1.本技术涉及智能家具技术领域，具体而言涉及一种跨平台智能家居联动系统。
背景技术：
2.家居环境中通常设有家具以及照明设备、温控设备、音响设备、娱乐系统、交互语音系统等居家设备。现有的照明设备、温控设备、音响设备、娱乐系统、交互语音系统之间互不联通，无法根据用户实时生理状况联动调节。
3.为实现智能家居联动，现有技术中通常通过单一的总控模块根据用户触发信号或根据用户预先设置的执行时间而触发各照明设备、温控设备、音响设备、娱乐系统、交互语音系统之间联动切换各自工作状态。但是，这种联动交互方式过于单一，无法实时主动响应客户需求，且操作繁琐。
技术实现要素：
4.本技术针对现有技术的不足，提供一种跨平台智能家居联动系统，本技术在家具扶手或倚靠位置设置内嵌入把套中的设置皮肤电信号和血样饱和度传感器，通过优化的支持向量机和情绪识别算法实时监测用户疲劳状态和情绪状态并相应触发调节家居设备的运行状态。本技术具体采用如下技术方案。
5.首先，为实现上述目的，提出一种跨平台智能家居联动系统跨平台智能家居联动系统，其包括：家具本体，其在扶手或倚靠位置的周向固定设置有把套，所述家具本体还在把套所覆盖的表面设置有若干弹簧针脚；所述把套中嵌入设置有皮肤电传感单元以及血氧传感单元，所述血氧传感单元安装于把套的外周表面，所述皮肤电传感单元安装于把套的内周表面，所述皮肤电传感单元以及血氧传感单元的信号连接线以及供电连接线分别通过所述弹簧针脚连接控制系统，向控制系统输出皮肤电传感单元所采集的皮肤电传感信号以及血氧传感单元所采集的血氧浓度传感信号；按钮，其设置在家具本体的联动模块上，与控制系统通信连接，用于响应于用户的触发而向控制系统反馈确认信号；所述控制系统中设置有：信号状态检测模块，其分别通过所述皮肤电传感单元、所述血氧传感单元的信号连接线，接收皮肤电传感信号以及血氧浓度传感信号，判断各传感信号是否处于有效范围，过滤有效范围外的传感信号；生理状态分析模块，其连接信号状态检测模块，接收有效范围内的传感信号，通过svm情绪分类器识别传感信号所对应的用户疲惫状态以及情绪状态，在用户处于疲惫或负面情绪时，保存检测数据并触发联动模块的多平台接口切换家居设备运行状态；所述控制系统还响应于按钮的确认信号撤销对多平台接口切换家居设备运行状态的触发信号。
6.可选的，如上任一所述的跨平台智能家居联动系统，其中，所述多平台接口连接家居环境中的照明设备、温控设备、音响设备、娱乐系统、交互语音系统。
7.可选的，如上任一所述的跨平台智能家居联动系统，其中，所述把套包括：后部套体，其固定设置在家具本体的后侧，所述后部套体的后侧壁设置有血氧传感单元安装槽，血
氧传感单元安装槽内嵌入设置有血氧传感单元；前部套体，其固定设置在家具本体的前侧，并与后部套体固定连接，前部套体与后部套体合围并固定于家具本体的外周；所述前部套体与后部套体之间，还设置有对开安装槽，皮肤电传感器内嵌入设置在所述开安装槽中；所述皮肤电传感器及血氧传感单元至少部分地裸露于把套表面。
8.同时，为实现上述目的，本技术还提供一种基于皮肤电和血氧信号的生理状态监测方法，用于如上任一所述的跨平台智能家居联动系统，其步骤包括：在上电启动后分别接收皮肤电传感单元所采集的皮肤电传感信号以及血氧传感单元所采集的血氧浓度传感信号，判断各传感信号是否处于有效范围内，过滤有效范围外的传感信号；对有效范围内的皮肤电传感信号以及有效范围内的血氧浓度传感信号进行特征提取，将提取所得特征输入svm情绪分类器进行生理状态分析，识别用户疲惫状态以及情绪状态，在用户处于疲惫或负面情绪时，保存检测数据并触发联动模块的多平台接口切换家居设备运行状态。
9.可选的，如上任一所述的基于皮肤电和血氧信号的生理状态监测方法，其中，对有效范围内的皮肤电传感信号以及有效范围内的血氧浓度传感信号进行特征提取时，具体所提取的用于输入svm情绪分类器进行生理状态分析的各个特征由如下步骤确定：步骤s1，采集疲惫或负面情绪下的皮肤电样本信号和血氧浓度样本信号，对有效范围内的皮肤电样本信号以及有效范围内的血氧浓度传感信号进行低通滤波，并去除基线漂移，获得预处理信号；步骤s2，由预处理信号中提取多种类型的特征，构建特征集m；步骤s3，对特征集m中每一个特征分别进行标准化处理，消除各特征的个体差异，获得正态分布的数据样本，根据数据样本构建训练集其中，x∈rd,y∈{-1, 1}，xi为第i个数据样本，n为数据样本总量，d为数据样本特征数，rd为特征空间，y∈{-1, 1}为样本标记，表示数据样本是否对应用户处于疲惫或负面情绪；步骤s4，构建svm情绪分类器，训练数据样本：将有效特征集合f
in
初始化为包含训练集中全部特征，将排序集合p初始化为空，对有效特征集合f
in
和排序集合p按照如下步骤迭代，直至有效特征集合f
in
为空：计算有效特征集合f
in
中各特征的成本函数，将成本函数最小的特征移出至排序集合p中，将有效特征集合f
in
更新为剩余特征，继续以更新后的有效特征集合f
in
和排序集合p进行迭代计算；步骤s5，对排序集合p中各特征采用步进法，筛选出每一步中使总体威尔克lambda最小化的特征作为输入至svm情绪分类器的特征。
10.可选的，如上任一所述的基于皮肤电和血氧信号的生理状态监测方法，其中，步骤s4中还分别在每一次根据成本函数对有效特征集合f
in
和排序集合p进行迭代更新后，进一步采用svm-rfe-cbr方法从更新后的排序集合p中筛除与标记特征q高度相关的特征，并将筛除的特征调整至有效特征集合f
in
中，以继续以筛除调整后的有效特征集合f
in
和排序集合p进行迭代计算；其中，标记特征q为根据成本函数更新所得的排序集合p中得分最高的特征。
11.可选的，如上任一所述的基于皮肤电和血氧信号的生理状态监测方法，其中，所述svm情绪分类器按照以下步骤训练获得：步骤t1，判断数据样本的特征集合是否线性可分，在线性不可分的情况下先通过核函数将数据样本的特征空间映射至高维线性可分空间，然后跳转至步骤t2；在线性可分的情况下直接跳转至步骤t2；步骤t2，在数据样本特征集合所
score等标准化手段分别消除每个特征的个体差异，利用svm-rfe-cbr方法避免特征空间中存在大量高度相关特征时所产生的相关性偏差，避免某些特征的重要性被低估而得出错误的特征排序，从而更为准确地训练svm情绪分类器，获得对疲倦、愤怒等情绪状态更为准确的识别结果，有效提升同等运算开销下控制系统的识别效果。
17.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。
附图说明
18.附图用来提供对本技术的进一步理解，并且构成说明书的一部分，并与本技术的实施例一起，用于解释本技术，并不构成对本技术的限制。在附图中：
19.图1是本技术的跨平台智能家居联动系统的装配状态示意图；
20.图2是本技术系统中家具本体上把套装配位置的结构示意图；
21.图3是本技术的系统中后部套体结构的示意图；
22.图4是本技术的系统中前部套体结构的示意图
23.图5是本技术的系统所采用的生理状态监测方法的流程图；
24.图6是本技术中生理状态分析模块训练模型实现情绪识别的步骤示意图；
25.图7是本技术中对各传感信号进行有效范围筛选的示意图；
26.图8是本技术系统响应过程的示意图。
27.图中，1表示家具本体；11表示供电电源正极弹簧针脚母头；12表示供电电源负极弹簧针脚母头；13表示皮肤电传感弹簧针脚母头；14表示血氧传感弹簧针脚母头；15表示定位凸起；2表示按钮；3表示把套；31表示供电电源正极弹簧针脚公头；32表示供电电源负极弹簧针脚公头；33表示皮肤电传感弹簧针脚公头；34表示血氧传感弹簧针脚公头；35表示定位凹槽；301表示螺孔；304表示对开安装槽；305表示血氧传感单元安装槽；4表示皮肤电传感单元；5表示血氧传感单元。
具体实施方式
28.为使本技术实施例的目的和技术方案更加清楚，下面将结合本技术实施例的附图，对本技术实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于所描述的本技术的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
29.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
30.本技术中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
31.本技术中所述的“内、外”的含义指的是相对于家具本体而言，由其把套指向家具本体内部针脚的方向为内，反之为外；而非对本技术的装置机构的特定限定。
32.本技术中所述的“左、右”的含义指的是使用者正对家具本体时，使用者的左边即
为左，使用者的右边即为右，而非对本技术的装置机构的特定限定。
33.本技术中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
34.本技术中所述的“上、下”的含义指的是使用者正对家具本体时，使用者的上侧即为上，使用者的下侧即为下，而非对本技术的装置机构的特定限定。
35.本技术中所述的“前、后”的含义指的是使用者正对家具本体时，家具本体面对使用者的一侧即为前侧，家具本体背离使用者的一侧即为后侧，而非对本技术的装置机构的特定限定。
36.图1以及图2为根据本技术的一种跨平台智能家居联动系统，其包括：
37.家具本体1，其在扶手或倚靠位置的周向固定设置有把套3，所述家具本体1还在把套3所覆盖的表面设置有若干弹簧针脚；
38.所述把套3中嵌入设置有皮肤电传感单元4以及血氧传感单元5，所述血氧传感单元5安装于把套3的外周表面，所述皮肤电传感单元4安装于把套3的内周表面，所述皮肤电传感单元4以及血氧传感单元5的信号连接线以及供电连接线分别通过所述弹簧针脚连接控制系统，向控制系统输出皮肤电传感单元4所采集的皮肤电传感信号以及血氧传感单元5所采集的血氧浓度传感信号；
39.按钮2，其设置在家具本体1的联动模块上，与控制系统通信连接，用于响应于用户的触发而向控制系统反馈确认信号；
40.所述控制系统在上电启动后分别接收皮肤电传感单元4所采集的皮肤电传感信号以及血氧传感单元5所采集的血氧浓度传感信号，并通过其内部程序单元或内部独立电路门口实现：
41.信号状态检测模块，其分别通过所述皮肤电传感单元4、所述血氧传感单元5的信号连接线，接收皮肤电传感信号以及血氧浓度传感信号，判断各传感信号是否处于有效范围，过滤有效范围外的传感信号；
42.生理状态分析模块，其连接信号状态检测模块，接收有效范围内的传感信号，对有效范围内的皮肤电传感信号以及有效范围内的血氧浓度传感信号进行特征提取，将提取所得特征输入svm情绪分类器，通过svm情绪分类器进行生理状态分析，识别传感信号所对应的用户疲惫状态以及情绪状态，从而在用户处于疲惫或负面情绪时，保存检测数据并触发联动模块的多平台接口切换家居设备运行状态，直至控制系统接收到用户触发按钮的确认信号以响应于用户的触发动作相应撤销对多平台接口切换家居设备运行状态的触发信号，使得各家具设备恢复至原先的运行状态。
43.本技术中，血氧传感单元通过光容积法检测血氧饱和度spo2采集获得血氧浓度传感信号。其原理在于：当光照透过皮肤组织然后再反射到光敏传感器时光照有一定的衰减的。像肌肉、骨骼、静脉和其他连接组织等等对光的吸收是基本不变的(前提是测量部位没有大幅度的运动)，但是血液不同，由于动脉里有血液的流动，那么对光的吸收自然也有所变化。当我们把光转换成电信号时，正是由于动脉对光的吸收有变化而其他组织对光的吸收基本不变，得到的信号就可以分为直流dc信号和交流ac信号。提取其中的ac信号，就能反应出血液流动的特点。我们把这种技术叫做光电容积脉搏波描记法ppg。由于血液中含有的氧合血红蛋白hbo2和血红蛋白hb存在一定的比例，简单说也就是血氧饱和度(spo2)。氧合
血红蛋白hbo2和血红蛋白hb对波长600～800nm间hb的吸收系数更高，氧合血红蛋白hbo2和血红蛋白hb对波长800～1000之间hbo2的吸收系数更高。所以可以利用红光(600～800nm)和近红外(800～1000nm)的光分别检测hbo2和hb的ppg信号，然后通过程序处理算出相应的比值，这样就得到了血氧饱和度(spo2)。
44.本技术中，皮肤电传感单元通过皮肤电活性，简称"皮电反应"，采集获得反应皮肤表面导电性的皮肤电传感信号。其原理在于：皮肤电活性随着皮肤中汗腺的状态而变化。而人类出汗是由交感神经系统控制，因此可以认为皮肤电活性是心理或生理唤醒的指征。通常来讲，当人的精力高度集中(唤醒)时，分泌汗液会增加，从而增加皮肤电导。
45.本技术的控制系统在对皮肤电传感信号和血氧浓度传感信号进行信号状态检测分析时，采用支持向量机(support vector machines，svm)二分类模型，基于生理信号的识别到不受主观掩饰的情绪状态,因此而能够更接近于情感的内在心理感受。皮肤电反应指电路中用外电和不用外电时,皮肤由心理刺激所引起的电变化。皮肤电反应信号随情感的不同会有明显差异,通常用来测试被试对激发焦虑情绪的环境或者刺激的反应。
46.具体而言，参考图2，本技术可在家具本体的中安装把套的位置沿把套圆环周向排列设置：供电电源正极弹簧针脚母头11、供电电源负极弹簧针脚母头12、皮肤电传感弹簧针脚母头13、血氧传感弹簧针脚母头14以及定位凸起15。并相应将把套设置为沿家具本体1外周连接为一整体的前部套体、后部套体两部分。前部套体、后部套体之间设置开放口，该开放口可由内侧扒开，将把套从家具本体1外圈向内套入。安装状态下，后部套体固定设置在家具本体1的后侧，其后侧壁设置有血氧传感单元安装槽305，以通过该血氧传感单元安装槽305内嵌入设置有血氧传感单元5；前部套体固定设置在家具本体1的前侧，并与后部套体固定连接，前部套体与后部套体合围并固定于家具本体1的外周；前部套体与后部套体之间，还可在其开放口位置设置对开安装槽304，以将皮肤电传感器4内嵌入设置在所述开安装槽304中，通过将皮肤电传感器4及血氧传感单元5至少部分地裸露于把套3表面实现对生物电信号的传感采集。
47.安装时，把套可通过将图4所示把套内侧的定位凹槽35卡接家具本体1表面的定位凸起15实现定位，再利用螺钉拴紧图3把套内侧开口位置所设的螺孔301实现定位安装。此时，把套上的供电电源正极弹簧针脚公头31、供电电源负极弹簧针脚公头32、皮肤电传感弹簧针脚公头33、血氧传感弹簧针脚公头34分别连接家具本体的供电电源正极弹簧针脚母头11、供电电源负极弹簧针脚母头12、皮肤电传感弹簧针脚母头13、血氧传感弹簧针脚母头14，从而将生物电传感信号传输至控制单元，在用户处于疲惫或负面情绪时，保存检测数据并触发联动模块的多平台接口切换家居设备运行状态，或者，响应于按钮的确认信号撤销对多平台接口切换家居设备运行状态的触发信号
48.对于座椅、沙发等具有两侧扶手的家具，本技术可在其左右两侧把套分别设置皮肤电传感单元4以及血氧传感单元5，也可仅在单侧把套上设置一种传感单元，各传感单元的正负极以及信号输出端口可分别通过家具内置线路连接控制系统，按照图6所示的下述步骤构建检测模型以实现生物信号状态的检测分析：
49.第1步：通过皮肤电传感器和血氧饱和度传感器采集原始信号，其一般为逻辑信号通过pps序列表示；
50.第2步：对原始数据进行简单的低通滤波降噪、去除基线漂移的预处理，然后根据
如下的步骤s1-步骤s5确定对有效范围内的皮肤电传感信号以及有效范围内的血氧浓度传感信号进行特征提取时，具体所提取的用于输入svm情绪分类器进行生理状态分析的各个特征：
51.步骤s1，采集疲惫或负面情绪下的皮肤电样本信号和血氧浓度样本信号，对有效范围内的皮肤电样本信号以及有效范围内的血氧浓度传感信号进行低通滤波，并去除基线漂移，获得预处理信号；
52.步骤s2，由预处理信号中提取多种类型的特征，构建特征集m；
53.步骤s3，对特征集m中每一个特征分别进行标准化处理，消除各特征的个体差异，获得正态分布的数据样本，根据数据样本构建训练集其中，x∈rd,y∈{-1, 1}，xi为第i个数据样本，n为数据样本总量，d为数据样本特征数，rd为特征空间，y∈{-1, 1}为样本标记，表示数据样本是否对应用户处于疲惫或负面情绪；
54.步骤s4，构建svm情绪分类器，训练数据样本：将有效特征集合f
in
初始化为包含训练集中全部特征，将排序集合p初始化为空，对有效特征集合f
in
和排序集合p按照如下步骤迭代，直至有效特征集合f
in
为空：利用特征集f
in
训练svm分类器，得到w，计算有效特征集合f
in
中各特征的成本函数dj(i)，将成本函数最小min{dj(i)},i∈f
in
的特征移出至排序集合p中，将有效特征集合f
in
更新为剩余特征，继续以更新后的有效特征集合f
in
和排序集合p进行迭代计算；
55.步骤s5，对排序集合p中各特征采用步进法，筛选出每一步中使总体威尔克lambda最小化的特征作为输入至svm情绪分类器的特征。
56.其中，步进方法：让自变量逐个尝试进入函数式，如果进入到函数式中的自变量符合条件，则保留在函数式中，否则，将从函数式中剔除。本技术使用步进方法，对自变量进行筛选时可具体选择威尔克斯lambda值法：它是组内平方和与总平方和之比，用于描述各组的均值是否存在显著差别，当所有观测组的均值都相等时，wilks’lambda值为1,；当组内变异与总变异相比很小时，表示组件变异较大，表示组间变异较大，系数接近于0。
57.svm-rfe(recursive feature elimination)是一种基于支持向量机(support vector machine,svm)进行特征排序的方法。对于线性分类问题，进行特征选择时理想的目标函数是计算误差的期望值，即在无限个特征组合情况下计算误差率。在svm-rfe中，这个目标函数由在训练集上计算的成本函数进行替代。因此svm-rfe的基本思想为，计算由于删除特征x,而导致的成本函数dj(i)的变化，具体而言：
58.第3步：从原始信号中确定输入至svm情绪分类器的血氧饱和度和皮肤电反应信号的各种特征后，利用数据样本，按照如下步骤t1至步骤t3的方式训练svm分类器以实现对皮肤电反应信号、血氧浓度传感信号中各种特征的识别检测，分析用户疲惫状态以及情绪状态：
59.步骤t1，判断数据样本的特征集合是否线性可分，在线性不可分的情况下先通过核函数将数据样本的特征空间映射至高维线性可分空间，然后跳转至步骤t2；在线性可分的情况下直接跳转至步骤t2；
60.步骤t2，在数据样本特征集合所对应的线性可分的特征空间rd中构建超平面f(x)
＝w
t
·
xi b，以即为目标函数，以yi(w
t
xi b)≥1,i＝1,2,
…
,n为约束条件求解获得能够使样本点到超平面的最小距离最大化的超平面f(x)＝w
t
·
xi b，其中，ai为拉格朗日乘子，b为表示超平面与原点距离的实数；
61.步骤t3，随机将数据样本分成k份，通过k折交叉验证方式利用数据样本训练svm情绪分类器直至svm情绪分类器对数据样本进行生理状态分析的准确率达到90％时完成训练，获得svm情绪分类器。
62.第4步：利用训练获得的svm情绪分类器按照图5所示方式进行实际应用：
63.步骤401，在系统上电启动后等待60秒启动上述训练获得的控制单元；
64.步骤402：各传感器实时采集用户的皮肤电反应和血氧饱和度信号，并按照图7所示方式筛除过滤有效范围外的传感信号；图7中所有模块误差通常是针对双侧把套均设置皮肤电传感单元4和血氧传感单元5的状况，分别计算两侧相同传感单元之间的信号差值，而对于一侧把套仅设置皮肤电传感单元4、另一侧把套仅设置血氧传感单元5的状况通常可以各传感信号相对人体正常范围的差值作为左右误差；
65.步骤403：由过滤后的信号中提取第2步所最终选择的各特征；
66.步骤404：将各特征带入第3步中所训练获得的情绪识别分类器获得情绪识别给出最终结果；
67.步骤405：根据情绪识别给出最终结果，触发联动系统执行相应的调节机制，比如：在识别到用户处于疲惫状态时保存检测数据并触发多平台接口降低温控设备所设环境温度、降低照明设备的照明强度、降低音响设备以及娱乐系统的环境音量；在识别到用户处于负面情绪时保存检测数据并触发多平台接口将温控设备所设环境温度调节至休眠区间、仅维持辅助照明设备低照度运行、关闭娱乐系统、关闭交互语音系统；在接收到用户触发按钮2所反馈的确认信号时撤销对多平台接口切换家居设备运行状态的触发信号，使各家居设备恢复至之前的正常运行状态。
68.在本技术的其他实现方式下，上述系统还可按照图8所示的如下方式实现对生物信号状态的检测分析：
69.步骤1：通过皮肤电传感器和血氧饱和度传感器采集原始信号；
70.步骤2：对原始数据进行简单的低通滤波降噪、去除基线漂移的预处理；
71.步骤3：从原始信号中提取下表所示针对血氧饱和度、皮肤电反应信号、皮肤温度以及每秒脉冲数pps的多种特征，作为svm分类器的特征集，记为m，通常，特征及不应仅限于下表的特征，还可以选择别的特征；
[0072][0073]
[0074]
步骤4：对m中所有特征标准化，提高数据可比性。标准化方法不限于以下几种：极差标准化法、z-score标准化法、线性比例标准化法、log函数标准化法、反正切函数标准化法。
[0075]
其中，z-score标准化法计算公式为：其中为标准化后数据，μ和σ分别为数据的均值和标准差。经处理后的数据符合标准正态分布，均值为0，标准差为1。
[0076]
步骤5：(svm-ref)构建svm分类器，训练样本，
[0077]
步骤5-1计算每个特征的成本函数，将最小的成本函数的特征作为输出，放入排序集合p中，其余特征留下作为有效特征集合f
in
，以有效特征集合f
in
作为下一次排序的输入进行迭代。
[0078]
具体地，对于训练集其中x∈rd,y∈{-1, 1}，xi为第i个样本，n为样本总量，d为样本特征数，rd为特征空间，svm的最优分类超平面为:w
t
·
xi b＝0
[0079]
求得w的解为：
[0080][0081]ai
为拉格朗日乘子，因此，成本函数为：
[0082]
dj(i)＝w2[0083]
考虑到，多种特征之间会存在相关性，可能产生冗余，导致模型训练时间长、过度拟合、识别率低、模型性能下降。因此，进行特征选择十分必要。本实施例优选在上述利用svm-rfe-cbr方法进行特征排序后，在每一步迭代过程中，进一步采用步进法通过步如下方式进行特征选择，以进一步减小相关性偏差：骤5-2，在步骤5-1中每一次迭代结束后，进一步采用svm-rfe-cbr方法从更新后的排序集合p中筛除与标记特征q高度相关的特征：找到本次迭代所产生的输出特征集中得分最高的特征，标记为标记特征q；检查留下的特征中是否有与标记特征q相关性较高的特征，若找到与标记特征q相关性较高的特征，则将标记特征q从排序集合p中取出放回至有效特征集合f
in
；反之继续放在p中，继续以筛除放回调整后的有效特征集合f
in
和排序集合p进行迭代计算。
[0084]
步骤7：迭代步骤5-1和步骤5-2，直至所有特征都放到了排序集合p中。
[0085]
步骤8：通过步进法选择出特征作为情绪识别分类器的输入，选择出每一步中使总体威尔克lambda最小化的特征，作为情绪识别分类器的输入特征，最终筛选获得对愤怒与疲劳情绪识别分类器重要性较大的特征。
[0086]
下面对svm分类器进行训练。
[0087]
步骤9：线性可分时，在特征空间中创建超平面，区分不同情绪的样本；线性不可分时，通过核函数降低维数增加带来的计算复杂性，将特征空间投影到高维的空间，使得在原来的特征空间中非线性可分的问题转化为在高维空间中线性可分的问题。具体地，在特征空间rd构建的超平面f(x)＝w
t
·
xi b，区分样本。预测类别分别表示愤怒与疲劳两种情绪状态。
[0088]
线性不可分时，具体可使用以下几种核函数其一，但不限于，样本映射到更高维空间使其线性可分，线性核函数，高斯核，sigmoid核，剩下步骤同上。
[0089]
步骤10：使样本点到超平面最小距离最大化，目标函数为：
[0090]
s.t.yi(w
t
xi b)≥1,i＝1,2,
…
,n
[0091]
步骤11：采用k折交叉验证进行检验以得到稳定可靠的分类模型，其具体步骤为，随机将样本数据分成k份，取k-1份作为训练集，一份作为测试集用以检测准确率，重复k次并将分类准确率的结果取平均以得到一个单一的估测值。当准确率达到90％时，模型训练完毕最终筛选获得对愤怒与疲劳情绪识别分类器重要性较大的特征，否则继续训练。
[0092]
至此，可训练获得用于最终分析用户疲惫状态以及情绪状态的svm情绪分类器。利用该分类器：在各传感器实时采集用户的皮肤电反应和血氧饱和度信号，并按照图7所示方式筛除过滤有效范围外的传感信号，对过滤后的信号进行低通滤波、去除基线漂移等简单预处理，并由预处理后的信号中提取由步骤8所最终选择的各特征后，将各特征带入步骤11所训练获得的情绪识别分类器获得情绪识别给出最终结果；
[0093]
步骤406：根据情绪识别给出最终结果，触发保存检测数据并触发多平台接口根据当前疲惫状态以及情绪状态执行环境氛围的调节机制。比如，在识别到用户处于疲惫状态时保存检测数据并触发智能网关、蓝牙调控终端、智能家居总控平台等多平台接口降低家居环境中温控设备所设环境温度、降低照明设备的照明强度、降低音响设备以及娱乐系统的环境音量，直至接收到用户触发按钮2所反馈的确认信号关闭上述调节机制使得各设备恢复至原先的工作状态；
[0094]
在识别到用户处于负面情绪时保存检测数据并触发多平台接口将家居环境中的温控设备所设定的环境温度调节至适宜用户休眠的温度区间、仅维持夜灯、氛围灯等辅助照明设备低照度运行、关闭娱乐系统、关闭交互语音系统，以维持一个易于放松能够少受外界干扰的环境供用户休息，直至接收到用户触发按钮2所反馈的确认信号关闭上述调节机制使得各设备恢复至原先的工作状态。
[0095]
综上，本技术在智能家具中集成生理监测系统，设计了一套跨平台智能家居联动系统，其：
[0096]
(1)在通过血氧温度传感器测出皮肤表面温度的同时，运用光电容积脉搏波描记法ppg技术,根据氧合血红蛋白hbo2和血红蛋白hb对波长600～1000nm的光吸收特性,利用红光(600～800nm)和近红外(800～1000nm)的光分别检测hbo2和hb的ppg信号，然后通过程序处理算出相应的比值，得到血氧饱和度(spo2)，能够通过多种不同类型不同维度的特征值，更为全面地反应用户的情绪状态；
[0097]
(2)本系统利用皮肤电传感器，测量皮肤的电活性，能够灵敏地检测出人体由交感神经系统控制的出汗情况，进而根据皮肤电活性随着皮肤中汗腺的状态而变化的特点，更为全面、准确地实现对心理或生理指征的推断；
[0098]
(3)本系统对采集到的各种生理信号进行低通滤波、去除基线等预处理，并在训练过程中分别对愤怒/疲劳两种状态下的数据进行特征提取，得到pps序列，然后分别对预处理后的血氧饱和度(spo2)、皮肤温度(skt)和皮肤电信号(gsr)分别提取一阶差分、二阶差分、不同频段能量分布、高低频段之间频谱功率比值等多种特征类型，能够更为全面地反应出传感信号中所携带的信息，并利用z-score标准化处理方式有效消除不同个体差异，获得更为准确且全面的特征信息；
[0099]
(4)本技术利用svm技术将得到的多种特征进行训练分类，并在特征训练过程中，利用svm-rfe-cbr方法避免特征空间中存在大量高度相关特征时所产生的相关性偏差，避免某些特征的重要性被低估而得出错误的特征排序，从而更为准确地训练svm情绪分类器，获得对疲倦、愤怒等情绪状态更为准确的识别结果，有效提升同等运算开销下控制系统的识别效果；
[0100]
(5)本技术能够有效监测与记录用户生理状态，在用户疲倦困乏时自动触发家居环境中的各设备提供易于用户休息的环境氛围，在用户负面情绪时通过家居环境调节用户情绪；本技术所记录的数据还能够在通过对监测的数据分析，得到用户情绪波动统计数据以触发智能家居系统进一步根据用户生活周期相应调整其运行模式。本技术能够克服传统生理监测系统无法基于皮肤电进行情绪识别的技术壁垒，并且能够克服现有智能家居系统对用户身心状态进行检测时需大量冗余数据，运算处理过程复杂、系统运行效率低下、无法迅速获得准确检测结果的缺陷。本技术在结构设计方面不需要佩戴额外传感器件，且设备更为小巧，相比现有检测手段对用户更为友好，能够提升用户体验。
[0101]
以上仅为本技术的实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些均属于本技术的保护范围。