CN213423727U - 一种基于tgam的智能家居控制装置 - Google Patents

Abstract

本实用新型属于智能家居控制技术领域，公开了一种基于TGAM的智能家居控制装置，信号采集装置通过蓝牙与数据处理装置连接，数据处理装置与智能家居沙盘装置无线连接。信号采集装置为TGAM装置，所述TGAM装置外侧设置有3个非侵入式头戴干电极，内部设置有TGAM芯片、滤波器、A/D转换器、电源和蓝牙装置。数据处理装置为Raspberry Pi 3B卡片式计算机。智能家居沙盘装置为家居设备，所述家居设备上设置有微控制器，所述微控制器与家居设备通过驱动电路连接。本实用新型佩戴方便，成本较低，佩戴舒适，通过算法分析降低对数据的干扰，提高控制准确度；对家用电器的控制普适性强，操作方便，且无需占用双手。

Description

一种基于TGAM的智能家居控制装置

技术领域

本实用新型属于智能家居控制技术领域，尤其涉及一种基于TGAM的智能家居控制装置。

背景技术

现有技术：近年来，智能家居逐渐走进大众生活。随着语音识别技术的发展，在智能家居领域也出现了语音识别的热潮，涌现了一批具有智能家居控制功能的智能设备，如亚马逊的Echo和阿里的天猫精灵。此外，图像识别技术也发展迅速，可以通过手势识别、人脸识别等方式控制智能家居。用户也可以使用移动终端实现对家用电器的控制。

目前的脑机交互技术大多为科研级和医疗级，往往成本较高或不易携带。而现有对便携且成本低的非侵入式脑电采集设备的研究也通常没有提取除该芯片自有专利外的其他特征参数。

目前，TGAM：由美国Neurosky公司开发的一款脑电信号采集芯片。它使用干电极读取人的大脑信号，可以过滤掉周围的噪音和电器的干扰，并将检测到的大脑信号转成数字信号。TGAM模块包括了TGAT芯片，该芯片是一个高度集成的单一芯片脑电传感器，可以输出脑电原始信号和3个Neurosky自有专利的eSense参数，可以进行模数转换，检测接触不良的异常状态，过滤掉噪音及50/60hz交流电干扰。

在国外，Polat K于2007年使用决策树分类器与快速傅里叶变换的混合系统来利用脑电波信号检测癫痫病的发作与否，首先利用快速傅里叶变换进行特征提取，而后使用决策树分类器进行模式识别，取得了很好的成绩。MVM Yeo和 XP Li于2009年使用支持向量机进行模式识别从而开发出了一种自动检测驾驶时驾驶员是否处于疲劳驾驶状态的方法，并且实验结果表明，该方法的识别准确率高达99.3％，可以在90％的数据样本中，可靠地预测出警觉性到睡意之间的转变。2011年，日本Osaka大学的研究者利用从运动障碍患者头部采集到的脑电信息，将其成功转化控制了机器人，使其成功动起来，准确率最高可以达到90％。Nguyen T和Ngyen TH于2013年发表文章，提出了一种阈值方法来识别眨眼状态，找到了一个可以识别睁眼和闭眼的阈值，并且在检测结果上取得了很好的效果。Wang于2014年发表文章利用增量神经网络来识别人眼状态，他们认为脑电波信号是一种时间序列，利用时间序列的特性，采用移动平均的方法求得其统计特征，如均值，方差等特征，并将这些特征逐一加入网络，最终取得了高于平均水平的准确率。Satapathy SK于2017年使用神经网络和支持向量机对癫痫病的发作进行基于脑电波的模式识别，文中使用了多层神经网络并且研究了不同的传播训练算法，针对SVM选择了多种核函数，通过实验结果说明，支持向量机与概率神经网络会有较好的效果。2019年4月加州大学旧金山分校的AnumanchipalliG.，Chartier J.和Chang E.发表在nature上的文章，提出他们使用了RNN深度学习模型，利用脑机接口直接读取瘫痪患者大脑中的想法，产生口语句子可以达到150个单词，已经接近人来正常水平，而再次之前的技术只能让病人每分钟打出最多8个单词。

在国内，相关的研究也有很多，2011年，欧居尚利用脑电波数据进行安全行为驾驶的研究，建立用来对EEG进行分析的指标体系，使用快速傅里叶变换，利用成对t检验分析各项指标。2015年，刘珑发现原始的EEG存在非平稳性，易受到其他噪音信号的干扰等特点，并针对这些特点提出了基于小波变换等方法对EEG进行特征提取。王晓璐于2017年发表文章，利用脑电波来对新生儿的脑功能进行评估，靠客观数据处理使得新生儿睡眠自动分期得以实现,并可以自动检出新生儿癫痫发作的时间段。2017年，王伟利用小波包分析各自提取了正常的脑电波与发病时的脑电波特征，由此构造出相应的特征向量，使用判别分析方法与聚类分析方法分析脑电的疾病特征。张韩于2018年发表文章使用S 算法，双线性插值法进行数据预处理，而后再使用卷积神经网络提取脑电、心电的特征，进行分类识别，最终在人脑意图识别方面取得了较为准确的结果。总的来说，自从人类发现了脑电波以来，无数的专家学者致力于破解脑电波中传递的信息，其中2019年最新的研究成果表明，利用脑机接口可以识别脑电波中基本的口语句子，帮助瘫痪病人达到正常人类交流的水平。这对于脑电波的模式识别具有十分重要且深远的意义。

2016年巴西马瑙斯亚马逊州立大学控制与自动化工程系的Paula等人使用 TGAM芯片的眨眼参数(TGAM自有专利)实现了一个安卓软件。该项目设计和开发了一个系统来获取脑电图信号，使用Neurosky的干电极，Think Gear ASIC 模块(TGAM)，通过蓝牙串行通信模块通信，并使用Java语言编写的一种智能算法进行分析，最终实现用于Android P的发送电子邮件的软件。

同年，印度Kiran博士等人使用TGAM芯片的眨眼参数、专注度、冥想度(均为TGAM自有专利)设计了一个应用程序。用户只需改变脑电波水平来集中注意力或冥想就可以拨打电话，基于手机应用程序中预加载的编码算法，可以生成各种字母或数字。

2018年华南理工大学广州学院设计了一款基于ATMEGA 2560控制器的小车控制系统,他们通过TGAM传感器采集的“专注力”(TGAM自有专利)实现了不同精神状态对小车车速的控制。

2020年秦皇岛市第一医院的张超等人发表了基于TGAM模块的可穿戴式 EEG实时采集与监控论文，但他们主要在医学方面研究，不是应用于控制。他们通过FIR滤波器对EEG信号进行低通滤波，主成分分析筛选特征量，并提出了一种平滑算法，来计算新特征量。通过归一化标准差测试进一步标记大脑异常，确定了睡眠呼吸暂停事件的发生。

近年来，智能家居逐渐走进大众生活。随着语音识别技术的发展，在智能家居领域也出现了语音识别的热潮，涌现了一批具有智能家居控制功能的智能设备，如亚马逊的Echo和阿里的天猫精灵。用户也可以使用移动终端实现对家用电器的控制。

2018年河南城建学院计算机与数据科学学院对EEG采集、滤波，运用时频谱和复杂度分析提取精神状态特征，设计神经网络多层分类器对精神状态进行分类和识别，最后完成精神状态的自动检测和识别，以提高学生上课的注意力。2018年贵州师范学院副教授于国龙运用TGAM自有专利选取专注度，将学生的注意力状态反馈给教师，主要是研究EEG注意力监测技术在教学中的应用与实践，并未对信号进行任何处理，且只选取了专注度一个指标来判断学生的注意力集中情况。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有大型侵入式脑电采集设备操作危险困难，成本高昂。

(2)现有研究对TGAM采集的信号的分析不足，TGAM传感器的脑电设备，具有便携性和成本低的特点，但对于它的开发，现有技术通常只使用了该传感器eSense算法(该公司自有专利算法)的参数，而没有提取其他特征参数。

(3)智能家居控制技术部分：

①语音识别：

嘈杂环境下语音识别精度降低。语音识别需要清晰的识别出人声，嘈杂环境使得人声的提取变得非常困难，尤其是针对远场语音交互，噪音的问题更加突出。例如远场安静环境下语音识别准确率能达到95％，但是在嘈杂环境下仅能达到80％左右。

用户的独立性。目前的许多语音识别软件，是基于标准的发音来进行识别的。而实际上，人们说话千差万别，发音也各不相同，特别对于有口音的语音来说，更是对语音识别软件提出了严峻的挑战。

②图像识别：易受光线、地点和遮挡物的限制。已有的研究对于戴眼镜、头发遮挡等问题识别精度不够，同时脸部旋转也无法准确识别。视频采集设备精度也会对识别有影响。而且，图像识别受光强影响较大，暗光环境是否依旧能准确识别有待技术的进一步提高。

③移动终端：操作困难，对用户使用移动终端等的能力要求大，当用户在洗菜等双手不方便或者用户为残疾人时，要实现对家用电器的控制则十分不便。

(4)在线教育的学生自律和交互问题。线上教育学生难以把控自己的精神和思考状态，出现上课走神或是过度集中缺乏休息和自主思考的问题。学生与教师时空分离，导致他们无法及时交流，课堂学习氛围不足。

解决以上问题及缺陷的难度为：

不同用户不同状态下的脑电、肌电研究。不同用户的EEG、EMG、EMG 有差异，且无创便捷式采集模块的设计使得在不同对象、时间情况下电极所在的头部位置有些许偏移，采集到的信号都会有差别，识别成功的准确率也有差异。

便携性的脑电穿戴设备的硬件设计。对用以增加用户舒适感部分硬件设计，对TGAM芯片脑波信息采集提取的研究，对机器学习训练完成后的模型移植到linux平台的卡片式计算机的方法，对卡片式计算机与单片机的通信。此外，考虑到脑波信号传输时延、电源供给，对于系统整个硬件平台的联动也是硬件系统搭建要解决的问题之一。

脑电信号的信号处理。在利用TGAM eSense算法提取的参数判断用户的专注度和冥想度的基础上，如何对原始信号进行处理。这里考虑使用小波分解重构和傅里叶变换进行信号处理。

脑电信号机器学习。脑电信号特征提取中，如何从毫无规律的复杂脑电信号中提取关键特征信息是本项目待解决的问题。机器学习模型的训练中，如何选择最优模型对信号分类识别，如SVM、决策树等，也是本实用新型解决的问题。

解决以上问题及缺陷的意义为：

①针对现有大型侵入式脑电采集设备操作困难，成本高昂的问题，本实用新型意欲设计便携性的脑电穿戴设备。本实用新型使用TGAM非侵入式传感器，并对脑电信号采集模块、数据处理模块、线上教育交互模块都进行了分体设计。

本实用新型的硬件设计降低了脑电研究控制设备的成本，增强了用户舒适感，可以使脑机交互技术得到更好的普及。

②针对现有研究对TGAM采集的信号的分析不足，本实用新型打算通过算法来分析、处理信号。本实用新型通过小波分析、傅里叶变换对信号进行处理，机器学习合适的模型对信号进行分类识别。

本实用新型的信号处理和机器学习部分相对弥补了非侵入式脑电采集设备受外界干扰大的缺陷和相应研究对信号分析的不足，促进了可穿戴设备的兴起，推进便捷式脑机交互技术的研究。

③针对现有智能家居控制技术，如语音识别、图像识别、移动端控制等受环境影响大，对用户要求高等问题，基于TGAM头戴式非侵入脑电波采集信号实现对家用电器的控制普适性强，操作方便，随时随地都可以使用，对于残疾人也十分友好。

本实用新型将脑机交互技术与智能家居控制技术相结合，推进了脑电研究在控制方面的应用，也促进了智能家居控制技术的多元化发展。

④针对在线教育的学生自律和交互问题，本发明利用脑电研究和交互系统软硬件设计来解决这一问题。本发明旨在分析学生上课精神状态的脑电、肌电，并以文字、音乐等方式提高学生的学习效率；并识别学生的眼电、肌电信号实现线上教育的便捷式交互。

本实用新型将脑电和在线教育结合，推进了脑电研究在教育领域的应用。

本实用新型使用佩戴方便，成本低的传感器，通过部分硬件设计增加用户的舒适感，通过算法分析处理分析数据，提高控制准确度，并将脑电研究与智能家居结合。项目促进了便捷式脑机交互技术的研究与普及，同时弥补了智能家居控制技术的不足，推进和完善智能家居控制技术的进一步发展。

实用新型内容

为了解决现有技术存在的问题，本实用新型提供了一种基于TGAM的智能家居控制装置。

本实用新型是这样实现的，一种基于TGAM的智能家居控制装置设置有：

信号采集装置；

所述信号采集装置通过蓝牙与数据处理装置连接，数据处理装置与智能家居沙盘装置无线连接。

本实用新型佩戴方便，且成本较低，并通过部分硬件设计增加用户的舒适感，通过算法分析降低对数据的干扰，提高控制准确度；本实用新型基于TGAM 头戴式非侵入脑电波采集信号实现对家用电器的控制普适性强，操作方便，且无需占用双手。

进一步，所述信号采集装置为TGAM装置，所述TGAM装置外侧设置有3 个非侵入式头戴干电极，内部设置有TGAM芯片、滤波器、A/D转换器、电源和蓝牙装置。

本实用新型采用TGAM芯片，成本较低，且经蓝牙传输实现了分体设计，有利于佩戴者的舒适性与便捷性；通过采用3个非侵入式干电极，能够准确采集脑电波信号，并且安全系数高。

进一步，所述数据处理装置为Raspberry Pi 3B卡片式计算机。

本实用新型采用的Raspberry Pi 3B卡片式计算机集成了蓝牙模块，有17个 GPIO及HAT规格铺设，可以满足本实用新型对于外设和通信的需求。

进一步，所述智能家居沙盘装置为家居设备，所述家居设备上设置有微控制器。

本实用新型通过在家居设备上设置微控制器，能够实现对多种家居设备的控制效果。

结合上述的所有技术方案，本实用新型所具备的优点及积极效果为：

第一、本实用新型佩戴方便，且成本较低，并通过部分硬件设计增加用户的舒适感，通过算法分析降低对数据的干扰，提高控制准确度；本实用新型基于TGAM头戴式非侵入脑电波采集信号实现对家用电器的控制普适性强，操作方便，且无需占用双手。

第二、本实用新型采用TGAM芯片，成本较低，且经蓝牙传输实现了分体设计，有利于佩戴者的舒适性与便捷性；通过采用3个非侵入式干电极，能够准确采集脑电波信号，并且安全系数高。

第三、本实用新型采用的Raspberry Pi 3B卡片式计算机集成了蓝牙模块，有17个GPIO及HAT规格铺设，可以满足本实用新型对于外设和通信的需求。

第四、本实用新型通过在家居设备上设置微控制器，能够实现对多种家居设备的控制效果。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本实用新型实施例提供的基于TGAM的智能家居控制装置的结构示意图；

图中：1、信号采集装置；2、数据处理装置；3、智能家居沙盘装置；4、电源(5V2.5A)；5、非侵入式头戴干电极；6、TGAM装置；7、卡片式计算机；8、微控制器；9、驱动电路；10、家具设备。

图2是本实用新型实施例提供的信号采集装置结构示意图。

图3是本实用新型实施例提供的Raspberry Pi 3B卡片式计算机结构示意图。

图4是本实用新型实施例提供的熟练设备者与生疏者的平均次数对比图。

图5是本实用新型实施例提供的不同数据集使用SVM线性核分类的准确度对比图。

图6是本实用新型实施例提供的机器学习不同模型的分类效果对比图。

具体实施方式

为了使本实用新型的目的、技术方案及优点更加清楚明白，以下结合实施例，对本实用新型进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本实用新型，并不用于限定本实用新型。

针对现有技术存在的问题，本实用新型提供了一种基于TGAM的智能家居控制装置，下面结合附图对本实用新型作详细的描述。

如图1至图3所示，本实用新型实施例提供的于TGAM的智能家居控制装置包括：信号采集装置1、数据处理装置2、智能家居沙盘装置3、电源4、非侵入式头戴干电极5、TGAM装置6、卡片式计算机RPi 3b7、微控制器STM32 8、驱动电路9、家具设备10。

实施例1

本实施例的信号采集装置1通过蓝牙与数据处理装置2连接，数据处理装置2与智能家居沙盘装置3通过UART串口连接。本实用新型佩戴方便，且成本较低，并通过部分硬件设计增加用户的舒适感，通过算法分析降低对数据的干扰，提高控制准确度；本实用新型基于TGAM头戴式非侵入脑电波采集信号实现对家用电器的控制普适性强，操作方便，且无需占用双手。

实施例2

在实施例1的基础上，本实施例的信号采集装置1为TGAM装置6，TGAM 装置6外侧设置有3个非侵入式头戴干电极5，内部设置有TGAM芯片、滤波器、A/D转换器、电源4和蓝牙装置。本实用新型采用TGAM芯片，成本较低，且经蓝牙传输实现了分体设计，有利于佩戴者的舒适性与便捷性；通过采用3 个非侵入式干电极，能够准确采集脑电波信号，并且安全系数高。

TGAM集成了TGAM芯片、滤波器、A/D转换器、干电极、电源4等器件，具有数据采集、滤波、放大、A/D转换、数据预处理等功能。该模块的采样率为512Hz，频率范围为3Hz-100Hz，运行电压为2.97-3.63v，支持标准串口通信协议。该模块引出了3个非侵入式干电极，可直接与皮肤接触进行测量。当测试者佩戴该模块时，一个前额处干电极用于采集头皮处电位值，两个双耳耳垂处干电极用于采集参考电位，参考电位用于辅助降噪。

蓝牙串口部分选用支持SPP串口规范的HC-05蓝牙模块，通过I2C总线协议与TGAM芯片相连接。HC-05具有干扰能力强，体积小，易于集成设计等优点。在焊接本模块电路9完成后，本实用新型对HC-05与树莓派蓝牙进行配对。本实用新型使用AT命令将HC-05蓝牙设置为从模式，将波特率设置为 38400bps，与设置为主模式的Raspberry Pi 3B的蓝牙模块配对。配对成功后，可以实现本模块与下一模块之间的无线传输。

实施例3

在实施例1的基础上，本实施例的数据处理装置2为Raspberry Pi 3B卡片式计算机7。本实用新型采用的Raspberry Pi 3B卡片式计算机7集成了蓝牙模块，有17个GPIO及HAT规格铺设，可以满足本实用新型对于外设和通信的需求。

实施例4

在实施例1的基础上，本实施例的智能家居沙盘装置3为家居设备10，家居设备10上设置有微控制器8。本实用新型通过在家居设备10上设置微控制器 8，能够实现对多种家居设备的控制效果。智能家居沙盘装置3单独采用了基于 ARM处理器的STM32微控制器8，其具有高性能、低成本、低功耗且更适于控制嵌入式设备等优点。STM32通过UART串口通信与上一模块的Raspberry Pi 3B 卡片式计算机7建立连接，同步波特率后就可正常接收Raspberry Pi 3B卡片式计算机7的控制信号，再通过STM32片上烧录的程序即可实现对沙盘模型上设备的控制。

本实用新型的工作原理为：信号采集装置1的非侵入式干电极采集采集脑波信号与眼电、表面肌电信号，数据处理装置2接受信号进行分析处理，发送至微控制器8，微控制器8控制家居设备工作。

本实用新型设计了一种基于TGAM传感器的脑机交互线上教育系统。该系统用脑电技术来解决在线教育交互和学生自律问题，系统分为便携性脑电穿戴设备的硬件部分和脑电信号分析处理的软件部分。硬件部分分为脑电信号采集模块、数据处理模块和线上教育交互模块；对脑电交互技术在线上教育的应用有一定意义。

智慧教育STM32屏幕控制

根据小波变换特征提取及SVM分类，本实用新型得以区分受测者颈部及以上不同状态下的肌电信号，并利用TGAM模块的eSense算法得出受测者的专注度、松弛度和冥想度等脑波信号。由此，本实用新型将以上信号作为控制信号，借助STM32单片机控制自身屏幕、蜂鸣器并控制相应的听课软件，将受测者的不同状态与屏幕和蜂鸣器的不同状态对应起来，从而达到由受测者的状态控制对应功能。

通过不同状态下的脑电、眼电及肌电信号实现自我监督功能，具体功能如表1所示：

表1受测者状态及所对应的功能实现

其中，所有状态的设定值(时间)都可以由用户自行设置，也可以选择系统自身带有的“自律规划”、“日常规划”、“自由模式”等。例如：“自律规划”的高专注度时间、高松弛度时间可以设置最低，“日常规划”次之，“自由模式”最高。待用户恢复屏幕或蜂鸣器所提示的状态后，屏幕所显示的文字自动消失，蜂鸣器自动停止响动。

测试与分析

(1)测试环境与对象

为测试系统的准确度，本实用新型邀请了10名受测者(其中1、2、3、4 号为熟悉设备者)来测试。1、3、5、7、9号为男生，2、4、6、8、10号为女生，他们的年龄在12-23岁之间，无影响测试结果的疾病或特征。

测试所在的实验室防磁、噪音等环境因素产生的干扰都对结果影响较小。

(2)实验测试过程

首先，对每位受测者进行10分钟的训练，包括正确佩戴数据采集设备，集中注意力，放松、冥想等，并将屏幕及蜂鸣器提示的时间设短一些，以便提高测试效率。再以开启设备-集中注意力-放松-连续眨眼2次开麦-连续眨眼2次闭麦-连续点头2次发送脑波数据-连续张嘴两次通知教师需临时离开-关闭设备9 种指令与状态为一组，每位受测者共测试50组。

(3)实验结果及分析

表2智能教育设备功能实现准确度

由于测试数据来自不同受测者(不同人的EEG、EMG、EMG有差异)，且无创便捷式采集模块的设计使得在不同对象、时间情况下电极所在的头部位置有些许偏移，采集到的信号都会有差别，识别成功的准确率也有差异。因此本实用新型今后的研究重点将是增强系统的适应性和鲁棒性。

下面结合实验对本实用新型的技术效果作详细的描述。

1、测试与分析

(1)测试环境与对象

为测试系统的准确度，本实用新型邀请了15名受测者来测试。1-5号年龄在10-25岁之间，6-10号的年龄在26-40岁之间，11-15号的年龄在41-50岁之间，无影响测试结果的疾病或特征。其中，每一组的前两名受测者为熟悉设备者。

测试所在的实验室防磁、噪音等环境因素产生的干扰都对结果影响较小。

(2)实验测试过程

首先，对每位受测者进行10分钟的训练，如正确佩戴数据采集设备，集中注意力，输出某一指令后回归平静状态等。再以开启设备-打开灯光-打开风扇- 响起欢快音乐-响起舒缓音乐-关闭设备6种指令为一组(若开启和关闭的指令未成功识别则手动开启、关闭)，每位受测者共测试60组。

(3)结果分析

图4为熟练设备者与生疏者的平均次数对比图，控制成功所需要执行的动作的成功率(Y轴)，目前能够实现的功能(X轴)。由图4看出，无论是熟练设备者还是生疏者完成指定任务都较高。但相对于根据专注度和冥想度控制智能家居的成功率近乎相同，利用“眨眼”、“摇头”、“张嘴”控制的成功率差异相对明显，考虑到可能是生疏者动作不够规范。两类人的数据总体相差较小，说明本作品稳定性较高，操作便利。

表3给出了15名受测者进行的总共900组测试成功次数及成功率。

表4智能家居设备实验测试控制准确度

在机器学习的数据集构建中，为保证训练集数据的多样性，本实用新型采集了不同人在不同状态下的脑电、眼电、肌电信号，包括坐、站、躺三个状态，总共6370组，7873320帧“眨眼”、“张嘴”、“摇头”信号数据。并对其使用前述小波变换方法提取特征，将控制信号所对应的受测者动作作为数据集的标签。本实用新型通过将单独频域信号、小波分解系数、小波分解重构的时频域信号不同组合，用SVC线性核对其进行分类，根据准确度选择合适的数据集。

图5所示为不同数据集使用SVM线性核分类的准确度对比图。其中，训练数据集从左到右分别为：(组合一)原始数据经过小波6层分解6层高频重构和FFT生成的频域数据，(组合二)小波6层分解产生的系数，(组合三)原始数据经过FFT产生的频域数据，(组合四)经FFT产生的频域数据+小波系数，(组合五)FFT频域数据+小波系数+小波分解重构的时域和频域数据，(组合六)FFT频域数据+小波系数+小波分解重构的频域数据。

由图5趋势线可知，分类效果最好的数据集为FFT频域数据+小波系数+小波分解重构的频域数据，因此本发明最终采用这一构建数据集的方案。

在机器学习的模型选择中，本实用新型将数据集合理划分为训练集和测试集用于不同的模型进行机器学习，并根据最终的准确度和评价表来决定使用的分类模型。图6所示为机器学习不同模型的分类效果对比图。

由图6所示，本实用新型选取了K-means，朴素贝叶斯(包括高斯朴素贝叶斯和伯努利朴素贝叶斯)，决策树与随机森林，SVM(线性核与高斯核)进行对比实验。由趋势线可知，从左往右分类器分类的准确度依次上升，因此本实用新型最终选择了线性核SVM进行数据分类，即信号识别。

最终分类效果如表5所示。

表5肌电信号的SVC分类结果

结果显示总体上本系统的指令识别准确率较高，稳定性较强。但对“眨眼”、“张嘴”和“点头”信号识别率较理论值稍低，推测主要原因是实际项目中系统的噪声干扰、信号衰减以及训练样本比较有限。此外，由于测试数据来自不同受测者(不同人的EEG、EMG、EMG有差异)，且无创便捷式采集模块的设计使得在不同对象、时间情况下电极所在的头部位置有些许偏移，采集到的信号都会有差别，识别成功的准确率也有差异。因此今后工作重点将是增强系统的适应性和鲁棒性。

在本实用新型的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本实用新型和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本实用新型的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

以上所述，仅为本实用新型的具体实施方式，但本实用新型的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本实用新型揭露的技术范围内，凡在本实用新型的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本实用新型的保护范围之内。

Claims (1)

1.一种基于TGAM的智能家居控制装置，其特征在于，所述基于TGAM的智能家居控制装置设置有：

信号采集装置；

所述信号采集装置通过蓝牙与数据处理装置连接，数据处理装置与智能家居沙盘装置无线连接；

所述信号采集装置为TGAM装置，所述TGAM装置外侧设置有3个非侵入式头戴干电极，内部设置有TGAM芯片、滤波器、A/D转换器、电源和蓝牙装置；

所述数据处理装置为Raspberry Pi 3B卡片式计算机；

所述智能家居沙盘装置为家居设备，所述家居设备上设置有微控制器，所述微控制器与家居设备通过驱动电路连接。

Images