec、心率变化率k_h、体动频率变化率k_b、体温变化率k_p这5个体征参数均通过滑动平均滤波计算，如对于眼睛开度变化率，

k_eo|_t＝u＝ave(dEO_u-2,dEO_u-1,dEO_u,dEO_u+1,dEO_u+2)，

其中，ave为均值函数，dEO_u为u时刻与上一时刻眼睛开度值之差；

S3、重复进行步骤S2多次，获取所述动态递归Elman神经网络的训练样本集，并用样本集对所述神经网络进行训练；

S4、确定将阅读面照度、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；

S5、针对搜索空间内进化群体中的各个体，基于其光色参数用训练后的神经网络对其对应的入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，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。

9.入睡环境灯具调控方法，包括以下步骤：

S1、初始化，在控制单元中建立BP神经网络，所述神经网络以阅读面照度、色温、颜色的xyz色坐标值共5个光色参数作为输入量，以照明灯组的w个驱动电流通道的电流值作为输出量；

所述BP神经网络的模型为：

隐含层层第j个节点输出为

输出层第p个节点输出为

其中，f()函数取为sigmoid函数，w_ij和v_jp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，a_j和b_p分别为隐含层和输出层阈值，k为隐含层节点数；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，记录调光所对应的w个驱动电流通道的驱动电流值，并且对变化后的光环境基于光色识别单元进行信号采集与处理，获取所述BP神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述BP神经网络的训练样本集，并用样本集基于梯度下降法对BP神经网络进行训练；

S4、在现场环境中，经训练的BP神经网络将经优化处理所搜索到的具有高入睡效率的光色参数映射为灯组各驱动电流通道的驱动电流值。