本申请涉及生理监测，例如涉及一种用于构建情绪分类模型的方法及装置、空调器。
背景技术：
1、目前，随着科学技术的快速发展，空调器的功能更加多样化。空调器除具备传统的制冷、制热及除湿功能以外，还具备情绪识别功能。空调器通过情绪识别可感知用户的情绪状态和/或健康状态，再根据情绪状态和/或健康状态调节出风温度、风速或者模式以向用户提供与其情绪状态和健康状态相适配的环境。由此，如何感知用户的情绪，成为当前亟需解决的技术难题。
2、为了感知用户的情绪，相关技术公开了一种人员情绪的提示方法，包括：获取多个历史时段的历史体温信息、历史环境湿度和历史音频，历史音频为包含被照顾人员在历史时段的声音的音频；根据多个历史音频进行情绪识别得到多个历史情绪信息，历史情绪信息与历史音频一一对应；采用多个历史体温信息、多个历史环境湿度和多个历史情绪信息对卷积神经网络进行训练，得到情绪分析模型，历史体温信息与历史情绪信息一一对应，历史环境湿度与历史情绪信息一一对应；将被照顾人员的当前体温信息和当前环境湿度输入情绪分析模型，得到被照顾人员的当前情绪信息，输入情绪分析模型为多组训练数据进行机器学习训练得到的，每一组训练数据包括历史体温信息、历史环境湿度和历史情绪信息，历史体温信息为被照顾人员在历史时段的体温，历史环境湿度为被照顾人员所处环境在历史时段的湿度，历史情绪信息为被照顾人员在历史时段的情绪信息，情绪信息至少包括幸福和悲伤；在当前情绪信息为悲伤的情况下，发出提示信息，提示信息用于提示环境变化会导致被照顾人员不舒适。温度传感器与被照顾人员的身体的多个部位贴合，获取多个历史时段的历史体温信息、历史环境湿度和历史音频，至少包括：获取步骤，获取目标历史时段的多个部位温度，多个部位温度分别为温度传感器检测被照顾人员的身体的多个部位的温度；计算步骤，对部位温度进行加权平均，得到历史体温信息；依次重复获取步骤和计算步骤至少一次，得到所有的历史时段的历史体温信息。
3、在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
4、相关技术要求用户佩戴多个生理传感器(例如，温度传感器)以检测获得用户的生理信息。而佩戴生理传感器会干扰用户的活动甚至情绪，因此，相关技术所采用的人员情绪的识别方法，在感知用户情绪的同时，会对用户的情绪造成不利影响。
5、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
2、本公开实施例提供了一种用于构建情绪分类模型的方法及装置、空调器，以消除佩戴生理传感器对用户的活动或者情绪的影响，降低情绪分类识别对用户情绪所产生的干扰。
3、在一些实施例中，方法包括：构建拟合网络模型，拟合网络模型表示wifi原始信号与人体生理信号的映射关系；获得情绪类别以及不同用户的wifi信号；以wifi信号为输入且情绪类别为标签、以拟合网络模型为基准模型进行迁移训练，获得用于情绪分类的分类网络模型。
4、在一些实施例中，构建拟合网络模型，包括：获得wifi原始信号及人体生理信号；以呼吸信号和心跳信号为标签并以wifi原始信号作为输入，对初始网络模型进行模型训练，获得训练完成的拟合网络模型。
5、在一些实施例中，按照以下方式配置初始网络模型的模型参数：配置初始网络模型的模型优化器为lbfgs优化器；和/或，配置初始网络模型的损失函数为mse损失函数和正则损失函数的线性函数。
6、在一些实施例中，以wifi信号为输入且情绪类别为标签、以拟合网络模型为基准模型进行迁移训练，获得用于情绪分类的分类网络模型，包括：配置初始分类网络模型的损失函数和模型优化器；以wifi信号为输入且情绪类别为标签并以拟合网络模型作为基准模型对初始分类网络模型进行迁移训练，获得分类网络模型。
7、可选地，获得wifi原始信号，包括：通过wifi模块获得wifi原始信号。获得人体生理信号，包括：在实验阶段，处理器通过生理传感器获得人体生理信号，生理传感器佩戴于实验人员的检测部位。
8、可选地，初始网络模型为kan(kolmogorov-arnold network)网络模型。
9、在一些实施例中，按照以下方式配置初始分类网络模型的损失函数和模型优化器：配置初始分类网络模型的损失函数为交叉熵函数；配置初始分类网络模型的模型优化器为adamw优化器。
10、在一些实施例中，以拟合网络模型为基准模型进行迁移训练时反向传播的迭代次数与对初始网络模型进行模型训练时反向传播的迭代次数满足以下次数条件：αm1<m2；其中，m1表示以网络模型为基准模型进行迁移训练时反向传播的迭代次数，m2表示对初始网络模型进行模型训练时反向传播的迭代次数，α表示比例系数，且1<α≤3。
11、在一些实施例中，还包括：获得用于情绪分类的分类网络模型后，获得当前wifi信号；输入当前wifi信号至分类网络模型进行模型训练，获得模型输出信号；根据模型输出信号，确定用户的当前情绪状态；根据当前情绪状态，控制空调器执行相对应的调控模式。
12、在一些实施例中，还包括：确定用户的当前情绪状态后，控制空调器相关联的照明装置执行相对应的照明模式，和/或，控制空调器相关联的音频装置执行相对应的音频模式。
13、在一些实施例中，装置，包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行如上述的用于构建情绪分类模型的方法。
14、在一些实施例中，空调器，包括：空调器本体；如上述的用于构建情绪分类模型的装置，安装于所述空调器本体。
15、在一些实施例中，计算机可读存储介质，存储有程序指令，所述程序指令在运行时，用以使得计算机执行如上述的用于构建情绪分类模型的方法。
16、本公开实施例提供的用于构建情绪分类模型的方法及装置、空调器，可以实现以下技术效果：
17、本公开实施例构建拟合网络模型后，获得情绪类别及不同用户的wifi信号，并以wifi信号为输入且情绪类别为标签，以拟合网络模型为基准模型进行迁移训练，获得用户情绪分类的分类网络模型。由于拟合网络模型表示wifi原始信号与人体生理信号的映射关系，通过将wifi信号作为输入且情绪类别作为标签对拟合网络模型进行迁移训练，能够获得高准确率的分类网络模型，从而提升用户情绪识别的准确率。与此同时，本公开实施例通过wifi信号以无感检测方式实现情绪分类，能够消除佩戴生理传感器对用户的活动或者情绪的影响，有利于降低情绪分类识别对用户情绪所产生的干扰。
18、以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
1.一种用于构建情绪分类模型的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，构建拟合网络模型，包括：
3.根据权利要求2所述的方法，其特征在于，按照以下方式配置初始网络模型的模型参数：
4.根据权利要求2所述的方法，其特征在于，以wifi信号为输入且情绪类别为标签、以拟合网络模型为基准模型进行迁移训练，获得用于情绪分类的分类网络模型，包括：
5.根据权利要求4所述的方法，其特征在于，按照以下方式配置初始分类网络模型的损失函数和模型优化器：
6.根据权利要求4所述的方法，其特征在于，以拟合网络模型为基准模型进行迁移训练时反向传播的迭代次数与对初始网络模型进行模型训练时反向传播的迭代次数满足以下次数条件：
7.根据权利要求1至6任一项所述的方法，其特征在于，还包括：
8.根据权利要求7所述的方法，其特征在于，还包括：
9.一种用于构建情绪分类模型的装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至8任一项所述的用于构建情绪分类模型的方法。
10.一种空调器，其特征在于，包括：
