CN105832348A

CN105832348A - 一种智能感知毛毯

Info

Publication number: CN105832348A
Application number: CN201610162456.7A
Authority: CN
Inventors: 胡奕清
Original assignee: Ningbo Yuanding Electronic Technology Co Ltd
Current assignee: Ningbo Yuanding Electronic Technology Co Ltd
Priority date: 2016-03-22
Filing date: 2016-03-22
Publication date: 2016-08-10

Abstract

本发明公开了一种智能感知毛毯，包括中央处理器及与中央处理器无线连接的情绪感知模块、脑电波感知模块、体温感知模块、坐姿感知模块；情绪感知模块根据分析得到的目标情绪生理响应特征及其组合确定感知情绪的种类；脑电波感知模块包括多个脑电波传感器、脑电波处理单元、电源管理模块、脑电波助眠单元；体温感知模块内置有非接触式红外温度传感器；坐姿感知模块内置加速度计、张力传感器。本发明通过情绪感知模块、脑电波感知模块、体温感知模块感知乘客情绪、脑电波信号、体温，调整机舱内的环境，通过坐姿感知模块感知乘客坐姿，并自动调节座椅姿势，使得长途飞机旅行的乘客有更舒适的乘机体验。

Description

一种智能感知毛毯

技术领域

本发明属于智能设备领域，尤其涉及一种智能感知毛毯。

背景技术

时差很恼人，它打乱了原有的生物钟，让人不得安宁。飞机上的环境并不舒适，空间也比较狭小，航空公司很难根据乘客的身体状况来调整机内的环境，提供舒适的体验。

发明内容

本发明的目的在于提供一种智能感知毛毯，旨在解决航空公司很难根据乘客的身体状况来调整机内的环境的问题。

本发明是这样实现的，一种智能感知毛毯，所述的智能感知毛毯包括中央处理器及与所述的中央处理器无线连接的情绪感知模块、脑电波感知模块、体温感知模块、坐姿感知模块；

所述的情绪感知模块用于感知和采集被测对象的情绪信息，且处理分析所述情绪信息以产生情绪紧张值，进而根据所述情绪紧张值以产生控制拍录模块拍录的开启控制信号；

所述的情绪感知模块还包括通信模块和信号处理模块，该通信模块与所述情绪感知模块相连，用于将所述开启控制信号发送至所述拍录模块；以及所述拍录模块，与所述通信模块相连，用于根据所述开启控制信号进行拍录；

所述的信号处理模块用于将获取的目标情绪反应的生理响应信号进行情绪生理响应特征分析，从生理响应信号中分析出反应目标情绪变化的生理信号重要特征及其组合，根据分析得到的目标情绪生理响应特征及其组合确定感知情绪的种类，包括挫败、兴奋、厌烦、紧张；

所述的紧张情绪的紧张值T＝k1×E1(HRV)+k×E(P)+k×E(R)，其中，

k₁+k₂+k₃＝1；

E₂(P)＝(P(t)-P(t-1))/P₀，0<E2(P)<1；

E₃(R)＝(A–R(t))/A，0<E₃(R)<1；

HRV、P和R分别代表心率变化值、血压值和表皮导电阻值，k₁，k₂，k₃为加权系数，分别体现心率变化、血压和表皮导电性对情绪紧张程度度量值的贡献，E₁(HRV)为根据心率变化计算出的情绪紧张程度，E₂(P)为根据血压变化计算出的情绪紧张程度，_E3(R)为根据皮肤导电性变化计算出的情绪紧张程度，t为当前时刻，t-1为当前时刻的前一时刻，t-2为当前时刻的前两时刻，为t-2时刻、t-1时刻与当前时刻的心率变化值之和，HRV(t-2)为t-2时刻的心率变化值，HRV(t-1)为t-1时刻的心率变化值，HRV(t)为当前时刻的心率变化值，H0为被测对象正常情绪状态下的心率值，P(t)为当前时刻的血压值，P(t-1)为t-1时刻的血压值，P0为被测对象在正常情绪状态下的血压值，A为被测对象预先测量的皮肤电阻参考值，R(t)为当前时刻皮肤电阻值；

所述的脑电波感知模块包括：

脑电信号分类识别模块，用于对脑电信号进行分类和识别；

多个脑电波传感器，配置来在使用时检测佩戴所述脑电波检测装置的用户的脑电波，并产生脑电波信号；

脑电波处理单元，用于将采集到的模拟脑电波信号进行放大和滤波处理得到0.5Hz-100Hz范围内的包括α波、β波、θ波和δ波的模拟脑电波信号；将模拟脑电波信号进行模数转换成数字脑电波信号后进行傅里叶变换分别得到α波、β波、θ波和δ波的傅里叶谱，将信号从空间域变换至频率域；对包括α波、β波、θ波和δ波的数字脑电波信号进行凯泽窗处理，经幅值分析、时间域分析和频率域分析得到脑电波信号的各项指标参数；

电源管理模块，配置来与所述多个脑电波传感器连接，并且检测来自所述多个脑电波传感器的脑电波信号；

脑电波助眠单元，包括枕头、枕头内的电场发生线圈、电源装置，枕头内置有振动传感器、脉冲放大转换电路、时钟发生电路、分频电路、频率控制电路、正弦波滤波器、脑电波滤波器、选择开关、驱动放大电路；所述的振动传感器将失眠患者辗转反侧运动转换成的电子脉冲输入到与之连接的脉冲放大转换电路一端，经其转换成控制信号后从另一端输入到与之连接的时钟发生电路；时钟发生电路一方面将标准秒脉冲信号输入到与之连接的分频电路一端，经分频电路另一端将分频出的浅睡眠和深睡眠脑电波振荡频率为0.4—9Hz的等宽脉冲信号输入到与之互连的频率控制电路；

所述的体温感知模块内置有非接触式红外温度传感器，该非接触式红外温度传感器分别与温差热电堆放大电路以及温度补偿及放大电路相连，温差热电堆放大电路以及温度补偿及放大电路相连分别连接到AD转换电路，所述的AD转换电路为一个多路AD转换电路，AD转换电路与主控电路相连，主控电路与显示电路以及报警电路相连；所述的非接触式红外温度传感器采用热电堆红外温度传感器实现对体温信号和环境温度信号即温差热电堆微弱的电压信号和电热调节器的热敏电阻信号的非接触检测；

所述的坐姿感知模块包括坐姿矫正器本体，在坐姿矫正器本体中安装有加速度计、张力传感器；

所述的脑电波助眠单元还将输出定时信号来控制与之连接的频率控制电路按设定的时间顺序定时工作，使频率控制电路将从分频电路输入的全部等宽脉冲信号转换为以每若干分钟为间隔，从浅睡眠脑电波振荡频率点9Hz开始，逐步降低频率到4Hz，并自动过渡到深睡眠脑电波振荡频率4Hz开始，逐步降低频率到0.4Hz的等宽脉冲信号输出，时钟发生电路还受脉冲放大转换电路发出的控制信号的触发控制，每触发一次就延长已设定的时间顺序的定时点延长若干分钟，从而使其控制的频率控制电路在该浅睡眠或深睡眠信号频点设定的工作时间延长若干分钟；

所述体温感知模块内置有体温校准模块，该体温校准模块包括红外体温监测设备、校准数据处理中心、测温设备、环境参数监测设备、环境参数监测***、红外体温监测***；其中

(1)测温设备，用于采集耳道或者体表温度数据T0，并传输至校准数据处理中心；

(2)环境参数监测设备：用于采集环境相关信息，并将环境信息转化成电信号，传输至环境参数监测***；

(3)环境参数监测***，接收到采集到的电信号以后，通过数据处理，并换算成环境参数数据，并传输至校准数据处理中心；

(4)红外体表温度监测设备，用于采集步骤(1)中相同个体的体表红外信息，并将红外信息转化成电信号，传输至红外体温监测***；

(5)红外体温监测***，用于接收到红外体表温度监测设备传输过来的电信号，将电信号进行数据处理，换算成体表温度Ty传入校准数据处理中心；

(6)校准数据处理中心，用于将收集到的耳道温度或体表温度、环境参数、红外体表温度进行数据分析和处理，建立环境参数-体表温度-体温的校准参数曲线，将该曲线发送给中央处理器。

进一步，所述脑电信号分类识别模块的脑电信号分类识别方法具体步骤为：

步骤一，选取主试和次试，对5位实验者对应的EEG信号依次编号为EEG_data_al、EEG_data_aa、EEG_data_av、EEG_data_ay、EEG_data_aw，选定al实验者为主要被试，其他四位实验者为次要被试；

步骤二，频域滤波，使用一个8～30Hz的带通滤波器，对采集的脑电数据进行滤波预处理，且此频率段有明显的ERD/ERS生理现象；

步骤三，选取训练样本，对信号滤波之后，从主要实验者al的A类和B类EEG信号中分别选取11个EEG信号作为训练样本，然后从其他4位次要实验者的A类和B类EEG信号中分别选取10个EEG信号作为训练样本，则所有次试者的A类和B类训练样本总数均为40个；

步骤四，分别求出主试者的A类和B类训练样本的协方差矩阵之和RA与RB，所有次试者A类和B类训练样本的协方差矩阵之和与

R_{A} = Σ_{i = 1}^{10} \frac{X_{A i} {X_{A i}}^{T}}{t r (X_{A i} {X_{A i}}^{T})}

R_{B} = Σ_{i = 1}^{10} \frac{X_{B i} {X_{B i}}^{T}}{t r (X_{B i} {X_{B i}}^{T})}

其中，X_Ai(i＝1，2...10)表示主试者第i次想象左手运动的EEG信号，X_Bi(i＝1，2...10)表示主试者第i次想象右手运动的EEG信号，X_(i,A) ^T表示X(i，A)的转置，tr(X_(i,A)X_(i,A) ^T)表示矩阵X_(i,A)X_(i,A) ^T的迹，

{\hat{R}}_{A} = Σ_{i = 1}^{40} \frac{{\hat{X}}_{A i} {\hat{X}}_{A i}^{T}}{t r ({\hat{X}}_{A i} {\hat{X}}_{A i}^{T})}

{\hat{R}}_{B} = Σ_{i = 1}^{40} \frac{{\hat{X}}_{B i} {\hat{X}}_{B i}^{T}}{t r ({\hat{X}}_{B i} {\hat{X}}_{B i}^{T})}

其中，表示次试者第i次想象左手运动的EEG信号，表示次试者第i次想象右手运动的EEG信号；

步骤五，求正则化协方差矩阵

引入正则化参数α和β，取值范围为α∈[0,1]和β∈[0,1]，α分别取0，0.001，0.01，0.1，0.2；β分别取0，0.01，0.1，0.2，0.4,0.6，在正则化参数的作用下，将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合，构造两类平均正则化协方差矩阵，公式如下所示：

Z_{A} (α, β) = (1 - α) \frac{(1 - β) \cdot R_{A} + β \cdot {\hat{R}}_{A}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m} + \frac{α}{N} t r [\frac{(1 - β) \cdot R_{A} + β \cdot {\hat{R}}_{A}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m}] \cdot I

Z_{B} (α, β) = (1 - α) \frac{(1 - β) \cdot R_{B} + β \cdot {\hat{R}}_{B}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m} + \frac{α}{N} t r [\frac{(1 - β) \cdot R_{B} + β \cdot {\hat{R}}_{B}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m}] \cdot I

其中，表示的迹，I为N×N的单位矩阵，N为通道采集数；

步骤六，将步骤五中的两类平均正则化协方差矩阵求和并进行特征值分解，求解正则白化矩阵，如下所示：

Z (α, β) = Z_{A} (α, β) + Z_{B} (α, β) = \hat{U} \cdot \hat{Λ} \cdot {\hat{U}}^{T}

其中，为特征值对角矩阵，为对应的特征向量矩阵，则正则白化矩阵为：

P = {\hat{Λ}}^{(- \frac{1}{2})} \cdot {\hat{U}}^{T}

步骤七，对步骤六中所得的Z_A(α,β)和Z_B(α,β)进行如下转换：

{\overset{&OverBar;}{Z}}_{A} (α, β) = P \cdot Z_{A} (α, β) \cdot P^{T} = U_{A} \cdot Λ_{A} \cdot {U_{A}}^{T}

{\overset{&OverBar;}{Z}}_{B} (α, β) = P \cdot Z_{B} (α, β) \cdot P^{T} = U_{B} \cdot Λ_{B} \cdot {U_{B}}^{T}

其中，Λ_A和Λ_B为特征值对角矩阵，UA和UB为对应的特征向量矩阵，选取对角阵Λ_A、Λ_B中最大特征值对应的特征向量，构造空间滤波器如下：

W_A＝U_A ^T·P

W_B＝U_B ^T·P

步骤八，将训练样本的两类EEG信号X_A和X_B经过相应的滤波器W_A、W_B有：

F_A＝W_A ^T·X_A

F_B＝W_B ^T·X_B

步骤九，对步骤八中经过正则化共同空间模式过滤的脑电信号计算功率谱密度，求取频率在8～15Hz的功率谱密度值，利用构造学习字典B＝[F_A F_B]；

步骤十，在主试者的训练样本中依次选取一组数据作为测试样本y，按以上步骤进行滤波，投影，保留处理后的测试样本数据；

步骤十一，按下式求解测试样本的稀疏表示向量：

\begin{matrix} {\hat{x}}_{1} = m i n | | x | |_{1} & s u b j e c t t o & | | \hat{y} - \hat{B} x | |_{2} \leq ϵ \end{matrix}

其中x为待求解的测试运动想象样本的稀疏表示向量，y待求解的测试运动想象样本数据，为ε为误差阈值；

步骤十二，针对每一次运动想象i，根据测试样本的稀疏表示向量计算残差

r_{i} (\hat{y}) = | | \hat{y} - {BT}_{i} ({\hat{x}}_{i}) | |

其中是由稀疏表示向量得到的新向量，在该向量中，第i类运动想象所对应的元素项与稀疏表示向量中相应的元素项相同，其他元素项均为零；

步骤十三，用残差最小的类别作为最终的运动想象类别的识别结果：

是测试样本数据。

进一步，所述无线通信模块的通信方法包括发射n路源信号、接收端接收混叠信号、分离***分离多路混叠信号；

所述的发射n路源信号是指n路源信号经信道混合后，混合***称为A，在发送端由n根天线在空间发射；

所述的接收端接收混叠信号是指接收端利用m(m≥n＞1)根天线把混叠信号接收下来，接收信号被称为观测信号，接收端先进行观测信号的预处理，预处理包含两部分，即中心化处理和球面化处理；

所述的分离***分离多路混叠信号是指分离***W会根据各路源信号信息熵值的不同在熵域分离该多路混叠信号，其中信息熵值的判据采用负熵；

其中，负熵近似计算的表达式如下：

其中，k_j为一些正常数，M为具有零均值、单位方差的高斯变量，函数G_j为非二次函数；

当所有的G_j＝G时，近似式成为：

J_G(x)≈C[E{G(x)}-E{G(M)}]² (式2)

其中，G是任意非二次函数，C是一个常数；

然后采用上述公式进行负熵的计算，根据各路信号负熵值的差异即可把各路信号提取出来，实现信道的多路复用。

进一步，所述的分离***分离多路混叠信号由于采用多路天线发射和多路天线接收的多输入多输出技术,MIMO-EDM无线通信***随着收发天线数目的增加，极限信道容量也会随之线性地增加，MIMO-EDM无线通信***极限容量的计算过程如下：

利用Laguerre多项式计算可以得到：

其中，m＝min(N_t,N_r)

n＝max(N_t,N_r)

为次数为k的Laguerre多项式

如果令λ＝n/m，可以推导出如下归一化后的信道容量表示式；

其中，

v_{2} = {(\sqrt{τ} + 1)}^{2}

在快速瑞利衰落的情况下，令m＝n＝N_t＝N_r，则v₁＝0，v₂＝4；

渐进信道容量为：

利用不等式：

log₂(1+x)≥log₂(x) (式6)

式(5)简化为：

本发明通过情绪感知模块、脑电波感知模块、体温感知模块感知乘客情绪、脑电波信号、体温，进而调整机舱内的的环境，提供舒适的体验，通过坐姿感知模块感知乘客坐姿，并自动调节座椅姿势，使得长途飞机旅行的乘客有更舒适的乘机体验。本发明通过运用R-传统共同空间模式(CSP)算法对运动想象脑电信号进行特征提取，实现了降维，有效的降低了在运用基于信号的稀疏表示的脑电信号分类方法SRC对运动想象脑电信号识别时的计算复杂度，R-传统共同空间模式(CSP)算法是利用代数上矩阵同时对角化的理论，寻找一组空间滤波器，使得在这组滤波器的作用下，一类信号的方差达到极大，另一类信号是方差达到极小，从而达到分类的目的，R-传统共同空间模式(CSP)通过引入正则化参数α和β，将多位实验者的训练数据加权相加结合，有效的避免了小训练样本特征提取不稳定的弊端，减少了数据的个体差异性，充分利用了其他被试者的实验数据。本发明方法简单，操作方便较好的解决了现有的脑电信号特征提取存在的构建特征向量的特征值稳定性低，区分度比较差，识别分类存在的得到的特征向量很难具有线性可分性，对分类造成很大困扰，引起识别率降低的问题。本发明实现了信道的多路复，具有更大的信道容量和更高的频谱利用效率，从而可以实现高速率、高质量的宽带无线通信。

附图说明

图1是本发明实施例提供的智能感知毛毯的内部***组成图；

图中：1、中央处理器；2、情绪感知模块；3、脑电波感知模块3-1、脑电波传感器；3-2、脑电波处理单元；3-3、电源管理模块；3-4、脑电波助眠单元；4、体温感知模块；5、坐姿感知模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

如图1所示，本发明是这样实现的，一种智能感知毛毯包括中央处理器1及与所述的中央处理器1无线连接的情绪感知模块2、脑电波感知模块3、体温感知模块4、坐姿感知模块5；

所述的情绪感知模块2用于感知和采集被测对象的情绪信息，且处理分析所述情绪信息以产生情绪紧张值，进而根据所述情绪紧张值以产生控制拍录模块拍录的开启控制信号；

所述的情绪感知模块2还包括通信模块和信号处理模块，该通信模块与所述情绪感知模块相连，用于将所述开启控制信号发送至所述拍录模块；以及所述拍录模块，与所述通信模块相连，用于根据所述开启控制信号进行拍录；

所述的紧张情绪的紧张值T＝k1×E1(HRV)+k×E(P)+k×E(R)，其中，

k₁+k₂+k₃＝1；

E₂(P)＝(P(t)-P(t-1))/P₀，0<E2(P)<1；

E₃(R)＝(A–R(t))/A，0<E₃(R)<1；

所述的脑电波感知模块3包括：

脑电信号分类识别模块，用于对脑电信号进行分类和识别；

多个脑电波传感器3-1，配置来在使用时检测佩戴所述脑电波检测装置的用户的脑电波，并产生脑电波信号；

脑电波处理单元3-2，用于：将采集到的模拟脑电波信号进行放大和滤波处理得到0.5Hz-100Hz范围内的包括α波、β波、θ波和δ波的模拟脑电波信号；将模拟脑电波信号进行模数转换成数字脑电波信号后进行傅里叶变换分别得到α波、β波、θ波和δ波的傅里叶谱，将信号从空间域变换至频率域；对包括α波、β波、θ波和δ波的数字脑电波信号进行凯泽窗处理,经幅值分析、时间域分析和频率域分析得到脑电波信号的各项指标参数；

电源管理模块3-3，配置来与所述多个脑电波传感器连接，并且检测来自所述多个脑电波传感器的脑电波信号；

脑电波助眠单元3-4，包括枕头、枕头内的电场发生线圈、电源装置，枕头内置有振动传感器、脉冲放大转换电路、时钟发生电路、分频电路、频率控制电路、正弦波滤波器、脑电波滤波器、选择开关、驱动放大电路；所述的振动传感器将失眠患者辗转反侧运动转换成的电子脉冲输入到与之连接的脉冲放大转换电路一端，经其转换成控制信号后从另一端输入到与之连接的时钟发生电路；时钟发生电路一方面将标准秒脉冲信号输入到与之连接的分频电路一端，经分频电路另一端将分频出的浅睡眠和深睡眠脑电波振荡频率为0.4—9Hz的等宽脉冲信号输入到与之互连的频率控制电路；

所述的体温感知模块4内置有非接触式红外温度传感器，该非接触式红外温度传感器分别与温差热电堆放大电路以及温度补偿及放大电路相连，温差热电堆放大电路以及温度补偿及放大电路相连分别连接到AD转换电路，所述的AD转换电路为一个多路AD转换电路，AD转换电路与主控电路相连，主控电路与显示电路以及报警电路相连；所述的非接触式红外温度传感器采用热电堆红外温度传感器实现对体温信号和环境温度信号即温差热电堆微弱的电压信号和电热调节器的热敏电阻信号的非接触检测；

所述的坐姿感知模块5包括坐姿矫正器本体，在坐姿矫正器本体中安装有加速度计、张力传感器；

所述的张力传感器包括测力杆、条状陶瓷片以及陶瓷固定座、张力信号处理模块；所述条状陶瓷片正面粘接测力杆，背面粘接弹性体陶瓷固定座；所述条状陶瓷片作为从陶瓷固定座到测力杆之间的力矩；

所述的张力信号处理装置与所述的侧力杆和所述的条状陶瓷片连接，该张力信号处理装置包括两组张力应变片和压缩应变片组成的张力感应组件、内置信号处理器、两根测张辊、三根张力辊以及传感器安装座，所述传感器安装座上并排布置三根张力辊，在两两相邻的张力辊之间设有测张辊，三根张力辊所在直线与两根测张辊所在直线平行，所述测张辊上安装张力感应组件；

所述条状陶瓷片为一力敏弹性体，该力敏弹性体正反面各设置两个应变电阻，同时通过力敏弹性体上设置的通孔将这四个应变电阻互联形成一个惠斯顿电桥；并通过激光修调***将惠斯顿电桥调至零位；所述测力杆感知张力信号后，通过使力敏弹性体产生微量形变，从而使得整个张力传感器通过电桥输出与张力信号精密线性相关的毫伏级线性电压。

进一步，所述的脑电波助眠单元3-4还将输出定时信号来控制与之连接的频率控制电路按设定的时间顺序定时工作，使频率控制电路将从分频电路输入的全部等宽脉冲信号转换为以每若干分钟为间隔，从浅睡眠脑电波振荡频率点9Hz开始，逐步降低频率到4Hz，并自动过渡到深睡眠脑电波振荡频率4Hz开始，逐步降低频率到0.4Hz的等宽脉冲信号输出，时钟发生电路还受脉冲放大转换电路发出的控制信号的触发控制，每触发一次就延长已设定的时间顺序的定时点延长若干分钟，从而使其控制的频率控制电路在该浅睡眠或深睡眠信号频点设定的工作时间延长若干分钟，从而使其控制的频率控制电路在该浅睡眠或深睡眠信号频点设定的工作时间延长若干分钟；频率控制电路一边将定时的、逐渐变化振荡频率的浅、深睡眠脑电波等宽脉冲信号输入到与之连接的选择开关一端，由选择开关决定连接正弦波滤波器还是脑电波滤波器，一边在引导失眠患者安然入睡后，发出关机信号给与之连接的电源装置控制端关闭电源关机；所述的正弦波滤波器或脑电波滤波器的另一端将滤波出的正弦波或模拟人类脑电波状信号输入到与之连接的驱动放大电路一端，驱动放大电路放大后从另一端输入到与之连接的电场发生线圈，驱动电场发生线圈形成模拟人类从浅睡眠脑电波到深睡眠脑电波的生物电场，从而达到无需药物治疗，就能使失眠患者摆脱失眠进入深沉睡眠的目的。

进一步，所述的体温感知模块4内置有体温校准模块，该体温校准模块包括红外体温监测设备、校准数据处理中心、测温设备、环境参数监测设备、环境参数监测***、红外体温监测***；其中

R_{A} = Σ_{i = 1}^{10} \frac{X_{A i} {X_{A i}}^{T}}{t r (X_{A i} {X_{A i}}^{T})}

R_{B} = Σ_{i = 1}^{10} \frac{X_{B i} {X_{B i}}^{T}}{t r (X_{B i} {X_{B i}}^{T})}

{\hat{R}}_{A} = Σ_{i = 1}^{40} \frac{{\hat{X}}_{A i} {\hat{X}}_{A i}^{T}}{t r ({\hat{X}}_{A i} {\hat{X}}_{A i}^{T})}

{\hat{R}}_{B} = Σ_{i = 1}^{40} \frac{{\hat{X}}_{B i} {\hat{X}}_{B i}^{T}}{t r ({\hat{X}}_{B i} {\hat{X}}_{B i}^{T})}

步骤五，求正则化协方差矩阵

Z_{A} (α, β) = (1 - α) \frac{(1 - β) \cdot R_{A} + β \cdot {\hat{R}}_{A}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m} + \frac{α}{N} t r [\frac{(1 - β) \cdot R_{A} + β \cdot {\hat{R}}_{A}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m}] \cdot I

Z_{B} (α, β) = (1 - α) \frac{(1 - β) \cdot R_{B} + β \cdot {\hat{R}}_{B}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m} + \frac{α}{N} t r [\frac{(1 - β) \cdot R_{B} + β \cdot {\hat{R}}_{B}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m}] \cdot I

其中，表示的迹，I为N×N的单位矩阵，N为通道采集数；

Z (α, β) = Z_{A} (α, β) + Z_{B} (α, β) = \hat{U} \cdot \hat{Λ} \cdot {\hat{U}}^{T}

P = {\hat{Λ}}^{(- \frac{1}{2})} \cdot {\hat{U}}^{T}

{\overset{&OverBar;}{Z}}_{A} (α, β) = P \cdot Z_{A} (α, β) \cdot P^{T} = U_{A} \cdot Λ_{A} \cdot {U_{A}}^{T}

{\overset{&OverBar;}{Z}}_{B} (α, β) = P \cdot Z_{B} (α, β) \cdot P^{T} = U_{B} \cdot Λ_{B} \cdot {U_{B}}^{T}

W_A＝U_A ^T·P

W_B＝U_B ^T·P

F_A＝W_A ^T·X_A

F_B＝W_B ^T·X_B

步骤十一，按下式求解测试样本的稀疏表示向量：

\begin{matrix} {\hat{x}}_{1} = m i n | | x | |_{1} & s u b j e c t t o & | | \hat{y} - \hat{B} x | |_{2} \leq ϵ \end{matrix}

r_{i} (\hat{y}) = | | \hat{y} - {BT}_{i} ({\hat{x}}_{i}) | |

是测试样本数据。

其中，负熵近似计算的表达式如下：

当所有的G_j＝G时，近似式成为：

J_G(x)≈C[E{G(x)}-E{G(M)}]² (式2)

其中，G是任意非二次函数，C是一个常数；

利用Laguerre多项式计算可以得到：

其中，m＝min(N_t,N_r)

n＝max(N_t,N_r)

为次数为k的Laguerre多项式

其中，

v_{2} = {(\sqrt{τ} + 1)}^{2}

渐进信道容量为：

利用不等式：

log₂(1+x)≥log₂(x) (式6)

式(5)简化为：

本发明通过情绪感知模块、脑电波感知模块、体温感知模块感知乘客情绪、脑电波信号、体温，进而调整机舱内的的环境，提供舒适的体验，通过坐姿感知模块感知乘客坐姿，并自动调节座椅姿势，使得长途飞机旅行的乘客有更舒适的乘机体验。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims

1.一种智能感知毛毯，其特征在于，所述的智能感知毛毯包括中央处理器及与所述的中央处理器无线连接的情绪感知模块、脑电波感知模块、体温感知模块、坐姿感知模块；

所述的紧张情绪的紧张值T＝k1×E1(HRV)+k×E(P)+k×E(R)，其中，

k₁+k₂+k₃＝1；

E₂(P)＝(P(t)-P(t-1))/P₀，0<E2(P)<1；

E₃(R)＝(A–R(t))/A，0<E₃(R)<1；

所述的脑电波感知模块包括：

脑电信号分类识别模块，用于对脑电信号进行分类和识别；

2.如权利要求1所述的智能感知毛毯，其特征在于，所述脑电信号分类识别模块的脑电信号分类识别方法具体步骤为：

R_{A} = Σ_{i = 1}^{10} \frac{X_{A i} {X_{A i}}^{T}}{t r (X_{A i} {X_{A i}}^{T})}

R_{B} = Σ_{i = 1}^{10} \frac{X_{B i} {X_{B i}}^{T}}{t r (X_{B i} {X_{B i}}^{T})}

{\hat{R}}_{A} = Σ_{i = 1}^{40} \frac{{\hat{X}}_{A i} {\hat{X}}_{A i}^{T}}{t r ({\hat{X}}_{A i} {\hat{X}}_{A i}^{T})}

{\hat{R}}_{B} = Σ_{i = 1}^{40} \frac{{\hat{X}}_{B i} {\hat{X}}_{B i}^{T}}{t r ({\hat{X}}_{B i} {\hat{X}}_{B i}^{T})}

步骤五，求正则化协方差矩阵

Z_{A} (α, β) = (1 - α) \frac{(1 - β) \cdot R_{A} + β \cdot {\hat{R}}_{A}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m} + \frac{α}{N} t r [\frac{(1 - β) \cdot R_{A} + β \cdot {\hat{R}}_{A}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m}] \cdot I

Z_{B} (α, β) = (1 - α) \frac{(1 - β) \cdot R_{B} + β \cdot {\hat{R}}_{B}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m} + \frac{α}{N} t r [\frac{(1 - β) \cdot R_{B} + β \cdot {\hat{R}}_{B}}{(1 - β) \cdot m + β \cdot (n - 1) \cdot m}] \cdot I

其中，表示的迹，I为N×N的单位矩阵，N为通道采集数；

Z (α, β) = Z_{A} (α, β) + Z_{B} (α, β) = \hat{U} \cdot \hat{Λ} \cdot {\hat{U}}^{T}

P = {\hat{Λ}}^{(- \frac{1}{2})} \cdot {\hat{U}}^{T}

{\overset{&OverBar;}{Z}}_{A} (α, β) = P \cdot Z_{A} (α, β) \cdot P^{T} = U_{A} \cdot Λ_{A} \cdot {U_{A}}^{T}

{\overset{&OverBar;}{Z}}_{B} (α, β) = P \cdot Z_{B} (α, β) \cdot P^{T} = U_{B} \cdot Λ_{B} \cdot {U_{B}}^{T}

W_A＝U_A ^T·P

W_B＝U_B ^T·P

F_A＝W_A ^T·X_A

F_B＝W_B ^T·X_B

步骤十一，按下式求解测试样本的稀疏表示向量：

\begin{matrix} {\hat{x}}_{1} = m i n | | x | |_{1} & s u b j e c t t o & | | \hat{y} - \hat{B} x | |_{2} \leq ϵ \end{matrix}

r_{i} (\hat{y}) = | | \hat{y} - {BT}_{i} ({\hat{x}}_{i}) | |

是测试样本数据。

3.如权利要求1所述的智能感知毛毯，其特征在于，所述无线通信模块的通信方法包括发射n路源信号、接收端接收混叠信号、分离***分离多路混叠信号；

其中，负熵近似计算的表达式如下：

当所有的G_j＝G时，近似式成为：

J_G(x)≈C[E{G(x)}-E{G(M)}]² (式2)

其中，G是任意非二次函数，C是一个常数；

4.如权利要求3所述的智能感知毛毯，其特征在于，所述的分离***分离多路混叠信号由于采用多路天线发射和多路天线接收的多输入多输出技术,MIMO-EDM无线通信***随着收发天线数目的增加，极限信道容量也会随之线性地增加，MIMO-EDM无线通信***极限容量的计算过程如下：

利用Laguerre多项式计算得到：

其中，m＝min(N_t,N_r)

n＝max(N_t,N_r)

为次数为k的Laguerre多项式

如果令λ＝n/m，推导出如下归一化后的信道容量表示式；

其中，

v_{2} = {(\sqrt{τ} + 1)}^{2}

渐进信道容量为：

利用不等式：

log₂(1+x)≥log₂(x) (式6)

式(5)简化为：