CN115167191A - 基于行为监测的设备控制方法、装置、设备和系统 - Google Patents

Abstract

本申请涉及一种基于行为监测的设备控制方法、装置、设备和系统。所述基于行为监测的设备控制方法包括：对目标对象的行为监测数据进行特征提取，得到行为特征；对行为特征进行第一行为评估处理，得到第一评估结果；对行为特征进行第二行为评估处理，得到第二评估结果；根据第一评估结果和第二评估结果，识别所目标对象的目标行为状态，并基于目标行为状态对目标对象所处空间下的设备进行调节。采用本方案能够提高设备控制过程的智能程度。

Description

基于行为监测的设备控制方法、装置、设备和系统

技术领域

本申请涉及人体行为监测技术领域，特别是涉及一种基于行为监测的设备 控制方法、装置、设备和系统。

背景技术

随着科技的不断发展以及人们生活水平的不断提高，诸如智能家居等智能 设备越来越多的进入人们的生活，此类设备可以在一定程度上减少用户的介入， 从而为用户提供便利。

不过，上述设备的运行过程通常需要依赖预先设定的固定程序且依然需要 用户进行一定的手动操作，智能程度不够。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高智能设备的智能程 度的基于行为监测的设备控制方法、装置、设备和系统。

本申请实施例一方面提供一种基于行为监测的设备控制方法，所述方法包 括：

对目标对象的行为监测数据进行特征提取，得到行为特征；

对所述行为特征进行第一行为评估处理，得到第一评估结果；

对所述行为特征进行第二行为评估处理，得到第二评估结果；

根据所述第一评估结果和所述第二评估结果，识别所述目标对象的目标行 为状态，并基于所述目标行为状态对目标对象所处空间下的设备进行调节。

本申请实施例另一方面提供一种基于行为监测的设备控制装置，所述装置 包括：

特征提取模块，用于对目标对象的行为监测数据进行特征提取，得到行为 特征；

第一评估模块，用于对所述行为特征进行第一行为评估处理，得到第一评 估结果；

第二评估模块，用于对所述行为特征进行第二行为评估处理，得到第二评 估结果；

状态识别模块，用于根据所述第一评估结果和所述第二评估结果，识别所 述目标对象的目标行为状态，并基于所述目标行为状态对目标对象所处空间下 的设备进行调节。

在其中一个实施例中，所述第一评估模块在对所述行为特征进行第一行为 评估处理，得到第一评估结果时，具体用于：

通过第一行为评估策略对多个维度的行为特征进行第一行为评估处理，得 到各维度分别对应的第一处理结果；

根据所述第一处理结果和第一自学习参数，确定与第一行为状态对应的第 一评估结果；所述第一自学习参数基于所述第一行为状态对应的历史数据确定 得到。

在其中一个实施例中，所述第一评估模块在根据所述第一处理结果和第一 自学习参数，确定与第一行为状态对应的第一评估结果时，具体用于：

获取第一自学习参数；所述第一自学习参数基于历史数据中所述第一行为 状态所对应的第一时间区间确定得到；

对所述第一处理结果和第一行为权重以及所述第一自学习参数进行融合处 理，得到所述第一行为状态对应的第一评估结果。

在其中一个实施例中，所述第二评估模块在对所述行为特征进行第二行为 评估处理，得到第二评估结果时，具体用于：

通过第二行为评估策略对多个维度的行为特征进行第二行为评估处理，得 到各维度分别对应的第二处理结果；

根据所述第二处理结果和第二自学习参数，确定第二行为状态对应的第二 评估结果；所述第二自学习参数基于所述第二行为状态对应的历史数据确定得 到。

在其中一个实施例中，所述第二评估模块在根据所述第二处理结果和第二 自学习参数，确定第二行为状态对应的第二评估结果时，具体用于：

获取第二自学习参数；所述第二自学习参数基于历史数据中所述第一行为 状态所对应的第一时间区间确定得到；

对所述第二处理结果和第二行为权重以及所述第二自学习参数进行融合处 理，得到所述第二行为状态对应的第二评估结果。

在其中一个实施例中，所述行为监测数据包括心率数据、呼吸率数据和体 动数据；

所述特征提取模块在对目标对象的行为监测数据进行特征提取，得到行为 特征时，具体用于：

获取同一时间区间下的心率数据、呼吸率数据和体动数据；

分别对心率数据、呼吸率数据和体动数据，按照时间序列进行特征提取， 得到心率、呼吸率和体动各维度对应的行为特征。

在其中一个实施例中，所述目标行为状态包括第一行为状态和第二行为状 态，所述状态识别模块在基于所述目标行为状态对目标对象所处空间下的设备 进行调节时，具体用于：

若从第一行为状态变化至第二行为状态，控制目标对象所处空间下的设备 执行对应于第二行为状态的场景模式的控制指令；

若从第二行为状态变化至第一行为状态，控制目标对象所处空间下的设备 执行对应于第一行为状态的场景模式的控制指令。

在其中一个实施例中，若从第一行为状态变化至第二行为状态，所述状态 识别模块在控制目标对象所处空间下的设备执行对应于第二行为状态的场景模 式的控制指令时，具体用于：

若从第一行为状态变化至第二行为状态，且当前时间位于第一预设时段内， 控制目标对象所处空间下的设备执行对应于第二行为状态的场景模式的控制指 令；

若从第二行为状态变化至第一行为状态，所述状态识别模块在控制目标对 象所处空间下的设备执行对应于第一行为状态的场景模式的控制指令时，具体 用于：

若从第二行为状态变化至第一行为状态，且当前时间位于第二预设时段内， 控制目标对象所处空间下的设备执行对应于第一行为状态的场景模式的控制指 令。

在其中一个实施例中，所述第一行为状态包括清醒状态，第二行为状态包 括入睡状态，所述装置还包括：

确定模块，用于根据清醒状态和入睡状态，确定入睡点和清醒点；所述入 睡点为从清醒状态变化为入睡状态的时间点，所述清醒点为从入睡状态变化为 清醒状态的时间点；

若从第一行为状态变化至第二行为状态，所述状态识别模块在控制目标对 象所处空间下的设备执行对应于第二行为状态的场景模式的控制指令时，具体 用于：

若当前行为状态处于入睡点，则控制目标对象所处空间下的设备执行睡眠 模式的控制指令；

若从第二行为状态变化至第一行为状态，所述状态识别模块在控制目标对 象所处空间下的设备执行对应于第一行为状态的场景模式的控制指令时，具体 用于：

若当前行为状态处于清醒点，则控制目标对象所处空间下的设备执行起床 模式的控制指令。

本申请实施例另一方面还提供一种计算机设备，其包括处理器、存储器及 存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序 被所述处理器执行时至少实现本申请各实施例的基于行为监测的设备控制方法 的步骤。

本申请实施例另一方面还提供一种基于行为监测的设备控制系统，所述系 统包括：采集设备和计算机设备；所述采集设备与所述计算机设备通信连接；

所述采集设备设置在监测区域或者由位于监测区域的目标对象穿戴，用于 采集目标对象的行为监测数据；

所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所 述处理器执行所述计算机程序时至少实现本申请各实施例的基于行为监测的设 备控制方法的步骤。

本申请实施例另一方面还提供一种计算机可读存储介质，其上存储有计算 机程序，所述计算机程序被处理器执行时至少实现本申请各实施例的基于行为 监测的设备控制方法的步骤。

一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包 括计算机指令，所述计算机指令存储在计算机可读存储介质中；所述计算机设 备的处理器从所述计算机可读存储介质读取所述计算机指令，所述处理器执行 所述计算机指令时实现本申请各实施例的基于行为监测的设备控制方法中的步 骤。

上述基于行为监测的设备控制方法、装置、设备和系统，通过对目标对象 的行为监测数据进行特征提取，得到行为特征；并对行为特征进行第一行为评 估处理得到第一评估结果，以及对行为特征进行第二行为评估处理得到第二评 估结果；以及根据第一评估结果和第二评估结果，识别目标对象的目标行为状 态，并基于目标行为状态对目标对象所处空间下的设备进行调节。如此设置， 通过第一评估处理和第二评估处理这两种不同的评估处理方法，可以准确评估 目标对象的目标行为状态，进而可以根据目标对象的目标行为状态对所处空间 下的设备进行合理调节，而无需用户干预，因此可以提高设备控制过程的智能 程度。

附图说明

图1为一个实施例中基于行为监测的设备控制方法的实施环境图；

图2为一个实施例中一种网关的硬件结构框图；

图3为一个实施例中基于行为监测的设备控制方法的流程示意图；

图4为图3中步骤S302的一种具体实现方法的流程示意图；

图5为图3中步骤S303的一种具体实现方法的流程示意图；

图6为一个实施例中基于行为监测的设备控制装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅 用以解释本申请，并不用于限定本申请。

申请概述

智能设备的发展极大的方便了人们的生活。以智能家居设备为例，其通过 物联网技术将用户家中的各种设备，如音视频设备、照明系统、窗帘控制、空 调控制等连接到一起，从而可以提供家电控制、照明控制、室内外遥控、暖通 控制等多种功能和手段。不过，传统的控制方案中，通常是根据出厂预先设置 或用户自定义的自动执行程序，实现对智能设备的自动控制，必要时依然需要 用户介入，而无法根据用户自身的行为状态变化来动态调整设备的运行状态和 参数，也即智能程度不够。

针对上述问题，本申请提出一种能够提高智能设备的智能程度的基于行为 监测的设备控制方法、装置、设备和系统，其中通过准确识别目标对象(即用 户)的行为状态，进而基于行为状态实现对智能设备的运行状态和运行参数的 准确调节。以下通过实施例对具体实现方案进行非限制性说明。

示例性实施环境

本申请提供的基于行为监测的设备控制方法，可以应用于如图1所示的实 施环境中。其中，一个或多个采集设备110通过ZIGBEE(紫蜂)等方式与网关 120相连接，网关120通过WIFI等方式与路由器130相连接，路由器130通过 WIFI等方式与云端服务器140相连接；此外，一些场景下，路由器130还通过 WIFI等方式与终端设备150相连接，终端设备150还通过2G/3G/4G/5G/WIFI 等方式与云端服务器140相连接。当然应当理解的是，上述各设备的通信连接 不限于上述列举的连接方式，可根据实际情况需要进行相应调整。上述各设备间相互通信连接后，可实现通信过程，通信过程包括但不限于数据交互和指令 传递。

采集设备110可以是智能穿戴设备，比如智能手环等，也可以是非穿戴设 备，比如智能睡眠带，智能床垫、毫米波雷达等，其用于采集用户的行为监测 数据并发送至网关120进行后续处理，或者由网关120通过路由器130转发至 云端服务器140进行后续处理，以实现对用户行为状态的监测。用户的行为监 测数据包括但不限于心跳信号、呼吸信号、脑电波信号和身体运动(简称体动) 等能够实现对用户的行为状态进行识别和区分的数据。

图2是根据一示例性实施例示出的一种网关的硬件结构框图。此网关120 适用于图1所示的实施环境。

需要说明的是，该网关只是一个适配于本发明的示例，不能认为是提供了 对本发明的使用范围的任何限制。该网关也不能解释为需要依赖于或者必须具 有图2中示出的示例性的网关120中的一个或者多个组件。

该网关120的硬件结构可因配置或者性能的不同而产生较大的差异，如图2 所示，网关120包括：电源1210、接口1230、至少一存储器1250、以及至少一 中央处理器(CPU,Central Processing Units)1270。

其中，电源1210用于为网关120上的各硬件设备提供工作电压。

接口1230包括至少一有线或无线网络接口1231、至少一串并转换接口1233、 至少一输入输出接口1235以及至少一USB接口1237等，用于与外部设备通信。

存储器1250作为资源存储的载体，可以是只读存储器、随机存储器、磁盘 或者光盘等，其上所存储的资源包括操作系统1251、应用程序1253或者数据 1255等，存储方式可以是短暂存储或者永久存储。其中，操作系统1251用于管 理与控制网关120上的各硬件设备以及应用程序1253，以实现中央处理器1270 对海量数据1255的计算与处理，其可以是Windows ServerTM、Mac OS XTM、 UnixTM、LinuxTM、FreeBSDTM、FreeRTOS等。应用程序1253是基于操作系 统1251之上完成至少一项特定工作的计算机程序，其可以包括至少一模块(图 2中未示出)，每个模块都可以分别包含有对网关120的一系列计算机可读指令。 数据1255可以是存储于磁盘中的照片、图片等。

中央处理器1270可以包括一个或多个以上的处理器，并设置为通过总线与 存储器1250通信，用于运算与处理存储器1250中的海量数据1255。

如上面所详细描述的，适用本发明的网关120将通过中央处理器1270读取 存储器1250中存储的一系列计算机可读指令的形式来完成相应的处理方法。

此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本发明，因 此，实现本发明并不限于任何特定硬件电路、软件以及两者的组合。

示例性方法

请参阅图3，在一示例性实施例中，提供一种基于行为监测的设备控制方法， 适用于图1所示实施环境的网关或云端服务器等电子设备。以该方法应用于电 子设备为例进行说明，电子设备可以是图1中的网关、云端服务器等，该基于 行为监测的设备控制方法可以由网关或云端服务器执行，如果对处理速度要求 较高，则优选为由云端服务器执行。该基于行为监测的设备控制方法可以包括 以下步骤：

步骤S301：电子设备对目标对象的行为监测数据进行特征提取，得到行为 特征。

目标对象，是指需要进行行为监测的任意一种对象，具体可以是具有生命 体特征的对象，如具有心率、呼吸等生命体特征的对象。例如，目标对象具体 可以为人体、动物等等。下述实施例中以目标对象为人体为例进行说明。

其中，目标对象的行为监测数据，为能够表征目标对象的不同行为状态之 间的差别的数据。比如，目标对象在跑步、走路、静坐、平躺和睡眠等不同行 为状态下时，其心率数据、呼吸率数据和体动次数等会存在或大或小的差别， 则可根据实际的应用场景，采集目标对象的心率数据、呼吸率数据和体动数据 等数据中的一或多种作为目标对象的行为监测数据。可以理解的是，除心率数 据、呼吸率数据和体动数据之外，行为监测数据还可以包括其他类型的数据， 比如脑电波数据等，此处不再一一列举。

并且，根据所采集的行为监测数据的不同，行为监测数据可以由目标对象 随身穿戴的可穿戴设备采集得到，也可以是通过固定或移动设置的非穿戴设备 采集得到。在一些实施例中，由于部分可穿戴设备可能会对用户的待监测行为 造成一定影响，因此考虑到此因素时，可优选采用非穿戴设备采集目标对象的 行为监测数据。

应当理解的是，本实施例的最终目的在于对目标对象所处空间下的设备进 行调节，因此，本实施例所述的行为监测数据通常可以是目标对象位于监测区 域时发生的行为监测数据。其中，监测区域与目标对象所处空间对应，但不一 定等同，比如监测区域可以是目标对象所处空间中的特定区域，也可以是所处 空间外的特定区域。例如，目标对象所处空间可以是目标对象所处的整个家的 区域，而监测区域可以仅包括卧室区域。

此外，以网关为例，其获取用户的行为监测数据的过程可以是实时获取， 比如采集设备每当完成一次采集后都将采集的行为监测数据上报至网关，也可 以是每间隔一定时间进行获取，此时获取到的是一段时间内总的行为监测数据。

电子设备获取到目标对象的行为监测数据后，根据相应的特征提取方法进 行特征提取，得到行为监测数据对应的行为特征。该提取得到的行为特征能够 突出行为监测数据某些具有代表性的特征，且相对于行为监测数据本身，可以 更简便、更直接或者更明显地进行表示，从而便于后续基于此对行为监测数据 对应的不同行为状态进行更有效地区分。

具体地，一些实施例中，行为特征可以为用于表示行为监测数据的稳定度 和变化趋势的特征。其中，稳定度也称为稳定性，是衡量数据波动性与离散性 的指标，数据波动越小，离散程度越小，则稳定性越高。变化趋势是指数据整 体变大或者变小的趋势。通过行为特征，可以判断用户的行为监测数据的整体 变化情况。

为了便于理解，以行为监测数据包括心率数据和呼吸率数据为例，当用户 处于运动状态时，随着运动过程的不断进行，心跳和呼吸一方面会整体加快， 另一方面也会出现较大波动，即心率数据和呼吸率数据稳定度较差；而当用户 处于静坐状态时，心跳和呼吸则会处于较慢且较平缓的状态，即心率数据和呼 吸率数据稳定度较好；而当用户由运动状态变化为静坐状态时，心跳和呼吸则 会逐渐减慢，即心率数据和呼吸率数据出现整体变小的趋势。因此，通过行为 监测数据的稳定度和变化趋势等特征，至少可以在一定程度上判断用户的行为 状态以及行为状态的变化。

更具体地，一些实施例中，行为特征可以包括一阶导数、标准差和极差中 的一或多项，其中，一阶导数可以用于判断数据的变化趋势，标准差可以用于 判断数据的离散程度，极差则可以用于判断数据的波动大小。当然，除此之外， 行为特征也可以包括其他维度的特征，能够用于表征行为监测数据的某些特征 均可，对此不进行限制。

此外，一些实施例中，若行为监测数据包括心率数据、呼吸率数据和体动 数据；则所述步骤S301(对目标对象的行为监测数据进行特征提取，得到行为 特征)，具体可以包括：获取同一时间区间下的心率数据、呼吸率数据和体动 数据；分别对心率数据、呼吸率数据和体动数据，按照时间序列进行特征提取， 得到心率、呼吸率和体动各维度对应的行为特征。

具体地，根据同一时间区间下获取心率数据、呼吸率数据和体动数据等行 为监测数据，可以保证行为监测数据是根据用户的同一行为状态得到的。其中， 该时间区间的长度可以根据用户的行为状态的变化情况，以及便于电子设备后 续计算处理等因素进行选择，比如可以选择15分钟。例如，用户的行为状态变 化越频繁，则选择的时间区间的长度越小，同时，选择的时间区间的长度越小， 则电子设备后续处理时的单次处理时间越短，但对于某一长时间内的行为状态 进行监测时，需要的处理次数也越多。

此外，为了确保提取得到的行为特征能够正确表示目标对象的行为状态， 因此，对心率数据、呼吸率数据和体动数据等行为监测数据进行特征提取时， 须按照时间序列进行，即按照行为监测数据对应的发生时间先后顺序进行特征 提取。以心率数据为例，假设选取的时间区间包括的时刻依次为t1，t2，t3，……， tn；且t1时刻的心率为h1，t2时刻的心率为h2，t3时刻的心率为h3，……，tn 时刻的心率为hn，则心率数据对应的时间序列可表示为(h1，h2，h3，……， hn)。之后可以根据心率数据对应的时间序列进行特征提取，得到心率数据对 应的行为特征，比如可以基于心率数据对应的时间序列计算一阶导数、标准差 和极差等等。

进一步地，由于实际应用中，一些采集设备是每10秒左右采集一次数据， 也即前述步骤中得到的行为监测数据对应的时间序列中，相邻两个数据的时间 差一般为10秒左右，而如果假设行为监测数据对应的时间序列包含15分钟的 数据，则每个时间序列中大约有90个数据，则基于这90个数据提取行为特征 时会花费较多时间，不利于整体方案的快速处理。针对该问题，一些实施例中， 还可以将时间序列中的数据进一步进行划分，比如将整个时间序列划分为至少 两个时间区间，再计算各时间区间中的行为监测数据的均值，进而构建新的时 间序列，可称其为目标时间序列。

为了便于理解，继续以心率数据为例，假设选取得到的心率数据对应的时 间序列为(h1，h2，h3，h4，h5，h6，h7，h8)，相邻两个数据的时间差为30 秒，则可以按照1分钟的时间区间进行划分，并计算均值后，得到的心率数据 对应的目标时间序列可以表示为((h1+h2)/2，(h3+h4)/2，(h5+h6)/2， (h7+h8)/2)。可见，通过该处理后得到的心率数据对应的目标时间序列包含 的数据量，相比原先的心率数据对应的时间序列的数据量更少，因此后续提取 行为特征时需要的操作会变少，需要的时间会变短，对处理设备的配置要求也 会降低。

步骤S302：电子设备对所述行为特征进行第一行为评估处理，得到第一评 估结果。

其中，第一行为评估处理用于判断行为特征是否对应于第一行为，或者用 于判断行为特征对应于第一行为的可能性的大小，等等。相应地，得到的第一 评估结果可以是以评分、概率等数值的形式，或者也可以是其他形式，比如评 语，只要是合理的方式均可，本申请对此不进行限制。

一些实施例的可行方案中，如图4所示，步骤S302(电子设备对所述行为 特征进行第一行为评估处理，得到第一评估结果)具体可以包括：

步骤S3021：电子设备通过第一行为评估策略对多个维度的行为特征进行第 一行为评估处理，得到各维度分别对应的第一处理结果。

具体地，第一行为评估策略可以包括进行第一行为评估处理时可以采用的 处理流程或处理算法等等，可以是根据实际应用场景的需要而预先设置好的。 而多个维度的行为特征即诸如一阶导数、标准差和极差等维度的行为特征。例 如，第一行为评估策略可以包括基于行为监测数据计算一阶导数、标准差和极 的策略以及计算过程可以采用的计算公式等。

此外，由于仅采用单个维度的行为特征时，通常难以全面地表征行为监测 数据的全部特征，因此，本步骤，通过对多个维度的行为特征进行第一行为评 估处理并得到各维度分别对应的第一处理结果，从而方便在后续步骤中综合进 行考虑。

步骤S3022：电子设备根据所述第一处理结果和第一自学习参数，确定与第 一行为状态对应的第一评估结果；所述第一自学习参数基于所述第一行为状态 对应的历史数据确定得到。

具体地，在前一步骤中得到各维度分别对应的第一处理结果后，考虑到不 同目标对象之间的行为状态通常会存在差异性，比如，当需要识别的行为状态 包括入睡状态和清醒状态时，由于不同年龄段、不同性别、不同工种以及处于 不同睡眠环境等因素下的不同用户的睡眠习惯会存在较大差异。因此，本步骤 中引入第一自学习参数，第一自学习参数为通过“学习”属于该目标对象的行 为监测数据所特有的特征而得到的参数。基于此，第一自学习参数可以是基于 目标对象的第一行为状态对应的历史数据确定得到的。

本步骤中，将第一处理结果与第一自学习参数进行综合处理后，确定得到 的第一评估结果会更加符合该目标对象自身独有的特点。

更具体地，第一行为状态对应的历史数据可以包括但不限于：起始时间(段)、 持续时间、结束时间(段)、发生频率以及发生概率等等，对此不进行限制， 能够体现不同目标对象之间的差异性的数据均可以采用。并且，由于“自学习” 的结果通常需要足够的数据量才会比较准确，因此第一自学习参数可以是综合 考虑一定时间周期内的历史数据而得到的。

更进一步地，一些实施例中，步骤S3022的具体实现方法可以包括：获取 第一自学习参数；所述第一自学习参数基于历史数据中所述第一行为状态所对 应的第一时间区间确定得到；对所述第一处理结果和第一行为权重以及所述第 一自学习参数进行融合处理，得到所述第一行为状态对应的第一评估结果。

具体地，本实施例中，第一自学习参数是基于历史数据中第一行为状态所 对应的第一时间区间确定得到。其中，所述的第一时间区间可以是通过历史数 据统计得到的、第一行为状态最频繁发生的时间区间，也即可以是目标对象最 可能处于第一行为状态的时间区间，该第一时间区间可以较好地体现该目标对 象的第一行为状态的特点。相应地，若当前时间位于第一时间区间范围内，则 相对于当前时间不位于第一时间区间范围内的情况，目标对象处于第一行为状 态的可能性更高，所以第一自学习参数在第一评估结果中所占的比重会相对增 大。反之，若当前时间不位于第一时间区间范围内，则目标对象处于第一行为 状态的可能性更低，所以第一自学习参数在第一评估结果中所占的比重会相对 减小。当然应当理解的是，第一时间区间也可以是通过其他方式得到的其他时 间区间，则第一自学习参数也可对应调整，对此不进行限制。

此外，在前述步骤得到各维度的行为特征分别对应的第一处理结果后，考 虑到不同维度的行为特征之间，表征行为监测数据的特征的能力可能存在差异， 因此本实施例中，在将第一处理结果和第一自学习参数进行融合处理时，还引 入第一行为权重，也即根据实际情况，为不同维度的行为特征对应的第一处理 结果分配不同的权重，之后再将结合权重的处理结果与第一自学习参数进行融 合处理，从而使得最终得到的第一评估结果更加准确。

例如，计算第一行为状态对应的第一评估结果的过程可以用公式表示为：

P1＝x1*a1+x2*a2+x3*a3+z1

式中，P1为第一评估结果，x1、x2和x3分别为不同维度的行为特征分别 对应的第一处理结果，a1、a2和a3分别为不同维度的行为特征对应的第一处理 结果的权重，a1、a2和a3均属于第一行为权重，且a1+a2+a3＝1，z1为第一自 学习参数。

步骤S303：电子设备对所述行为特征进行第二行为评估处理，得到第二评 估结果。

其中，与第一行为评估处理类似，第二行为评估处理用于判断行为特征是 否对应于第二行为，或者用于判断行为特征对应于第二行为的可能性的大小， 等等，相应地，得到的第二评估结果可以是以评分、概率等数值的形式，或者 也可以是其他形式，比如评语，只要是合理的方式均可，本申请对此不进行限 制。

一些实施例的可行方案中，如图5所示，步骤S303(电子设备对所述行为 特征进行第二行为评估处理，得到第二评估结果)具体可以包括：

步骤S3031：电子设备通过第二行为评估策略对多个维度的行为特征进行第 二行为评估处理，得到各维度分别对应的第二处理结果。

具体地，第二行为评估策略可以包括进行第二行为评估处理时可以采用的 处理流程或处理算法等等，可以是根据实际应用场景的需要而预先设置好的。 而多个维度的行为特征即诸如一阶导数、标准差和极差等维度的行为特征。例 如，第二行为评估策略可以包括基于行为监测数据计算一阶导数、标准差和极 的策略以及计算过程可以采用的计算公式等。

此外，由于仅采用单个维度的行为特征时，通常难以全面地表征行为监测 数据的全部特征，因此，本步骤，通过对多个维度的行为特征进行第二行为评 估处理并得到各维度分别对应的第二处理结果，从而方便在后续步骤中综合进 行考虑。

步骤S3032：电子设备根据所述第二处理结果和第二自学习参数，确定与第 二行为状态对应的第二评估结果；所述第二自学习参数基于所述第二行为状态 对应的历史数据确定得到。

具体地，在前一步骤中得到各维度分别对应的第二处理结果后，考虑到不 同目标对象之间的行为状态通常会存在差异性，比如，当需要识别的行为状态 包括入睡状态和清醒状态时，由于不同年龄段、不同性别、不同工种以及处于 不同睡眠环境等因素下的不同用户的睡眠习惯会存在较大差异。因此，本步骤 中引入第二自学习参数，第二自学习参数为通过“学习”属于该目标对象的行 为监测数据所特有的特征而得到的参数。基于此，第二自学习参数可以是基于 目标对象的第二行为状态对应的历史数据确定得到的。

本步骤中，将第二处理结果与第二自学习参数进行综合处理后，确定得到 的第二评估结果会更加符合该目标对象自身独有的特点。

更具体地，第二行为状态对应的历史数据可以包括但不限于：起始时间(段)、 持续时间、结束时间(段)、发生频率以及发生概率等等，对此不进行限制， 能够体现不同目标对象之间的差异性的数据均可以采用。并且，由于“自学习” 的结果通常需要足够的数据量才会比较准确，因此第二自学习参数可以是综合 考虑一定时间周期内的历史数据而得到的。

更进一步地，一些实施例中，步骤S3032的具体实现方法可以包括：获取 第二自学习参数；所述第二自学习参数基于历史数据中所述第二行为状态所对 应的第二时间区间确定得到；对所述第二处理结果和第二行为权重以及所述第 二自学习参数进行融合处理，得到所述第二行为状态对应的第二评估结果。

具体地，本实施例中，第二自学习参数是基于历史数据中第二行为状态所 对应的第二时间区间确定得到。其中，所述的第二时间区间可以是通过历史数 据统计得到的、第二行为状态最频繁发生的时间区间，也即可以是目标对象最 可能处于第二行为状态的时间区间，该第二时间区间可以较好地体现该目标对 象的第二行为状态的特点。相应地，若当前时间位于第二时间区间范围内，则 相对于当前时间不位于第二时间区间范围内的情况，目标对象处于第二行为状 态的可能性更高，所以第二自学习参数在第二评估结果中所占的比重会相对增 大，反之，若当前时间不位于第二时间区间范围内，则目标对象处于第二行为 状态的可能性更低，所以第二自学习参数在第二评估结果中所占的比重会相对 减小。当然应当理解的是，第二时间区间也可以是通过其他方式得到的其他时 间区间，则第二自学习参数也可对应调整，对此不进行限制。

此外，在前述步骤得到各维度的行为特征分别对应的第二处理结果后，考 虑到不同维度的行为特征之间，表征行为监测数据的特征的能力可能存在差异， 因此本实施例中，在将第二处理结果和第二自学习参数进行融合处理时，还引 入第二行为权重，也即根据实际情况，为不同维度的行为特征对应的第二处理 结果分配不同的权重，之后再将结合权重的处理结果与第二自学习参数进行融 合处理，从而使得最终得到的第二评估结果更加准确。

例如，计算第二行为状态对应的第二评估结果的过程可以用公式表示为：

P2＝y1*b1+y2*b2+y3*b3+z2

式中，P2为第二评估结果，y1、y2和y3分别为不同维度的行为特征分别 对应的第二处理结果，b1、b2和b3分别为不同维度的行为特征对应的第二处理 结果的权重，b1、b2和b3均属于第二行为权重，且b1+b2+b3＝1，z2为第二自 学习参数。

步骤S304：电子设备根据所述第一评估结果和所述第二评估结果，识别所 述目标对象的目标行为状态，并基于所述目标行为状态对目标对象所处空间下 的设备进行调节。

具体地，在前述步骤得到第一评估结果和第二评估结果后，电子设备可以 根据第一评估结果和第二评估结果的实际情况，比如评分或者概率等数值，确 定目标对象对应的目标行为状态，并可以进一步根据目标对象对应的目标行为 状态对目标对象所处空间下的设备进行调节。

一些实施例中，目标行为状态包括第一行为状态和第二行为状态，相应地， 基于目标行为状态对目标对象所处空间下的设备进行调节的步骤具体可以包括： 若从第一行为状态变化至第二行为状态，控制目标对象所处空间下的设备执行 对应于第二行为状态的场景模式的控制指令；若从第二行为状态变化至第一行 为状态，控制目标对象所处空间下的设备执行对应于第一行为状态的场景模式 的控制指令。

比如，假设第一行为状态为运动状态，第二行为状态为静坐状态，则当目 标对象从运动状态变化至静坐状态后，可控制目标对象所处空间下的设备执行 对应于静坐状态的场景模式的控制指令，例如，由于从运动状态变化至静坐状 态后，用户需要的散热量会降低，则可以控制室内空调的目标制冷温度升高到 设定值。

如此，基于目标对象的行为状态，可以对所处空间下的设备进行合理调节， 而无需用户干预，因此可以提高设备控制过程的智能程度。

在上述方案的基础上，为了进一步提高控制的智能程度，所述若从第一行 为状态变化至第二行为状态，控制目标对象所处空间下的设备执行对应于第二 行为状态的场景模式的控制指令的步骤，进一步可以包括：若从第一行为状态 变化至第二行为状态，且当前时间位于第一预设时段内，控制目标对象所处空 间下的设备执行对应于第二行为状态的场景模式的控制指令。

具体地，本实施例的方案在在先方案的基础上，还对行为状态发生变化的 时间进行判断，也即，若当前时间位于第一预设时段内，则表明符合控制条件， 可以控制目标对象所处空间下的设备执行对应的控制指令，否则不对设备进行 控制。

比如，当目标对象从运动状态变化至静坐状态的当前时间为正午，则此时 外界环境温度可能很高，这种情况下用户即使由运动状态变化为静坐状态，但 其所需的散热量依然会较高，则依然不控制室内空调的目标制冷温度升高。也 即是说，目标对象从运动状态变化至静坐状态的当前时间不位于第一预设时段 内，因此不对设备进行控制。

同理，一些实施例中，所述若从第二行为状态变化至第一行为状态，控制 目标对象所处空间下的设备执行对应于第一行为状态的场景模式的控制指令的 步骤，进一步可以包括：若从第二行为状态变化至第一行为状态，且当前时间 位于第二预设时段内，控制目标对象所处空间下的设备执行对应于第一行为状 态的场景模式的控制指令。

本实施例的原理和目的与前述实施例类似，此处不再详述。

此外，一些实施例中，第一行为状态包括清醒状态，第二行为状态包括入 睡状态，上述控制方法还可以包括：根据清醒状态和入睡状态，确定入睡点和 清醒点；所述入睡点为从清醒状态变化为入睡状态的时间点，所述清醒点为从 入睡状态变化为清醒状态的时间点；相应地，所述若从第一行为状态变化至第 二行为状态，控制目标对象所处空间下的设备执行对应于第二行为状态的场景 模式的控制指令，具体可以包括：若当前行为状态处于入睡点，则控制目标对 象所处空间下的设备执行睡眠模式的控制指令；所述若从第二行为状态变化至 第一行为状态，控制目标对象所处空间下的设备执行对应于第一行为状态的场 景模式的控制指令，具体可以包括：若当前行为状态处于清醒点，则控制目标 对象所处空间下的设备执行起床模式的控制指令。

本实施例中，在确定目标对象的目标行为状态为清醒状态或入睡状态后， 还进一步确定入睡点和清醒点，并根据入睡点和清醒点来确定控制目标对象所 处空间下的设备执行睡眠模式或起床模式。

进一步地，本实施例还可结合入睡点和清醒点对应的当前时间，确定控制 设备执行睡眠模式或起床模式。比如，当前清醒点对应的当前时间位于7：30-8： 00(该时间段可由目标对象自行设置)之间时，表明当前处于该目标对象对应 的起床时间，则可以控制所处空间下的设备执行起床模式，比如控制照明灯打 开，控制窗帘打开等等。

上述的基于行为监测的设备控制方法，通过对目标对象的行为监测数据进 行特征提取，得到行为特征；并对行为特征进行第一行为评估处理得到第一评 估结果，以及对行为特征进行第二行为评估处理得到第二评估结果；以及根据 第一评估结果和第二评估结果，识别目标对象的目标行为状态，并基于目标行 为状态对目标对象所处空间下的设备进行调节。如此设置，通过第一评估处理 和第二评估处理这两种不同的评估处理方法，可以准确评估目标对象的目标行 为状态，进而可以根据目标对象的目标行为状态对所处空间下的设备进行合理 调节，而无需用户干预，因此可以提高设备控制过程的智能程度。

此外，一些实施例中，上述方法还可以包括：将目标对象的行为监测数据、 第一评估结果和第二评估结果中的至少一种发送至预设设备进行展示。其中预 设设备即终端设备，比如用户的手机等。具体实现时，可以以文字、数字、图 片和表格等形式进行展示，以便用户直观地查看自身的行为状态和行为状态的 变化情况。

示例性应用场景

本申请还提供一种应用场景，该应用场景应用上述的基于行为监测的设备 控制方法。具体地，该应用场景中，第一行为状态对应于入睡状态，第二行为 状态对应于清醒状态，也即该应用场景中，用于确定目标对象的目标行为状态 是入睡状态还是清醒状态。基于此，该基于行为监测的设备控制方法在该应用 场景的应用如下：

步骤一：从睡眠检测带中获取同一周期n分钟内(从用户卧床到离床为一个周 期)的人体呼吸率序列x，心率序列y，体动次数序列move_nums，计算出每分 钟内的心率和呼吸率均值(AVERAGE)，形成新的心率序列，即目标心率序列 heart_rate(＝AVERAGE(x/n))，新的呼吸率序列，即目标呼吸率序列 breathe_rate(＝AVERAGE(y/n))。其中，体动次数是指身体有发生动作变化的次数， 如翻身等。其中，睡眠检测带可铺设在用户的床上，用于在用户躺在其上睡眠 过程中(用户)无感知地检测人体心率、呼吸率和体动次数等数据。

可以理解，在一些实施例中，除了可以直接通过睡眠检测带直接检测人体 的呼吸率、心率和体动次数这些数据外，还可以利用其他具有同样功能的至少 一个数据检测设备来采集，如运动手环类设备、毫米波雷达等设备。例如，具 体可采用手环类设备采集心率和呼吸率数据，还可以结合毫米波雷达来检测人 体的体动数据。

步骤二：根据心率序列h_rate(heart_rate)，提取出表示心率变化的特征数据 h_diff、h_std、h_sub，根据呼吸率序列b_rate(breathe_rate)，提取出表示呼吸率 变化的特征b_diff、b_std、b_sub，计算出每10分钟内体动次数的总和m。

其中，diff表示一阶导数，用于判断序列的变化趋势，即(后一个数减去前 一个数)再除以平均值(可用mean表示平均值，简称均值)；std表示标准差， 用于确定序列的稳定度；sub表示极差，即最大值减去最小值(可表示为max-min)， 用于判断序列稳定度。

具体计算方法如下所示：

每分钟内心率最小值：h_min＝np.min(h_rate)＝MIN(h_rate)；其中，np.min()为python编程语言中计算最小值的函数，MIN()为另一些编程语言(例如C++， 下同)中的计算最小值的函数；h_min表示心率最小值；

每分钟内心率最大值：h_max＝np.max(h_rate)＝MAX(h_rate)；其中，np.max()为python编程语言中计算最大值的函数，MAX()为另一些编程语言中的计算最大 值的函数；h_max表示心率最大值；

每分钟内呼吸率最小值：b_min＝np.min(b_rate)＝MIN(b_rate)；其中，b_min 表示呼吸率最小值；

每分钟内呼吸率最大值：b_max＝np.max(b_rate)＝MAX(b_rate)；其中，b_max 表示呼吸率最大值；

每分钟内心率平均值：h_mean＝np.mean(h_rate)＝AVERAGE(h_rate)；其中，np.mean()为python编程语言中计算平均值的函数；h_mean表示心率平均值；

每分钟内呼吸率平均值：b_mean＝np.mean(b_rate)＝AVERAGE(b_rate)；其中，b_mean表示心率平均值；

心率变化特征：

h_diff＝np.mean(np.abs(h_rate[0:-1]-h_rate[1:]))＝AVERAGE{ABS(h_rate_2-h_ rate_1)+ABS(h_rate_3-h_rate_2)+…+ABA[h_rate_n-h_rate_(n-1)]}；其中，np.abs() 为python编程语言中计算绝对值的函数；[0:-1]和[1:]表示python编程特有的切片 操作，也叫切割操作，0表示左起第一个元素，-1表示最后一个元素；

np.mean(np.abs(h_rate[0:-1]-h_rate[1:]))表示首先从心率序列h_rate中的第一个元 素开始，依次选择一个元素和紧邻的下一个元素将二者作差再取绝对值，从而得到多个差值的绝对值，之后利用求平均值函数计算多个绝对值的平均值，即 可得到所需的一阶导数h_diff；ABS()为另一些编程语言中的计算绝对值的函数， 相应地，

AVERAGE{ABS(h_rate_2-h_rate_1)+ABS(h_rate_3-h_rate_2)+…+ABA[h_rate_n- h_rate_(n-1)]是计算一阶导数h_diff的另一种函数表示方式；

h_std＝np.std(h_rate)＝sqrt{[(h_rate_1-b_mean)^2+(h_rate_2-h_mean)^2...+(h_r ate_n-b_mean)^2]/n}；其中，np.std()为python编程语言中计算平方根的函数，sqrt() 为另一些编程语言中计算平方根的函数；h_std表示心率的标准差；

h_sub＝h_max-h_min＝MAX(h_rate)-MIN(h_rate)；其中，h_sub表示心率的极差；

呼吸率变化特征：

b_diff＝np.mean(np.abs(b_rate[0:-1]-b_rate[1:]))＝AVERAGE[ABS(b_rate_2-b_ rate_1)+ABS(b_rate_3-b_rate_2)+...+ABS(b_rate_n-b_rate_(n-1))]；其中，b_diff表 示呼吸率的一阶导数；

b_std＝np.std(b_rate)＝sqrt{[(b_rate_1-b_mean)^2+(b_rate_2-h_mean)^2+...+(b_ rate_n-b_mean)^2]/n}；其中，b_diff表示呼吸率的标准差；

b_sub＝b_max–b_min＝MAX(b_rate)-MIN(b-rate)；其中，h_sub表示呼吸率的 极差；

每10分钟内体动次数的总和：m＝np.sum(move_nums)＝SUM(move_nums)； 其中，np.sum()为python编程语言中求和的函数，SUM()为另一些编程语言中求 和的函数。

步骤三：根据步骤二计算得到的特征数据，分别从心率、呼吸率和体动三 个方向对入睡和清醒打分。其中，入睡分数可以包括心率维度、呼吸率维度和 体动维度的评估分数。同理，清醒分数也可以包括心率维度、呼吸率维度和体 动维度的评估分数。

具体地，入睡分数的评估计算方法可以如下：

入睡分数中心率维度的评估：

sleep_h_score＝[max(100-10*h_std,0)+max(100-5*h_sub,0)+max(100-10*h_dif f,0)]/3；其中，sleep_h_score表示入睡的心率维度分数；数值100表示总分，可由 人为设定；max(100-10*h_std,0)表示确定100-10*h_std和0之间的最大值(其他项 同理)，其含义是从实际情况考虑，对于正常人体来说，100-10*h_std不能小于 0，即h_std不能大于等于10(其他项同理)，否则表明人体出现了异常(或者说， 在人体正常情况下，一定不可能出现h_std≥10)；而对于人体来说，心率的标 准差、极差和一阶导数都是相对稳定的值，且在人体清醒状态下均会略大于入 睡状态下，因此可由此在一定程度上判断人体是否入睡；

入睡分数中呼吸率维度的评估：

sleep_b_score＝[max(100-10*b_std,0)+max(100-5*b_sub,0)+max(100-10*b_dif f,0)]/3；其中，sleep_b_score表示入睡的呼吸率维度分数；可以理解，本式与 sleep_h_score的计算公式原理相同，因此不再赘述；

入睡分数中体动维度的评估：

sleep_m_score＝max(100-10*m,0)；其中，sleep_m_score表示入睡的体动维度分数；数值100同样表示总分，可由人为设定；max(100-10*m,0)表示确定100-10*m 与0之间的最大值，其含义是从实际情况考虑，人体入睡状态下体动次数会相对 清醒状态更少，因此sleep_m_score越小，则监测对象处于入睡状态的可能性越 大，表现为分数越高。

具体地，清醒分数的评估计算方法可以如下：

清醒分数中心率维度的评估：

wake_h_score＝min(20*h_std,100)*0.4+min(10*h_sub,100)*0.3+min(20*h_diff ,100)*0.3；其中，wake_h_score表示表示清醒的心率维度分数；本式与 wake_h_score的计算公式原理类似，对于人体来说，由于心率的标准差、极差和 一阶导数都是相对稳定的值，且在人体清醒状态下均会略大于入睡状态下，因 此可由此在一定程度上判断人体是否清醒；

清醒分数中呼吸率维度的评估：

wake_b_score＝min(20*b_std,100)*0.4+min(10*b_sub,100)*0.3+min(20*b_diff ,100)*0.3；其中，wake_b_score表示表示清醒的呼吸率维度分数；本式与 wake_h_score的计算公式原理相同，因此不再赘述；

清醒分数中体动维度的评估：

wake_m_score＝min(m*2,100)；其中，wake_m_score表示表示清醒的体动维 度分数；从实际情况考虑，人体入睡状态下体动次数会相对清醒状态更少，因 此wake_m_score越大，则监测对象处于清醒状态的可能性越大，表现为分数越 高。

步骤四：根据历史记录统计出该设备检测到的入睡点和清醒点出现频率最 高的时间段以及相应的概率，入睡点出现频率最高的时间段区间记为 [sleep_time1,sleep_time2](即相当于示例性方法部分的第一时间区间)，概率为 sleep_rate。

清醒点出现频率最高的时间段区间记为[wake_time1,wake_time2](即相当于 示例性方法部分的第二时间区间)，概率为wake_rate。

设置自学习基础得分为base_score(具体可以是通过试验得到)，sleep_rate 和wake_rate需满足的最小概率记为rate(rate为该用户的历史睡眠数据计算得 到的阈值)，从步骤一中选择的n分钟中选取一个时间点(可任意选取，也可 选取中间值)，将该时间点记为当前时间点time。

当sleep_time1≤time≤sleep_time2且sleep_rate≥rate时，即表示表示当前时间点time落在入睡点出现频率最高的时间段内时，此时自学习入睡分值 self_learning_sleep_score(即相当于示例性方法部分的第一自学习参数)的计算 表达式为：self_learning_sleep_score＝sleep_rate*base_score；也即，若当前时间time 落在入睡点出现频率最高的时间段内时，则自学习入睡分值通过计算得到；

否则，自学习入睡分值计算表达式为self_learning_sleep_score＝0；也即，若当前时间time未落在入睡点出现频率最高的时间段内时，则自学习入睡分值取 0；

如果wake_time1<＝time<＝wake_time2andwake_rate>＝rate，即表示当前时间点时间点time落在清醒点出现频率最高的时间段内时，此时自学习清醒分值计 算表达式为：self_learning_wake_score＝wake_rate*base_score；也即，若当前时 间time落在清醒点出现频率最高的时间段内时，则自学习清醒分值通过计算得 到；

否则，自学习清醒分值计算表达式为：self_learning_wake_score＝0；也即， 若当前时间time未落在清醒点出现频率最高的时间段内时，则自学习清醒分值 取0。

步骤五：将步骤三、步骤四所有得分按照下式进行融合，其a1,b1,c1为入睡 评分的权重(即示例性方法部分的第一行为权重)，且a1+b1+c1＝1,其a2,b2,c2 为清醒评分的权重(即示例性方法部分的第二行为权重)，且a2+b2+c2＝1；(权 重具体可以通过多次试验得到)；

sleep_score＝a1*sleep_m_score+b1*sleep_b_score*0.3+c1*sleep_h_score*0.3+ self_learning_sleep_score；其中，sleep_score为入睡评估得分，即相当于示例性方法部分的第一评估结果；

wake_score＝a2*wake_m_score+b2*wake_b_score+c2*wake_h_score+self_learning_wake_score；其中，wake_score为清醒评估得分，即相当于示例性方法部 分的第二评估结果；

步骤六：设置入睡判定阈值sleep_thresh,清醒判定阈值wake_thresh，当 sleep_score＞sleep_thresh时，判定为入睡，设置睡眠状态为入睡状态(相当于示 例性方法部分的目标行为状态)；当wake_score＞wake_thresh时，判定为清醒， 设置睡眠状态为清醒状态(相当于示例性方法部分的目标行为状态)。

进一步，得到评估结果后，若根据评估结果确定用户的睡眠状态为入睡状 态，则可以控制当前空间下的各智能家居设备执行睡眠模式对应的动作。例如， 用户处于入睡状态时，但房间内的灯或电视等未关闭，此时则自动控制该房间 内的灯或电视等设备执行关闭动作等。

若根据评估结果确定在指定时间段内，如早上该起床的时间段，用户的睡 眠状态从入睡状态变化为清醒状态时，则可以控制当前空间下的各智能家居设 备执行起床模式对应的动作。例如，用户在早上预设的时间段处于清醒状态时， 则自动控制所处房间的窗帘打开等等等。

本实施例中，通过将呼吸率、心率和体动特征结合起来，分别针对入睡状 态和清醒状态设置了单独的评估处理方式，能够更加精准地判断出用户的睡眠 状态。由此进一步通过睡状态和清醒状态对用户所处空间下的智能设备进行相 应的控制，能够更加精准地根据用户的行为状态实现自动对设备进行精准控制， 大大提高了设备控制的智能化及控制精准度，同时还大大提高了用户体验。

示例性装置

在一个实施例中，如图6所示，提供了一种基于行为监测的设备控制装置， 该基于行为监测的设备控制装置600应用于网关或云端服务器等电子设备，其 包括：特征提取模块601、第一评估模块602、第二评估模块603和状态识别模 块604；其中：

特征提取模块601用于：对目标对象的行为监测数据进行特征提取，得到行为特征；

第一评估模块602用于：对所述行为特征进行第一行为评估处理，得到第 一评估结果；

第二评估模块603用于：对所述行为特征进行第二行为评估处理，得到第 二评估结果；

状态识别模块604用于：根据所述第一评估结果和所述第二评估结果，识 别所述目标对象的目标行为状态，并基于所述目标行为状态对目标对象所处空 间下的设备进行调节。

在一个实施例中，第一评估模块602在对所述行为特征进行第一行为评估 处理，得到第一评估结果时，具体用于：通过第一行为评估策略对多个维度的 行为特征进行第一行为评估处理，得到各维度分别对应的第一处理结果；根据 所述第一处理结果和第一自学习参数，确定与第一行为状态对应的第一评估结 果；所述第一自学习参数基于所述第一行为状态对应的历史数据确定得到。

在一个实施例中，第一评估模块602在根据所述第一处理结果和第一自学 习参数，确定与第一行为状态对应的第一评估结果时，具体用于：获取第一自 学习参数；所述第一自学习参数基于历史数据中所述第一行为状态所对应的第 一时间区间确定得到；对所述第一处理结果和第一行为权重以及所述第一自学 习参数进行融合处理，得到所述第一行为状态对应的第一评估结果。

在一个实施例中，第二评估模块603在对所述行为特征进行第二行为评估 处理，得到第二评估结果时，具体用于：通过第二行为评估策略对多个维度的 行为特征进行第二行为评估处理，得到各维度分别对应的第二处理结果；根据 所述第二处理结果和第二自学习参数，确定第二行为状态对应的第二评估结果； 所述第二自学习参数基于所述第二行为状态对应的历史数据确定得到。

在一个实施例中，第二评估模块603在根据所述第二处理结果和第二自学 习参数，确定第二行为状态对应的第二评估结果时，具体用于：获取第二自学 习参数；所述第二自学习参数基于历史数据中所述第一行为状态所对应的第一 时间区间确定得到；对所述第二处理结果和第二行为权重以及所述第二自学习 参数进行融合处理，得到所述第二行为状态对应的第二评估结果。

在一个实施例中，所述行为监测数据包括心率数据、呼吸率数据和体动数 据；特征提取模块601在对目标对象的行为监测数据进行特征提取，得到行为 特征时，具体用于：获取同一时间区间下的心率数据、呼吸率数据和体动数据； 分别对心率数据、呼吸率数据和体动数据，按照时间序列进行特征提取，得到 心率、呼吸率和体动各维度对应的行为特征。

在一个实施例中，所述目标行为状态包括第一行为状态和第二行为状态， 状态识别模块604在基于所述目标行为状态对目标对象所处空间下的设备进行 调节时，具体用于：若从第一行为状态变化至第二行为状态，控制目标对象所 处空间下的设备执行对应于第二行为状态的场景模式的控制指令；若从第二行 为状态变化至第一行为状态，控制目标对象所处空间下的设备执行对应于第一 行为状态的场景模式的控制指令。

在一个实施例中，若从第一行为状态变化至第二行为状态，状态识别模块 604在控制目标对象所处空间下的设备执行对应于第二行为状态的场景模式的 控制指令时，具体用于：若从第一行为状态变化至第二行为状态，且当前时间 位于第一预设时段内，控制目标对象所处空间下的设备执行对应于第二行为状 态的场景模式的控制指令；若从第二行为状态变化至第一行为状态，状态识别 模块604在控制目标对象所处空间下的设备执行对应于第一行为状态的场景模 式的控制指令时，具体用于：若从第二行为状态变化至第一行为状态，且当前 时间位于第二预设时段内，控制目标对象所处空间下的设备执行对应于第一行 为状态的场景模式的控制指令。

在一个实施例中，所述第一行为状态包括清醒状态，第二行为状态包括入 睡状态，状态识别模块604还用于：根据清醒状态和入睡状态，确定入睡点和 清醒点；所述入睡点为从清醒状态变化为入睡状态的时间点，所述清醒点为从 入睡状态变化为清醒状态的时间点；相应地，若从第一行为状态变化至第二行 为状态，状态识别模块604在控制目标对象所处空间下的设备执行对应于第二 行为状态的场景模式的控制指令时，具体用于：若当前行为状态处于入睡点， 则控制目标对象所处空间下的设备执行睡眠模式的控制指令；若从第二行为状 态变化至第一行为状态，状态识别模块604在控制目标对象所处空间下的设备 执行对应于第一行为状态的场景模式的控制指令时，具体用于：若当前行为状 态处于清醒点，则控制目标对象所处空间下的设备执行起床模式的控制指令。

关于基于行为监测的设备控制装置的具体限定可以参见上文中对于基于行 为监测的设备控制方法的限定，在此不再赘述。上述睡眠监测装置中的各个模 块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内 嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备 中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

示例性计算机设备

在一个实施例中，提供了一种计算机设备，该计算机设备可以是网关或云端服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储第一行为评估策略和第二行为评估策略等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于行为监测的设备控制方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，该计算机设备可以为网关或云 端服务器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行 计算机程序时实现上述示例性方法部分各实施例示出的基于行为监测的设备控 制方法的各个步骤。

示例性控制系统

在一个实施例中，提供了一种基于行为监测的设备控制系统，包括：采集 设备和计算机设备；所述采集设备与所述计算机设备通信连接；

所述采集设备设置在监测区域或者由位于监测区域的目标对象穿戴，用于 采集目标对象的行为监测数据；

所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所 述处理器执行所述计算机程序时实现上述示例性方法部分各实施例示出的基于 行为监测的设备控制方法的步骤。

示例性计算机程序产品和计算机可读存储介质

除了上述基于行为监测的设备控制方法、装置和设备以外，本申请的实施 例还提供一种计算机程序产品，其包括计算机程序指令，计算机程序指令在被 处理器运行时使得处理器执行本说明书上述示例性方法部分中描述的根据本申 请各种实施例的基于行为监测的设备控制方法中的步骤。

计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执 行本申请实施例操作的程序代码，程序设计语言包括面向对象的程序设计语言， 诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的 程序设计语言。程序代码可以完全地在设备上执行或作为一个独立的软件包执 行。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程 序，计算机程序被处理器执行时实现上述示例性方法部分各实施例示出的基于 行为监测的设备控制方法的各个步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是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 一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述 各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、 存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。 非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编 程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局 限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、 同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储 器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述 实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特 征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的 普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改 进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权 利要求为准。

Claims (13)

1.一种基于行为监测的设备控制方法，其特征在于，所述方法包括：

对目标对象的行为监测数据进行特征提取，得到行为特征；

对所述行为特征进行第一行为评估处理，得到第一评估结果；

对所述行为特征进行第二行为评估处理，得到第二评估结果；

根据所述第一评估结果和所述第二评估结果，识别所述目标对象的目标行为状态，并基于所述目标行为状态对目标对象所处空间下的设备进行调节。

2.根据权利要求1所述的方法，其特征在于，所述对所述行为特征进行第一行为评估处理，得到第一评估结果，包括：

通过第一行为评估策略对多个维度的行为特征进行第一行为评估处理，得到各维度分别对应的第一处理结果；

根据所述第一处理结果和第一自学习参数，确定与第一行为状态对应的第一评估结果；所述第一自学习参数基于所述第一行为状态对应的历史数据确定得到。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一处理结果和第一自学习参数，确定与第一行为状态对应的第一评估结果，包括：

获取第一自学习参数；所述第一自学习参数基于历史数据中所述第一行为状态所对应的第一时间区间确定得到；

对所述第一处理结果和第一行为权重以及所述第一自学习参数进行融合处理，得到所述第一行为状态对应的第一评估结果。

4.根据权利要求1所述的方法，其特征在于，所述对所述行为特征进行第二行为评估处理，得到第二评估结果，包括：

通过第二行为评估策略对多个维度的行为特征进行第二行为评估处理，得到各维度分别对应的第二处理结果；

根据所述第二处理结果和第二自学习参数，确定第二行为状态对应的第二评估结果；所述第二自学习参数基于所述第二行为状态对应的历史数据确定得到。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第二处理结果和第二自学习参数，确定第二行为状态对应的第二评估结果，包括：

获取第二自学习参数；所述第二自学习参数基于历史数据中所述第一行为状态所对应的第一时间区间确定得到；

对所述第二处理结果和第二行为权重以及所述第二自学习参数进行融合处理，得到所述第二行为状态对应的第二评估结果。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述行为监测数据包括心率数据、呼吸率数据和体动数据；

所述对目标对象的行为监测数据进行特征提取，得到行为特征，包括：

获取同一时间区间下的心率数据、呼吸率数据和体动数据；

分别对心率数据、呼吸率数据和体动数据，按照时间序列进行特征提取，得到心率、呼吸率和体动各维度对应的行为特征。

7.根据权利要求1至5任意一项所述的方法，其特征在于，所述目标行为状态包括第一行为状态和第二行为状态，所述基于所述目标行为状态对目标对象所处空间下的设备进行调节，包括：

若从第一行为状态变化至第二行为状态，控制目标对象所处空间下的设备执行对应于第二行为状态的场景模式的控制指令；

若从第二行为状态变化至第一行为状态，控制目标对象所处空间下的设备执行对应于第一行为状态的场景模式的控制指令。

8.根据权利要求7所述的方法，其特征在于，所述若从第一行为状态变化至第二行为状态，控制目标对象所处空间下的设备执行对应于第二行为状态的场景模式的控制指令，包括：

若从第一行为状态变化至第二行为状态，且当前时间位于第一预设时段内，控制目标对象所处空间下的设备执行对应于第二行为状态的场景模式的控制指令；

所述若从第二行为状态变化至第一行为状态，控制目标对象所处空间下的设备执行对应于第一行为状态的场景模式的控制指令，包括：

若从第二行为状态变化至第一行为状态，且当前时间位于第二预设时段内，控制目标对象所处空间下的设备执行对应于第一行为状态的场景模式的控制指令。

9.根据权利要求7所述的方法，其特征在于，所述第一行为状态包括清醒状态，第二行为状态包括入睡状态，所述方法还包括：

根据清醒状态和入睡状态，确定入睡点和清醒点；所述入睡点为从清醒状态变化为入睡状态的时间点，所述清醒点为从入睡状态变化为清醒状态的时间点；

所述若从第一行为状态变化至第二行为状态，控制目标对象所处空间下的设备执行对应于第二行为状态的场景模式的控制指令，包括：

若当前行为状态处于入睡点，则控制目标对象所处空间下的设备执行睡眠模式的控制指令；

所述若从第二行为状态变化至第一行为状态，控制目标对象所处空间下的设备执行对应于第一行为状态的场景模式的控制指令，包括：

若当前行为状态处于清醒点，则控制目标对象所处空间下的设备执行起床模式的控制指令。

10.一种基于行为监测的设备控制装置，其特征在于，所述装置包括：

特征提取模块，用于对目标对象的行为监测数据进行特征提取，得到行为特征；

第一评估模块，用于对所述行为特征进行第一行为评估处理，得到第一评估结果；

第二评估模块，用于对所述行为特征进行第二行为评估处理，得到第二评估结果；

状态识别模块，用于根据所述第一评估结果和所述第二评估结果，识别所述目标对象的目标行为状态，并基于所述目标行为状态对目标对象所处空间下的设备进行调节。

11.一种计算机设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9中任意一项所述的基于行为监测的设备控制方法的步骤。

12.一种基于行为监测的设备控制系统，其特征在于，所述系统包括：采集设备和计算机设备；所述采集设备与所述计算机设备通信连接；

所述采集设备设置在监测区域或者由位于监测区域的目标对象穿戴，用于采集目标对象的行为监测数据；

所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的基于行为监测的设备控制方法的步骤。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至9中任意一项所述的基于行为监测的设备控制方法的步骤。

Images