一种光源警觉性表征方法、装置及介质与流程

1.本发明涉及照明技术领域，具体是一种光源警觉性表征方法、装置及介质。


背景技术：

2.众所周知，照明光源会影响视觉表现和非视觉表现。
3.光通过视网膜特化感光神经节细胞(intrinsic photosensitive retinal ganglion cells，iprgc)控制人体生物钟，调节各种生理过程，影响人体非视觉表现。从光生物效应的神经通路被发现以来，学者们试图建立一个模型对光生物效应进行量化，但目前国内外尚未有一个统一的标准发布。目前国际上常用的模型有rea等人提出的节律刺激值模型和国际照明委员会(commission internationale de l'eclairage,cie)提出的光视素的敏感度曲线。cie提出的5个光视素的敏感度曲线含三类视锥细胞、视杆细胞和iprgc，等效辐射度分别为elc、emc、esc、erh和emel。而rea提出的节律刺激值由节律光转换而来，节律光基于夜间褪黑激素抑制的有效刺激值。在国内和国际上两种光生物效应的量化指标均有使用，所以我们以相关色温和节律刺激模值，相关色温和褪黑素照度为参数分别建立模型。
4.相关色温是光源的重要参数，会影响人体的视觉表现。如果某一光源的颜色与某一温度下的黑体辐射的颜色最相近时，则将对应的黑体的温度称为光源的相关色温。色温高表示蓝光成分多，色温低表示红光成分多一些。
5.有研究表明较高的相关色温和较高的节律刺激值的光源会提高人的警觉性，提高任务的效率同时增加眼睛疲劳程度。但是在以往的实验结果分析中，都是单独分析相关色温和光生物效应的量化值对人体各项指标的影响，缺乏一个模型综合相关色温和光生物效应的量化值共同表征对人体警觉性的综合的影响。


技术实现要素：

6.本发明的目的在于克服现有技术中的缺陷，并提供一种光源警觉性表征方法、装置及介质。
7.本发明所采用的具体技术方案如下：
8.第一方面，本发明提供了一种光源警觉性表征方法，即获取目标光源的相关色温cct和光生物效应量化值bel，输入预先经过参数率定的光源警觉性回归模型中，得到光源警觉性的相对表征值；
9.所述光源警觉性回归模型形式为：
10.f(cct'，bel)＝a1 a2cct’ a3bel a4cct'2 a5bel2 a6cct
’×
bel；
11.其中，cct'＝cct/10000，a1～a6均为率定后的模型参数。
12.作为优选，所述参数率定的方法如下：
13.s1：以相关色温和光生物效应量化值为主，以照度值、显色指数和色偏差值为辅，根据五个参数的不同数值组合，得到n种不同的光源；相关色温的取值范围优选为2900～
6500k，照度值优选为490～520lx，显色指数优选为高于75，色偏差值优选为
‑
0.01～0.15；
14.s2：在所述n种不同的光源下，得到被试者与情绪、警觉性和眼疲劳相关的m组变化量数据集，每组变化量数据集有n个数据；
15.s3：对每组所述变化量数据集进行最大值归一化处理，以使所有数据均处于同一量级；
16.s4：根据光源警觉性回归模型，利用量子粒子群算法，以所有数据的平均均方根误差的最小值为目标，对光源警觉性回归模型进行参数优化。
17.进一步的，所述光生物效应量化值为节律刺激值cs，对应的光源警觉性回归模型为
18.f(cct'，cs)＝a1 a2cct’ a3cs a4cct'2 a5cs2 a6cct
’×
cs。
19.更进一步的，所述s1中，节律刺激值包括第一水平值和第二水平值；所述第一水平值在0.41～0.49之间，所述第二水平值在0.21～0.26之间。
20.进一步的，所述光生物效应量化值为黑视素辐照度emel，单位为w/m2，对应的光源警觉性回归模型为
21.f(cct'，emel')＝a1 a2cct’ a3emel’ a4cct'2 a5emel'2 a6cct
’×
emel’，
22.其中，emel'＝emel/1280。
23.进一步的，所述s2中，当被试者在全黑环境下适应后，将其转移至待测试的一个光源下，并立即对其进行与情绪、警觉性和眼疲劳相关的m组测试，得到m组第一数据集，每组第一数据集中有n个数据；当被试者在该光源下一段时间后，再对其进行与情绪、警觉性和眼疲劳相关的测试，得到m组第二数据集，每组第二数据集中有n个数据；将相同测试、相同光源下的第二数据集中的数据减去第一数据集中对应的数据，得到m组变化量数据集，每组变化量数据集有n个数据v
i
，i∈[1，n]。
[0024]
更进一步的，所述s3中，根据公式(1)将每组所述变化量数据集中的数据均转换为正值v
′
i
，再利用公式(2)对进行最大值归一化处理，得到v
″
i
；
[0025]
其中，公式(1)为
[0026][0027]
其中，v
min
为每组变化量数据集数据v
i
中的最小值；
[0028]
公式(2)为
[0029]
v
′′
i
＝v
′
i
/v
′
max
ꢀꢀꢀ
(2)
[0030]
其中，v
′
max
为转换为正值后的每组变化量数据集数据v
′
i
中的最大值。
[0031]
进一步的，所述与情绪、警觉性和眼疲劳相关的测试包括问卷调查、闪光融合频率测试和d2注意力测验。
[0032]
第二方面，本发明提供了一种光源警觉性表征装置，其包括存储器和处理器；
[0033]
所述存储器，用于存储计算机程序；
[0034]
所述处理器，用于当执行所述计算机程序时，实现如第一方面任一项所述的光源警觉性表征方法。
[0035]
第三方面，本发明提供了一种计算机可读存储介质，在存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面任一项所述的光源警觉性表征
方法。
[0036]
本发明相对于现有技术而言，具有以下有益效果：
[0037]
本发明的方法克服了以往人们单独分析相关色温和光生物效应的量化值对人体各项指标的影响的缺点，使用此表征方法可以综合相关色温和光生物效应的量化值共同表征对人体警觉性的综合的影响，并给设计光源光谱提供指导意义。
附图说明
[0038]
图1为实施例的整体框架示意图；
[0039]
图2为预备实验的流程示意图；
[0040]
图3为预备实验中，以cct'和cs为参数的模型预测值与实验数据之间的拟合关系；
[0041]
图4为预备实验中，以cct'和emel'为参数的模型预测值与实验数据之间的拟合关系；
[0042]
图5为验证实验的流程示意图；
[0043]
图6为验证实验中，以cct'和cs为参数的模型预测值与实验数据之间的拟合关系；
[0044]
图7为验证实验中，以cct'和emel'为参数的模型预测值与实验数据之间的拟合关系。
具体实施方式
[0045]
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
[0046]
本发明提供了一种光源警觉性表征方法，在实际应用时，首先获取目标光源的相关色温cct'和光生物效应量化值bel这两个参数的具体数值，去掉单位后将数值输入预先经过参数率定的光源警觉性回归模型中，通过该光源警觉性回归模型，能够得到光源警觉性的相对表征值，通过该相对表征值的大小，能够对目标光源的警觉性作进一步的评价。
[0047]
本发明采用的光源警觉性回归模型形式为：
[0048]
f(cct'，bel)＝a1 a2cct’ a3bel a4cct'2 a5bel2 a6cct
’×
bel
[0049]
在该回归模型中，cct'＝cct/10000(该步是为了使相关色温cct和光生物效应量化值bel这两个参数的数值均位于同一数量级中，以便于模型参数的优化)，a1～a6均为率定后的模型参数。
[0050]
参数率定的方法有很多，可以采用现有的参数优化方法。本发明给出了一种参数率定方法，具体如下：
[0051]
s1：以相关色温和光生物效应量化值为主，以照度值、显色指数和色偏差值为辅，将上述五个参数的数值进行任意组合，得到n种不同的光源。为了使设计得到的光源更符合实际应用情况，可以根据日常应用场景中所用的光源情况，对上述五个参数的取值进行限定。例如：相关色温的取值范围可以为2900～6500k，照度值可以为490～520lx，显色指数可以选用高于75，色偏差值可以为
‑
0.01～0.15。
[0052]
光生物效应量化值可以选用常用的节律刺激值cs或者emel。设计光源时为了尽量达到每一个光源下的极限节律刺激值cs值。设置了两个范围的取值情况，即cs的第一水平值在0.41～0.49之间，cs的第二水平值在0.21～0.26之间。
[0053]
s2：在n种不同的光源下，得到被试者与情绪、警觉性和眼疲劳相关的m组变化量数据集，每组变化量数据集有n个数据。具体可以采用如下方法：
[0054]
当被试者在全黑环境下适应一段时间后，将其转移至待测试的一个光源下，并立即对其进行与情绪、警觉性和眼疲劳相关的m组测试，得到m组第一数据集，每组第一数据集中有n个数据。当被试者在该光源下一段时间后，再对其进行与情绪、警觉性和眼疲劳相关的测试，得到m组第二数据集，每组第二数据集中有n个数据。将相同测试、相同光源下的第二数据集中的数据减去第一数据集中对应的数据，得到m组变化量数据集，每组变化量数据集有n个数据v
i
，i∈[1，n]。
[0055]
实际应用的时候，与情绪、警觉性和眼疲劳相关的测试可以采用包括问卷调查、闪光融合频率测试和d2注意力测验在内的相关测试。例如在做d2注意力测验时，会得到一组第一数据集a和一组第二数据集a，将第二数据集a中的数据分别减去第一数据集a中对应光源下的数据，即得到了一组变化量数据集。
[0056]
需要说明的是，该步骤采集数据还可以采用现有的其他方法。
[0057]
s3：对每组变化量数据集进行最大值归一化处理，以使所有数据均处于同一量级。具体可以采用如下方法：
[0058]
根据公式(1)将每组变化量数据集中的数据均转换为正值v
′
i
，再利用公式(2)对进行最大值归一化处理，得到v
″
i
。
[0059]
其中，公式(1)为
[0060][0061]
其中，v
min
为每组变化量数据集数据v
i
中的最小值。
[0062]
公式(2)为
[0063]
v
″
i
＝v
′
i
/v
′
max
ꢀꢀꢀ
(2)
[0064]
其中，v
′
max
为转换为正值后的每组变化量数据集数据v
′
i
中的最大值。
[0065]
s4：根据光源警觉性回归模型，利用量子粒子群算法，以所有数据的平均均方根误差的最小值为目标，对光源警觉性回归模型进行参数优化。
[0066]
当生物效应量化值为节律刺激值cs时，cs为没有单位的参数，对应的光源警觉性回归模型为：
[0067]
f(cct’，cs)＝a1 a2cct’ a3cs a4cct'2 a5cs2 a6cct
’×
cs；
[0068]
当光生物效应量化值为黑视素辐照度emel，即melanopic irradiance，单位为w/m2，对应的光源警觉性回归模型为：
[0069]
f(cct'，emel')＝a1 a2cct’ a3emel’ a4cct'2 a5emel'2 a6cct
’×
emel'，
[0070]
其中，emel'＝emel/1280(该步是为了使相关色温和黑视素辐照度这两个参数的数值均位于同一数量级中，以便于模型参数的优化)。
[0071]
与上述方法相对应的，还可以提供一种光源警觉性表征装置，包括存储器和处理器。其中，存储器，用于存储计算机程序。处理器，用于当执行计算机程序时，实现上述的光源警觉性表征方法(具体如前所述，不再赘述)。
[0072]
需要注意的是，存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non
‑
volatile memory，nvm)，例如至少一个磁盘存储器。上述
的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。当然，还装置中还应当具有实现程序运行的必要组件，例如电源、通信总线等等。
[0073]
除此之外，还可以提供一种计算机可读存储介质，该存储介质上存储有计算机程序，当计算机程序被处理器执行时，实现如上述的光源警觉性表征方法(具体如前所述，不再赘述)。
[0074]
计算机可读存储介质一般以存储器硬件形式提供，存储器可以包括随机存取存储器(randomaccess memory，ram)，也可以包括非易失性存储器(non
‑
volatile memory，nvm)，例如至少一个磁盘存储器。
[0075]
上述处理程序的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0076]
当然，随着云服务器的广泛应用，上述软件程序也可以搭载于云平台上，提供相应的服务，因此计算机可读存储介质并不限于本地硬件的形式。
[0077]
下面基于上述方法结合实施例展示其具体的技术效果，以便本领域技术人员更好地理解本发明的实质。
[0078]
实施例1
[0079]
如图1所示，为本实施例的整体流程框图，总共分为6个部分，即确定预备实验的光源光谱分布、采集预备实验的实验数据、建立回归模型、确定验证实验的光源光谱分布、采集验证实验的实验数据、验证上述建立的回归模型。
[0080]
(一)确定预备实验的光源光谱分布
[0081]
根据参数要求，总共设计12种不同的光源，其参数要求包括：相关色温水平cct(2900～6500k)，节律刺激值水平cs(高(0.41～0.49)和低0.21～0.26)，黑视素辐照度emel水平，照度值为500lx左右(优选为490～520lx)，显色指数ra高于75，duv范围为
‑
0.01到0.15之间。表1所示为12个光源的参数。
[0082]
表1预备实验的光源参数
[0083][0084]
(二)采集预备实验的实验数据，具体包括以下步骤：
[0085]
步骤2
‑
1：预备实验的流程步骤如图2所示。
[0086]
(1)令三个年龄层的被试者(包括老人，青年和儿童)先在暗环境下适应10分钟。(2)随后将其转移至待测试的某个光源下，并立即进行如下测试：i)填写主观问卷，包括情绪问卷和眼疲劳问卷；ii)测量眼疲劳，包括闪光融合频率测试(cff，critical flicker fusion)；iii)进行任务测试，包括d2注意力测验；从而得到12组第一数据集。(3)令被试者在该光源下阅读一段时间；(4)随后进行第二组测试：i)填写主观问卷；ii)测量眼疲劳；iii)进行任务测试；从而得到12组第二数据集。
[0087]
根据实际情况，三个年龄层被试任务有所略微的差别。
[0088]
步骤2
‑
2：将相同测试、相同光源下的第二数据集中的数据减去第一数据集中对应的数据，得到3组变化量数据集，每组变化量数据集有12个数据v
i
，i∈[1，12]。根据公式(1)将每组变化量数据集中的数据均转换为正值v
′
i
，再利用公式(2)对进行最大值归一化处理，得到v
″
i
；
[0089]
其中，公式(1)为
[0090][0091]
其中，v
min
为每组变化量数据集数据v
i
中的最小值；
[0092]
公式(2)为
[0093]
v
″
i
＝v
′
i
/v
′
max
ꢀꢀꢀ
(2)其中，v
′
max
为转换为正值后的每组变化量数据集数据v
′
i
中的最大值。
[0094]
(三)建立回归模型
[0095]
步骤3
‑
1：采用下列以相关色温cct
’′
和节律刺激值cs为参数的公式作为第一回归模型。
[0096]
f(cct'，cs)＝a1 a2cct’ a3cs a4cct'2 a5cs2 a6cct
’×
cs，
[0097]
其中，cct'＝cct/10000，a1～a6均为待率定优化的模型参数。
[0098]
根据第一回归模型，利用量子粒子群算法(quantum particle swarm optimization，qpso)，以所有数据的平均均方根误差(rmse，root mean squared error)最小值为目标，对第一回归模型的模型参数进行优化。
[0099]
量子粒子群算法步骤如下：
[0100]
(1)初始化设置。
[0101]
设置算法运行迭代数gen＝0；随机初始化种群pop＝{x1，x2...x
n
}，并计算其适应度值；设置pbest
i
＝x
i
，i＝1，2，...n；选择种群中个体最优位置作为全局最优位置gbest。
[0102]
(2)对种子位置进行更新。
[0103][0104]
其中pbest
i
为x
i
在历史搜索中可以找寻到的最优位置，n为种群规模。
[0105]
在qpso(量子粒子群算法)中，将每个粒子的吸引力子设定为由粒子的个体最优位置和种群的全局最优位置的随机加权和。
[0106][0107]
(3)计算当前种群的适应度，且使i＝1；
[0108]
(4)当i≤n，如果x
i
优于pbest
i
的适应度，则pbest
i
(gen 1)＝x
i
(gen)；
[0109]
反之则pbest
i
(gen 1)＝pbest
i
(gen)；i＝i 1；
[0110]
(5)选择个体最优位置为全局最优位置gbest
i
(gen 1)；
[0111]
(6)gen＝gen 1；若算法不满足终止条件，转(2)，否则算法结束。
[0112]
在本实施例中，需要在qpso中输入的参数有：
[0113]
1)种群的规模，即搜索空间中的粒子总数(n)，为20
[0114]
2)粒子的维度，即相互独立的优化变量总数(m)，为6
[0115]
3)粒子定义域，即每个独立变化变量的定义域(mx2阶矩阵)，分别为[
‑
100；100][
‑
200；200][
‑
100；100][
‑
100；100][
‑
300；300][
‑
200；200]
[0116]
4)最大迭代次数，为1500。
[0117]
采用上述方法最终得到的以相关色温cct
′
和节律刺激值cs为参数的公式作为第一回归模型为：
[0118]
a(cct'，cs)＝
‑
2.10 6.03cct
′
8.17cs
‑
18.8cct
′2‑
23.77cs2 25.9cct
′×
cs；
[0119]
其中，a代表警觉性，cct'＝cct/10000。
[0120]
该模型的预测值与实际实验数据之间的关系如图3所示。表2罗列了各项测试结果与以cct'和cs为参数的模型预测值之间的均方根误差值和相关系数r值以及所有项的平均均方根误差值和相关系数r值。
[0121]
表2以cct'和cs为参数的模型预测值与实验数据之间的均方根误差值和相关系数r
[0122][0123]
从图3还有上表中可以看出，数据集与cct'和cs为参数的模型预测值之间平均相关性为0.82，rmse为0.17，这表示模型拟合程度高。
[0124]
步骤3
‑
2：采用下列以相关色温cct'和黑视素辐照度emel
′
为参数的公式作为第二回归模型。
[0125]
f(cct'，emel')＝a1 a2cct’ a3emel’ a4cct'2 a5emel'2 a6cct
’×
emel’，
[0126]
其中，cct'＝cct/10000，emel'＝emel/1000，a1～a6均为待率定优化的模型参数。
[0127]
采用与步骤3
‑
1相同的方法对第二回归模型的参数进行优化，最终得到以相关色温cct'和黑视素辐照度emel
′
为参数的第二回归模型为：
[0128]
a(cct'，emel')＝
‑
1.31 0.62cct
′
10.93emel’ 0.55cct
′2‑
7.67emel'2‑
7.62cct
′×
emel'，
[0129]
其中，a代表警觉性，cct'＝cct/10000，emel'＝emel/1280。
[0130]
该模型的预测值与实际实验数据之间的关系如图4所示。表3罗列了各项测试结果与以cct’和emel’为参数的模型预测值之间的均方根误差值和相关系数r值以及所有项的平均均方根误差值和相关系数r值。
[0131]
表3以cct’和emel’为参数的模型预测值之间的均方根误差值和相关系数r值
[0132][0133]
从图4还有上表中可以看出，数据集与cct’和emel’为参数的模型预测值之间平均相关性为0.74，rmse为0.18，这表示模型拟合程度高。
[0134]
(四)确定验证实验的光源光谱分布
[0135]
根据参数要求，设计7种不同的光源，其参数要求包括：3个相关色温水平(3000k左
右，4000k左右和5000k左右)，三种节律刺激值水平(高、中和低)。对应的照度值为500lx左右，显色指数ra高于80，duv范围为
‑
0.005到0.005之间。具体参数如下表所示：
[0136]
表4验证实验的光源参数
[0137][0138]
(五)采集验证实验的实验数据，包括以下步骤：
[0139]
步骤5
‑
1：实验流程步骤如图5所示。
[0140]
(1)令青年被试者先在暗环境下适应；(2)随后将其转移至待测试的某个光源下，并立即进行如下测试：i)填写主观问卷；ii)采集唾液，测量皮质醇含量；(3)令被试者在该光源下阅读一段时间；(4)随后重复上述测量方法共三次；(5)最后进行色棋实验，测量被试颜色分辨能力。
[0141]
步骤5
‑
2：采用与步骤2
‑
2相同的方法，对每个实验结果数据集的归一化。
[0142]
(六)验证上述建立的回归模型
[0143]
将步骤(四)中的光源参数代入到步骤(三)得到的两个回归模型中，将得到的结果与步骤(五)收集的实验数据进行拟合，模型的预测值与实际实验数据之间的关系分别如图6和图7所示。表5罗列了各项测试结果模型预测值之间的均方根误差值和相关系数r值以及所有项的平均均方根误差值和相关系数r值。
[0144]
表5各项测试结果模型预测值与验证实验之间的均方根误差值和相关系数r值
[0145][0146]
从图6和7还有上表中可以看出，以cct’和cs为参数的模型与试验数据集结果平均相关性为0.67，平均rmse为0.16。以cct’和emel’为参数的模型与试验数据集结果平均相关性为0.45，平均rmse为0.17。
[0147]
实施例2
[0148]
由于光源的选择主要是依相关色温和光生物效应量化值的分布而设计，在实现这
些光源时，使ra能达到80，duv趋近于零，且cct水平主要选择商业用途上常用的从3000k到5000k。本实施例以相关色温和节律刺激值为例，选择如表6所示的7种光源，根据本发明的方法，为不同用途设计了不同的光谱，分为科睡灯，普通灯和专注灯。
[0149]
表6根据发明方法所设计光谱的光源参数
[0150][0151]
通过上表可以看出，根据警觉性模型计算的警觉性值很好地综合相关色温和光生物效应的量化值共同表征对人体警觉性的综合的影响。
[0152]
由此可见，本发明适用于比较不同照明光源，综合考虑光源的相关色温和光生物效应的量化值，基于选择的照明光源影响人体警觉性的程度提供计算依据。
[0153]
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。