用于提高学习效率的空调器 的智能空调控制方法 本发明涉及一种用于提高学习效率的空调器的智能空调控制方法，尤其是涉及这样一种用于提高学习效率的空调器的智能空调控制方法，其能通过提高人们的机敏水平来大大提高人们学习效率。
通常，空气调节是通过使用空调器来保持良好的室内生活环境。尤其是，这种良好的室内生活环境对人们在室内工作场所中努力工作是非常重要的。因而，在工业上，为了改善室内环境状况已经进行深入的研究。
现有空调器的运行控制过程是通过在微型计算机中使用预先编程的工作方法来执行的。即，通过按设定温度反复进行压缩机地ON/OFF工作来保持预定室内温度，来执行空调器的运行控制过程。
因而，现有空调器的运行控制方法具有下列缺点：由于在压缩机中反复进行on/off运行，执行标准的运行而不管用户的要求，而使其不能满足个人的需求。
特别是，在现有技术中，空调器的工作不考虑使用者的机敏水平。
因此，本发明的目的是提供一种空调器的智能空调控制方法，用于克服现有技术中存在的问题而提高学习效率。
本发明的另一个目的是提供一种空调器的改进智能空调控制方法，能够通过测量人的脑电图来相对于使用者的需要和空调器的使用目的有效地控制空调状况，从而提高学习效率。
本发明的再一个目的是提供一种空调器的改进智能空调控制方法，能够通过提供良好的空调环境来大大提高使用者的学习效率，由此而能提高使用者的机敏水平并改善室内环境。
为了实现上述目的，用于提高学习效率的空调器的智能空调控制方法包括下列步骤；在空调器根据第一、第二和第三设定温度以及对应对第一、第二和第三温度的温度变化宽度而运行期间，测量和分析测试者的脑电图(EEG)，在机敏水平最高时计算对应于设定温度的温度变化宽度的数据，在弱风和紊乱风之间选择其有最高机敏水平的空调器的气流，并通过使用温度变化宽度的数据和所选择的气流数据来控制空调器的运行。
本发明将通过下面详细的描述及附图而得以进一步理解，但该描述及附图仅是用于进行说明并不构成对本发明的限制，其中，
图1是表示根据本发明的用于在特定环境下测量脑电图变化的检测设备的示图；
图2A是表示人体的脑电图测量部分的示图；
图2B是表示根据本发明的脑电图传感器附加位置的示图；
图3是一个曲线图，用于说明本发明的第一设定温度(24℃)和第三温度变化宽度(±2℃)之间的关系；
图4A是表示根据本发明的用于脑电图测量和分析的协议的示图；
图4B是表示根据本发明的因香气引起的伴随消极变化(CNV)的示图；
图5是一个示图，用于表示根据本发明的脑电图分析过程；
图6A是一个曲线图，用于表示按照本发明的空调器的智能空调控制方法当在空调环境下执行第一学习课目时智能空调和普通空调的学习；
图6B是一个曲线图，用于表示按照本发明的空调器的智能空调控制方法当在空调环境下执行第二学习课目的智能空调和普通空调的学习；
图7是一个曲线图，用于表示当以适合于本发明的紊乱形式产生气流时随着时间推移的气流变化。
图1是表示根据本发明的用于在特定环境下测量脑电图的变化的检测设备的示图。
如图所示，空调器1安装在样板间2中，其中室外温度/室外湿度和室内温度/室内湿度被进行控制以使室外因素不会影响人体的脑电图(EEG)。
上述检测设备进一步包括：放大器5，用于放大来自EEG传感器4的EEG；EEG记录器6，用于记录放大后的EEG；以及EEG分析个人计算机(PC)7，用于存储记录在EEG记录器6中的EEG。另外，在样板间2中设置声音信号发生器8和视觉信号发生器9用于收集测试者的各种感觉。
用于本发明的EEG按下表1分类：
表1 EEG 频率 幅值 感觉的状态 例子 β 14～25Hz 2～20μV 警觉、机敏 焦虑、紧迫、日常 活动 α 8～14Hz 5～100μV机敏、压力松弛 精力集中，沉思 θ 4～8Hz 5～100μV 睡眠 半意识 δ 0.5～4Hz 2～200μV 睡眠 深睡眠
如表I所示，EEG被分类为频率和幅值。在本发明中，测量β波形的幅值。另外，如果EEG电压高，机敏水平高。该结果意味着能够在上述空调环境下提高学习效率。
EEG的幅值被用于测量机敏水平。在试验中，使用所谓的“社会科学的统计套件-SPSS”的统计处理成套程序来分析β波形的幅值。
象在表1所示的试验中所使用的EEG测量方法那样，使用把传感器贴在被测者头上的10至200点上的方法。但是，由于对外部因素敏感的大脑区在现有技术中是公知的，检测相对于头部各点的预定数的EEG的方法已经被用在产业中。
如图2A所示，选择额部“F”、中部“C”和顶部“P”的三点，并相对于部分F、C和P测量EEG。在这些点中，点“F”是最敏感的，被用于试验。
象把EEG传感器贴到测试者头部上的方法那样，具有单极法和双极法。如图2B所示那样，使用测量测试者的基准点“F”与耳朵之间的电位差的单极法。
下面更详细地说明EEG测量方法。
首先，测试者所呆的样板间的室外温度通过使用室外空调器3被设置为夏季的温度。其中，湿度保持在60％。
如上述那样，在样板间的室外温度被设定之后使空调器工作。
样板间中的温度被分别设定到24℃的第一设定温度T1、26℃的第二设定温度T2和28℃的第三设定温度，并且第一温度变化宽度t1被设定为±1.0℃，第二温度变化宽度t2设定为±1.5℃，第三温度变化宽度t3被设定为±2.0℃。另外，通过把气流变为弱气流和紊乱气流来测量EEG。
图3是一个曲线图，用于表示24℃的第一设定温度T1与相对于24℃的第一设定温度T1的第三温度变化宽度t3(±2℃)之间的关系。如图所示，当温度以第三设定温度为基础变为26℃时，空调器的压缩机(未表示)接通，而当室内温度降到22℃时，压缩机断开。当压缩机断开时，下降了的温度又上升。反复进行上述温度上升和下降，直到室温变得与设定温度相同。
在第一设定温度T1、第二设定温度T2和第三设定温度T3以及第一温度变化宽度t1、第二温度变化宽度t2和第三温度变化宽度t3的条件下，通过使用贴在被测者头部的EEG传感器4来测量被测者的EEG。由于由EEG传感器4所测量的EEG信号微弱，就需要更高的幅值。因而，放大器5放大EEG信号并把该EEG信号传输给EEG记录器6。
另外，由放大器5所放大的EEG信号被传输给EEG分析PC7以进行存储。EEG分析PC7通过使用一个A/D转换器(未表示)把输入其中的模拟信号转换成一个数字信号。在每个上升和下降温度的周期中以一取样率来测量所存储的数据30次(有效数据的数量)，并计算其平均值。
由于EEG测量被指向根据空调条件的变化来检验EEG的变化特征，就必须封闭影响其他可能的EEG的外部条件。因而，通过给被测者提供一特定的冲击来使用封闭外部因素的方法。该方法被称为一个协议。
本发明使用把声音信号和视觉信号相结合的协议。下面将更详细地说明如图4A所示的使用该协议的试验技术。
首先，如果存在与声音信号有关的嘟嘟噪声，根据该协议其是从声音信号发生器8所输出的，被测者就具有准备应激的压力。在时间推移了1.8秒之后，视觉信号发生器9的红光和蓝光被交替随意地接通。被测者响应于加给被测者的视觉信号而按下一个键盘(未表示)的光学键。与此同时，被测者必须相对于光学键迅速地反应。另外，被测者必须在不受其他外部因素的控制下想该协议。通常，由于EEG被称为一种生物学上的反应，当通过使用该协议来限制外部因素时，就能够根据空调状况的变化来测量EEG变化。
如上述那样，当声音信号和视觉信号出现了5秒钟时，被测者相对于这些信号而产生反应。与此同时，测量被测者的EEG。EEG分析PC7根据测量结果来分析被测者的EEG。
当使用该协议而以预定间隔提供第一冲击信号S1和第二冲击信号S2时，使用分析EEG的特征的CNV方法。
在1964由Walter推荐了该方法。即，EEG的特征与第一冲击施加之后当被测者预想一预定结果时产生的EEG的幅值移位有关。
例如，图4B是表示根据本发明因香气引起的伴随消极变化的示图。即，当一种香气例如Blank、Jasmine和Lavender被反复地加给被测者时，第一和第二冲击信号S1和S2也施加给被测者，其结果表示为图5中的CNV变化。
如图所示，在第一冲击S7被加给被测者之后在虚线部分可看到幅值移位。即，该幅值移位表示相对于另一冲击是否将在第一冲击S7出现之后出现的被测者的压力水平。从而能够通过使用幅值移位来判定机敏的大小。
图5是用于说明本发明的脑电图分析过程的示图。
下面参照图5来说明分析EEG的方法。
首先，在由EEG记录器6获得的原始数据“A”中根据视觉分析“B”的被测者的反应误差和闭眼所引起的噪声对所有EEG产生影响，使之移动。此后，计算剩余的30个有效数据组的平均值，由此计算平均数据“C”。另外，由该平均数据计算机敏的大小。
表2表示出用于在标准温度T1、T2、T3的条件下和温度变化范围t1、t2、t3下获得最值机敏性的工作试验的结果。
表2 T EC R T1 t1 24±1.0℃，弱气流 t1＞t3，t2 t2 24±1.5℃，弱气流 t3 24±2.0℃，弱气流 T2 t1 26±1.0℃，弱气流 t2＞t3＞＞t1 t2 26±1.5℃，弱气流 t3 26±2.0℃，弱气流 T3 t1 28±1.0℃，弱气流 t1＞＞t2，t3 t2 28±1.5℃，弱气流 t3 28±2.0℃，弱气流 气流 L 26±1.5℃，弱气流 CH＞＞L＞G CH 26±1.5℃，紊乱气流 G 25.6±1.8℃，弱气流
*T：温度(℃)
EC：试验条件
R：统计分析的结果
L：弱气流
CH：紊乱气流
G：在现有空调中的弱气流。
在此，β波的幅值被用作为分析数据。在统计分析的结果中，“＞”表示其值总是较大而具有90％的可靠性，“＞＞”表示其值总是较大而具有95％的可靠性，“＞＞＞”表示其值总是较大而具有99％的可靠性。
如在表2中所示，当温度被设定在第一设定温度T1上时，第一温度变化宽度t1具有最高的机敏水平，当温度被设定在第二设定温度上时，第二温度变化宽度t2具有最高的机敏水平，当温度被设定在第三设定温度T3上时，第一温度变化宽度t1具有最高机敏水平。另外，当温度被设定在第二设定温度T2上时，温度变化宽度t2具有最高机敏水平。
而且，对于气流，紊乱风时的机敏水平高于弱风时的。
根据第一冲击S1之后从0.35至0.65秒之间的值来得到数据，并由SPSS分析得到可靠性。
EEG是通过上述EEG分析方法来进行分析的。通过使用分析后的EEG来存储对应于每个具有最高机敏水平的设定温度的温度变化宽度的数据，由此根据所存储的数据来控制空调器，从而就能提供所需的空调环境，在此环境中能提高使用者的机敏水平，由此而提供使用者的学习效率。
而且，在气流的情况下，进行下列试验以比较弱风与紊乱风之间的机敏水平。换句话说，在具有最高机敏水平的智能空调状况下和普通的空调状况下进行该试验。另外，给被测者提供两个训练课目，然后比较训练课目的处理能力。
第一训练课目被分为冲击项和反应项，然后分析相对于反应项的正确率。
作为冲击项是提供10对单词，其中两对单词被测者可以知道其意思，而另两对单词被测者不能知道其意思。另外，要求被测者对所提供的单词作出反应并想象在所提供单词之间是否存在预定关系。而且，给被测者提供另一对单词，然后分析正确率。
第二训练课目是检验在屏幕上随意移动的目标。在该第二训练课目过程中，要求被测者对在屏幕上随意移动的目标的特定运动作出反应，然后测量正确率和反应时间。
图6A是一曲线图，用于说明当在根据本发明的空调器的智能空调控制方法的空调环境下执行第一训练课目时智能空调和普通空调的训练情况。
如图所示，在进行第一训练课目并且气流是紊乱风的情况下，比较普通空调和智能空调之间的关系。其结果，在智能空调期间所得到的学习效率比普通空调时提高7％以上。
图6B是一曲线图，用于说明当在根据本发明的空调器的智能空调控制方法的空调环境下执行第二训练课目时智能空调和普通空调的训练情况。
在第二训练课目的情况下，与第一训练课目相同，当气流是紊乱风时，在智能空调期间所得到的学习效率与普通空调相比是大大提高了。尤其是，在普通空调期间，在30分钟后就会出现效率急剧下降，但是，在智能空调期间学习效率得以大大提高，由此而提高了学习效率。
如上述那样，就能在紊乱风而不是弱风中获得最佳的效果。
图7是一曲线图，用于说明当以适合于本发明的紊乱形式产生气流时在时间推移后的气流变化。
如图所示，通过在中等风方式下驱动空调器2秒，然后在弱风方式下驱动空调器3秒，接着在中等风方式下驱动空调器2秒，再在强风方式下驱动空调器2秒，最后在弱风方式下驱动空调器1秒，而变化气流，由此来提供紊乱风。
在此，紊乱风代表类似于自然风的风，其是通过分析自然风而得到的，根据空调器的风扇电动机和相对于自然风的内部空间来补偿传递函数，并把控制信号加给空调器的风扇电动机。
如上述那样，根据本发明的用于提高学习效率的空调器的智能空调控制方法被引向驱动空调器，由此而根据温度和气流来提供最值机敏水平，从而就能提供一种可以提高使用者机敏水平的空调环境，以改善使用者的学习效率。
而且，由于能够根据个人爱好和温度来选择智能方式，由此可使空调环境最佳及使用者的机敏水平最高。
以上所描述的本发明的优选实施例仅是用于说明目的，在不背离权利要求所限定的本发明的范围和精神的情况下，本领域普通技术人员可以进行各种改型，添加或删改。