具备色彩情绪调节的手机投影技术的制作方法
本发明涉及具备色彩情绪调节的手机投影技术。
背景技术：
人们在日常生活中发现光线色彩与情绪有一定相关性；阴霾天思维迟钝，反应缓慢，容易抑郁；阳光灿烂的白昼容易振奋。暖色光(如粉红色和浅紫色)使整个空间具有温暖、轻松的气氛。在夏季，蓝、绿色的光会使人感觉凉爽；而冬季，红色使人感觉到温暖。慕尼黑一位心理学家，花费了3年时间探究环境颜色对儿童学习、智力的影响，发现孩子一进人淡蓝色、黄色、黄绿色、橙色等亮色调的环境中，就变得机敏和富有创造性，平均智商比平时高出12点之多，而进入黑色、褐色等暗色调环境后，则变得迟钝起来，智商测试成绩也低于平时。其实和人体内的松果体分泌褪黑激素有关，褪黑激素的分泌又受到光的控制，白天光线多，抑制了褪黑激素的分泌，人就显得精神振奋，而夜间两眼一抹黑，松果体分泌褪黑激素增多，因而忧愁满怀。到了秋冬季节，昼短夜长，日照减少，天气阴冷，致使松果体分泌的褪黑激素明显增多，造成甲状腺素、肾上腺素等能振奋情绪的荷尔蒙分泌减少，于是人体细胞活泼性降低，新陈代谢减慢，人的情绪也就抑郁消沉下来，诱发悲秋与冬愁，如何调节人们生活光线环境一直是探索的方向。
技术实现要素：
为克服现有技术所存在的缺陷，本发明提供具备色彩情绪调节的手机投影技术，能够解决上述技术问题。
本发明通过以下技术方案来实现上述目的：
具备色彩情绪调节的手机投影技术，按照下述步骤依次进行：
步骤一：使用者佩戴好智能手环，然后通过智能手机控制投影装置将带有颜色的光束投影到被采样者工作或生活所在区域，然后通过调整投影装置上的色谱控制模块来调节所投影出的光束颜色，通过智能手环采集使用者的动作状态数据和心率数据；
步骤二：根据操作者的年龄、性别、学历、职业建立一级静态特征标签库，用于表征整体人群中对应画像人群的习惯属性特征，然后根据步骤一采集到的加速度数据和心率数据以及心率变异率作为动态特征建立耳机动态特征标签库。
步骤三：选用小波变换阈值法对步骤一的采集过程中电路因为使用者抽动而产生的电磁干扰(即高频噪声)进行去噪；
步骤四：采用小波包分解、差分算法分别从压力的三方向(左右、前后、垂直)提取频域时域特征，用svm进行识别，其中时域特征提取是指将去噪后的作用力中的垂直力曲线用一阶差分法检测前后、垂直方向曲线的波峰点和波谷点，作为作用力曲线的关键点，将垂直方向曲线的波谷点作为作用力曲线的参考点，以垂直方向曲线的关键点的力值及力值出现的时相、相邻关键点作用力变化率和冲量和对应的前后方向曲线上的关键点处的力值、驱动冲量(力-时间曲线上居于0点以上的力与时间的积分)和制动冲量(力-时间曲线上居于0点以下的力与时间的积分)，而频域特征提取是将作用力先按垂直力曲线上的参考点将作用力自动波形对齐，以提高频域特征对比性和分类能力：先用线性插值算法将作用力维数归一化到同一值，通过一阶差分算法搜索出归一化后作用力垂直方向力曲线上的波谷点，将波谷点作为参考点进行参照，用线性插值法将作用力中的左右、前后和垂直方向曲线波形对齐；将去噪后的作用力中的垂直力曲线用一阶差分算法检测出垂直方向的波谷点，作为作用力曲线的参考点；以参考点为基准，用线性插值法对作用力进行波形对齐，得到对齐后的作用力；再用l层小波包分解算法从作用力中提取出；
步骤五：根据模糊c均值法从步骤四提取的动作频域特征的多个小波包中挑选最小最优小波包集合，再用模糊c均值法基于模糊隶属度排序从挑选出的集合中挑选最小最优小波包分解系数，得到最小最优动作频域特征子集，再与动作时域特征组合，得到融合后的动作特征集，之后采用svm进行动作识别，采用非线性映射径向基核函数将线性不可分的低维空间映射到线性可分的高维空间。先训练分类器，再用分类器识别动作样本。假设动作数据库中已经注册了个人n类动作样本，将样本输入分类器训练，根据输入值判定是1～n中哪一类，如果超出1～n范围，则新注册类别n+1类，然后重新更新分类器；
步骤六：去除掉智能手机在投影过程中因抖动、电磁干扰的因素而产生的噪音，并使用分层分级降维建模，利用所述加速度传感器的输出数据，并利用中值滤波判断人体运动类型，分层判断人体是否静止运动、运动部位、类型，分级抽样判断主要特征、全面验证重点特征的影响，进而判断翻身、推动、起床等睡眠等特征，建模时，首先通过加速度计输出合成幅值，处于给定的上下阈值之间，则判定人体静止；反之，则判定人运动，所述加速度计输出合成幅值为：
所述上下阈值分别为：thamin＝8m/s，thamax＝11m/s，第一条件为：
如果第一条件判断为静止，则不进行第二、第三条件的判断，加速度计输出的局部方差，低于给定的阈值，则判定该身体局部静止；反之，则判定该身体局部运动，所述第二条件计算公式为：
其中，thσa＝0.5，如果第二条件判断为该身体局部静止，则不进行第三条件的判断，反之，所述第三条件计算公式为：
步骤七：对特征融合建模，评估摄像头的光线传感器获得的光线值等级、运动类型、用户设置的重要类型获得光感质量用户5分评价体系，通过有监督分类算法-以历史最佳数据为监督因子对比，建立主观感受与环境参数自适应投影调节模型；
步骤八：建立整体人群对应投影画像模型深度互学模式识别，对降维后加速度、心率变异率值进行分期，根据数据库中已经注册了n类样本，将样本输入分类器训练，根据输入值判定是(1，n)中哪一类，如果超出(1，n)范围，则新注册类别n+1类，然后重新更新分类器，通过加速度信号向量模svma、角速度信号向量模svmw，建立和自适应完善的识别模型，对所述运动状态及工作状态生活状态进行细分，获得运动细分环节，环境参数、体征识别类型生活装填质量得分输入，使用通过有监督分类算法，以环境参数作为输入层，以生活装填评分作为输出层。通过与上一次环境参数输入形成的模型(历史最佳生活状态的环境参数)作为对比，个体生活状态好坏作为训练监督因子，更好为1，更差为0，工作信号的正向传播。
步骤九：不断重复上述采样次数，随着采样样本量的增加svm分类器能够自适应不断优化完善每次输入新的样本，根据交叉验证法原理，计算svm分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化参数，不断完善操作者个体特征信息、环境以及投影设备之间的交互投影过程，实现智能手机投影对使用者个性化模型的自适应完善，让智能手机提供使用者更加舒适的投影环境。
在本实施例中，所述步骤一的智能手环内设置有心率检测装置、加速度感应单元和通讯模块。
在本实施例中，所述步骤六中的运动状态的抽样计算公式为
在本实施例中，所述步骤六中的提取特征参数的原始运动向量组(f1，f2，…，fm)，m小于9，提取矩阵为：
在本实施例中，所述步骤一中的智能手机通过蓝牙连接投影装置。
在本实施例中，所述步骤一中的色谱控制模块通过调节所产生光束的频率来调节产生不同的颜色。
在本实施例中，所述步骤一中的智能手环内置加速度采集单元，所述加速度单元采用mems微机电系统，关键部分是一种悬臂构造的中间电容板，当速度变化或加速度达到足够大时，它所受的惯性力超过固定或支撑他的力，这时它就会移动，跟上下电容板之间的距离就会变化，上下电容就会因此变化
本发明的有益效果是：
本发明通过智能手环采集使用者的动作、心率，通过智能投影手机进行色彩光线投影，自适应改善学习、工作的环境，结合不同波长光线、季节、个人体征情况，通过整体人群中对应画像模型预测每个人最适合的色彩情绪调节模型，根据引起的心率和动作变化建立的个体情绪效果评价模型，进行有监督的学习，从而建立最适合个体的色彩情绪手机投影模型，根据遗传算法不断修正。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步说明：
具备色彩情绪调节的手机投影技术，按照下述步骤依次进行：
步骤一：使用者佩戴好智能手环，然后通过智能手机控制投影装置将带有颜色的光束投影到被采样者工作或生活所在区域，然后通过调整投影装置上的色谱控制模块来调节所投影出的光束颜色，通过智能手环采集使用者的动作状态数据和心率数据；
步骤二：根据操作者的年龄、性别、学历、职业建立一级静态特征标签库，用于表征整体人群中对应画像人群的习惯属性特征，然后根据步骤一采集到的加速度数据和心率数据以及心率变异率作为动态特征建立耳机动态特征标签库。
步骤三：选用小波变换阈值法对步骤一的采集过程中电路因为使用者抽动而产生的电磁干扰(即高频噪声)进行去噪；
步骤四：采用小波包分解、差分算法分别从压力的三方向(左右、前后、垂直)提取频域时域特征，用svm进行识别，其中时域特征提取是指将去噪后的作用力中的垂直力曲线用一阶差分法检测前后、垂直方向曲线的波峰点和波谷点，作为作用力曲线的关键点，将垂直方向曲线的波谷点作为作用力曲线的参考点，以垂直方向曲线的关键点的力值及力值出现的时相、相邻关键点作用力变化率和冲量和对应的前后方向曲线上的关键点处的力值、驱动冲量(力-时间曲线上居于0点以上的力与时间的积分)和制动冲量(力-时间曲线上居于0点以下的力与时间的积分)，而频域特征提取是将作用力先按垂直力曲线上的参考点将作用力自动波形对齐，以提高频域特征对比性和分类能力：先用线性插值算法将作用力维数归一化到同一值，通过一阶差分算法搜索出归一化后作用力垂直方向力曲线上的波谷点，将波谷点作为参考点进行参照，用线性插值法将作用力中的左右、前后和垂直方向曲线波形对齐；将去噪后的作用力中的垂直力曲线用一阶差分算法检测出垂直方向的波谷点，作为作用力曲线的参考点；以参考点为基准，用线性插值法对作用力进行波形对齐，得到对齐后的作用力；再用l层小波包分解算法从作用力中提取出；
步骤五：根据模糊c均值法从步骤四提取的动作频域特征的多个小波包中挑选最小最优小波包集合，再用模糊c均值法基于模糊隶属度排序从挑选出的集合中挑选最小最优小波包分解系数，得到最小最优动作频域特征子集，再与动作时域特征组合，得到融合后的动作特征集，之后采用svm进行动作识别，采用非线性映射径向基核函数将线性不可分的低维空间映射到线性可分的高维空间。先训练分类器，再用分类器识别动作样本。假设动作数据库中已经注册了个人n类动作样本，将样本输入分类器训练，根据输入值判定是1～n中哪一类，如果超出1～n范围，则新注册类别n+1类，然后重新更新分类器；
步骤六：去除掉智能手机在投影过程中因抖动、电磁干扰的因素而产生的噪音，并使用分层分级降维建模，利用所述加速度传感器的输出数据，并利用中值滤波判断人体运动类型，分层判断人体是否静止运动、运动部位、类型，分级抽样判断主要特征、全面验证重点特征的影响，进而判断翻身、推动、起床等睡眠等特征，建模时，首先通过加速度计输出合成幅值，处于给定的上下阈值之间，则判定人体静止；反之，则判定人运动，所述加速度计输出合成幅值为：
所述上下阈值分别为：thamin＝8m/s，thamax＝11m/s，第一条件为：
如果第一条件判断为静止，则不进行第二、第三条件的判断，加速度计输出的局部方差，低于给定的阈值，则判定该身体局部静止；反之，则判定该身体局部运动，所述第二条件计算公式为：
其中，thσa＝0.5，如果第二条件判断为该身体局部静止，则不进行第三条件的判断，反之，所述第三条件计算公式为：
步骤七：对特征融合建模，评估摄像头的光线传感器获得的光线值等级、运动类型、用户设置的重要类型获得光感质量用户5分评价体系，通过有监督分类算法-以历史最佳数据为监督因子对比，建立主观感受与环境参数自适应投影调节模型；
步骤八：建立整体人群对应投影画像模型深度互学模式识别，对降维后加速度、心率变异率值进行分期，根据数据库中已经注册了n类样本，将样本输入分类器训练，根据输入值判定是(1，n)中哪一类，如果超出(1，n)范围，则新注册类别n+1类，然后重新更新分类器，通过加速度信号向量模svma、角速度信号向量模svmw，建立和自适应完善的识别模型，对所述运动状态及工作状态生活状态进行细分，获得运动细分环节，环境参数、体征识别类型生活装填质量得分输入，使用通过有监督分类算法，以环境参数作为输入层，以生活装填评分作为输出层。通过与上一次环境参数输入形成的模型(历史最佳生活状态的环境参数)作为对比，个体生活状态好坏作为训练监督因子，更好为1，更差为0，工作信号的正向传播。
步骤九：不断重复上述采样次数，随着采样样本量的增加svm分类器能够自适应不断优化完善每次输入新的样本，根据交叉验证法原理，计算svm分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化参数，不断完善操作者个体特征信息、环境以及投影设备之间的交互投影过程，实现智能手机投影对使用者个性化模型的自适应完善，让智能手机提供使用者更加舒适的投影环境。
在本实施例中，所述步骤一的智能手环内设置有心率检测装置、加速度感应单元和通讯模块。
在本实施例中，所述步骤六中的运动状态的抽样计算公式为
在本实施例中，所述步骤六中的提取特征参数的原始运动向量组(f1，f2，…，fm)，m小于9，提取矩阵为：
在本实施例中，所述步骤一中的智能手机通过蓝牙连接投影装置。
在本实施例中，所述步骤一中的色谱控制模块通过调节所产生光束的频率来调节产生不同的颜色。
在本实施例中，所述步骤一中的智能手环内置加速度采集单元，所述加速度单元采用mems微机电系统，关键部分是一种悬臂构造的中间电容板，当速度变化或加速度达到足够大时，它所受的惯性力超过固定或支撑他的力，这时它就会移动，跟上下电容板之间的距离就会变化，上下电容就会因此变化。
最后所应说明的是：以上实施例仅用以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应该理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。
- 还没有人留言评论。精彩留言会获得点赞！