一种利用压阻式薄膜压力传感器组对人体坐姿识别方法与流程

本发明涉及一种人体坐姿识别方法，特别是涉及一种利用压阻式薄膜压力传感器组对人体坐姿识别方法。

背景技术：

早在2003年，世界卫生组织的一项研究就指出：全球每年有200万人因久坐而产生各种疾病最终导致死亡。久坐早已被公认为十大致死、致病的杀手之一。随着当今社会节奏的不断加快，生活压力的直线增加，从青少年读书开始一直到工作，人们都需要不断地面对每天久坐的问题。而且久坐人群必然需要面对坐姿问题。青少年从初中开始，每天至少需要久坐10小时，而且他们的坐姿大多数都是不规范的，非常影响其成长发育。坐姿是一种人体的自然姿态，人体处于坐姿状态时，减少了人体的耗能，不易产生疲劳。人体处于不同坐姿时，身体各个部位所承受的压力不同。当人体长时间处于不正确的坐姿时，臀部、腿部，背部、脊柱等所承受的压力会非常不均匀，长此以往，会对人体的健康造成极大的危害。

不良坐姿带给人体健康的危害主要有三个方面：造成人体颈椎类疾病、使得下背痛患者症状加剧以及造成青少年眼睛近视。对于久坐的上班族、学生族而言，不良坐姿给他们的身体健康带来的危害，严重时甚至会影响到他们正常的工作和学习。人体在坐姿状态下，左倾和右倾的姿势会引发脊椎的变形，严重者会造成脊椎的损伤；前倾与后倾的姿势会使得部分下背痛患者的症状加重；青少年如果坐姿长期不规范，则极易造成青少年眼睛近视。

目前，国内同类技术主要是基于光纤传感器以及三轴加速度传感器等昂贵的传感器，主要应用于高端办公环境。尽管实现了坐姿监测，并且研发了可以帮助用户改善坐姿的智能坐垫，但是因为价格较贵，在国内尚未得到广泛推广。

技术实现要素：

本发明的目的在于提供一种利用压阻式薄膜压力传感器组对人体坐姿识别方法，本发明提出的一种基于压阻式薄膜压力传感器组的人体坐姿识别方法，采用价格廉价的压阻式薄膜压力传感器获得人体坐姿的压力监测数据，且本发明方法的计算复杂度低，可应用于廉价的低计算能力处理器。本发明方法不仅可实现对人体坐姿的准确识别，而且其硬件实现的成本较现有技术大幅降低。

本发明的目的是通过以下技术方案实现的：

一种利用压阻式薄膜压力传感器组对人体坐姿识别方法，所述方法包括以下：

（1）设计了一种基于分组策略的压阻式压力传感器布置方式：

在采集压力信号的坐垫上部署8个及以上数量的压阻式薄膜压力传感器组，根据人体处于坐姿状态时的大腿部和臀部压力分布特征和压力测量区域网格划分，作为分组策略的设计依据，确定传感器组的布置方式；其中，第3、4和7、8组成四个传感器构成两个压力测量传感器组，用于测量坐姿状态下的大腿部压力；第1、2和5、6组成四个传感器构成两个压力测量传感器组，用于采集人体坐姿状态下的后臀部压力；该传感器分组和布置方式在人体处于不同坐姿状态下，均采集到具有明显差异性的压力变换特征；

（2）提出了一种复合限幅滤波方法：

对实时采集的压力数据进行预处理，滤除异常值和保持数据平滑性；其中，采用箱线图法进行压力数据的异常值判别和滤除异常值，且通过滑动窗口滤波方法对异常值和压力幅值进行峰值限制处理；采用正态分布加权邻域均值法，对采集到的压力数据序列进行平滑处理；数据预处理后的压力数据，具有波动平滑性且不改变数据波动特征；

（3）提出了一种二层结构的支持向量机人体坐姿多分类算法：

分别定义了前后轴倾系数和左右轴倾系数，根据压力传感器分组，对多维压力数据进行降维处理；第一层设置一个支持向量机分类器，依据轴倾系数进行正常坐姿和非正常坐姿的二分类计算，若为正常坐姿则分类结束；若为非正常坐姿，则启动第二层的两个支持向量机分类器，分别进行左前与右后、右前与左后的人体姿态二分类计算，完成人体坐姿识别。

所述的一种利用压阻式薄膜压力传感器组对人体坐姿识别方法，所述一种复合限幅滤波方法是采用箱线图法进行压力数据的异常值判别和滤除异常值，且通过滑动窗口滤波方法对异常值和压力幅值进行峰值限制处理。

所述的一种利用压阻式薄膜压力传感器组对人体坐姿识别方法，所述一种复合限幅滤波方法是采用正态分布加权邻域均值法，对采集到的压力数据序列进行平滑处理。

所述的一种利用压阻式薄膜压力传感器组对人体坐姿识别方法，所述一种二层结构的支持向量机人体坐姿多分类算法是根据压力传感器分组及组间的压差，分别定义了前后轴倾系数和左右轴倾系数，对预处理后的多维压力传感器数据进行降维至二维。

所述的一种利用压阻式薄膜压力传感器组对人体坐姿识别方法，所述一种二层结构的支持向量机人体坐姿多分类算法是第一层设置一个支持向量机分类器，依据轴倾系数进行正常坐姿和非正常坐姿的二分类计算。

所述的一种利用压阻式薄膜压力传感器组对人体坐姿识别方法，所述一种二层结构的支持向量机人体坐姿多分类算法是第一层的支持向量机二分类计算的结果，若为正常坐姿则分类结束；若为非正常坐姿，则启动第二层的两个支持向量机分类器。

所述的一种利用压阻式薄膜压力传感器组对人体坐姿识别方法，所述一种二层结构的支持向量机人体坐姿多分类算法是第二层的两个支持向量机分类器，分别进行左前与右后、右前与左后的人体姿态二分类计算，通过分类结果的与运算，完成人体坐姿识别。

本发明的优点与效果是：

1.本发明提出的传感器分组策略和布置方式，在人体处于不同坐姿状态下，均可采集到具有明显差异性的压力变换特征，具有良好的鲁棒性。

2.本发明提出的一种复合限幅滤波方法，实时滤除原始数据的异常值，使数据具有较好平滑性且不改变波动特征。

3.本发明分别定义了前后轴倾系数和左右轴倾系数，对预处理后的多维压力传感器数据进行降维至二维，倾轴系数在不同人体坐姿条件下，具有显著性差异。

4.本发明提出的人体坐姿多分类算法，是一种二层结构的层叠支持向量机分类器，可实现多种人体坐姿的准确分类。

附图说明

图1是压阻式薄膜压力传感器组的布置方式；

图2是实验测试中压力传感器数据预处理后的分布图；

图3是实验测试中轴倾系数的状态分布散点图；

图4是二层结构支持向量机的人体坐姿多分类算法流程图；

图5是实验测试中第一层支持向量机分类器的分类模型；

图6是实验测试中第二层支持向量机分类器的左后右前分类模型；

图7是实验测试中第二层支持向量机分类器的左前右后分类模型。

图中：1-8是压阻式压力传感器。其中，第3、4和7、8共四个传感器构成两个压力测量传感器组，用于测量坐姿状态下的大腿部压力；第1、2和5、6共四个传感器构成两个压力测量传感器组，用于采集人体坐姿状态下的后臀部压力。9-12是压力底座的四个功能区域。其中，9和10是大腿部压力测量区域，11和12是后臀部压力测量区域。

具体实施方式

下面结合附图所示实施例对本发明进行详细说明。

本发明是一种基于压阻式薄膜压力传感器组的人体坐姿识别方法，包括三个主要部分：（1）采用压阻式薄膜压力传感器组，以人体坐姿状态的大腿部和臀部压力分布特征和测量区域划分作为分组策略和布置方式设计依据，不同坐姿状态下均可采集到具有显著性差异的压力特征。（2）提出了一种复合限幅滤波方法，实时滤除原始数据的异常值，使数据具有较好平滑性且不改变波动特征。（3）提出了一种二层结构支持向量机的人体坐姿多分类算法。定义了前后轴倾系数和左右轴倾系数对压力数据进行降维至二维，第一层设置一个支持向量机分类器，进行正常坐姿和非正常坐姿的分类计算，第二层设置两个支持向量机分类器，分别对非正常坐姿状态进行左前与右后、右前与左后的人体姿态分类计算，通过分类结果与运算，完成人体坐姿识别。

本发明中，提出了一种基于分组策略的压阻式压力传感器布置方式。在采集压力信号的坐垫上部署8个及以上数量的压阻式薄膜压力传感器组，根据人体处于坐姿状态时的大腿部和臀部压力分布特征和压力测量区域网格划分，作为分组策略的设计依据，确定传感器组的布置方式，如附图1所示。其中，第3、4和7、8共四个传感器构成两个压力测量传感器组，用于测量坐姿状态下的大腿部压力；第1、2和5、6共四个传感器构成两个压力测量传感器组，用于采集人体坐姿状态下的后臀部压力。

本发明中，压阻式压力传感器的分组策略和布置方式。通过实验测试表明，该传感器分组策略和布置方式在人体处于不同坐姿状态下，均可采集到具有明显差异性的压力变换特征，具有良好的鲁棒性。

本发明中，提出了一种复合限幅滤波方法。对实时采集的压力数据进行预处理，滤除异常值和保持数据平滑性。其中，采用箱线图法进行压力数据的异常值判别和滤除异常值，且通过滑动窗口滤波方法对异常值和压力幅值进行峰值限制处理。其中，箱线图法的异常值判别条件为：箱线图内限和外限以外的位置点所代表的数据均为异常值。滑动窗口滤波方法中，定义窗口长度为win_l，窗口内数据均值为win_mean，窗口内数据峰值为win_max，窗口内数据峰值的抑制值为win_dep，则窗口内数据峰值的抑制值可计算如下：

本发明中，提出了一种复合限幅滤波方法。采用正态分布加权邻域均值法，对采集到的压力数据序列进行平滑处理。数据预处理后的压力数据，具有较好的波动平滑性且不改变数据波动特征。定义当前数据为data_cur，左邻域数据为data_left，右邻域数据为data_right，平滑后的数据为data_smt。标准正态分布加权系数取值为正态分布函数表中x=0和x=1的函数值，分别为0.5和0.84。则有data_smt计算如下：

本发明中，提出了一种二层结构的支持向量机人体坐姿多分类算法。根据压力传感器分组及组间的压差，分别定义了前后轴倾系数和左右轴倾系数，对预处理后的多维压力传感器数据进行降维至二维，倾轴系数在不同人体坐姿条件下，具有显著性差异。多维传感器数据降维计算过程如下：

图1所示传感器1至传感器8，其压力监测数据分别定义为datas1至datas8。由传感器1和传感器2构成的传感器组，其压力监测数据均值定义为datag1，由传感器5和传感器6构成的传感器组，其压力监测数据均值定义为datag2，由传感器3和传感器4构成的传感器组，其压力监测数据均值定义为datag3，由传感器7和传感器8构成的传感器组，其压力监测数据均值定义为datag4。前后轴倾系数和左右轴倾系数分别定义为aic_fr和aic_lr，则有：

本发明中，提出了一种二层结构的支持向量机人体坐姿多分类算法。第一层设置一个支持向量机分类器，依据轴倾系数进行人体正常坐姿和非正常坐姿的二分类计算。算法流程和二层结构支持向量机分类器组，如图4所示。人体正常和非正常坐姿分类模型，如图5所示。

本发明中，提出了一种二层结构的支持向量机人体坐姿多分类算法。若第一层支持向量机分类器的分类结果为人体正常坐姿，则分类结束。人体正常和非正常坐姿分类模型，如图5所示。

本发明中，提出了一种二层结构的支持向量机人体坐姿多分类算法。第二层设置两个支持向量机分类器，分别进行左前与右后、右前与左后的人体非正常坐姿二分类计算。左前与右后坐姿分类模型，如图6所示。右前与左后坐姿分类模型，如图7所示。

本发明中，提出了一种二层结构的支持向量机人体坐姿多分类算法。若第一层支持向量机分类器的分类结果为人体非正常坐姿，则启动第二层的两个支持向量机分类器。

本发明中，提出了一种二层结构的支持向量机人体坐姿多分类算法。根据第二层的两个支持向量机分类器计算获得的左前与右后、右前与左后的人体非正常坐姿二分类结果，通过其相互间的与运算完成人体坐姿识别。

实施例1

本发明中所提出的一种基于分组策略的压阻式压力传感器布置方式。采用8个压阻式压力传感器。其中，第3、4和7、8共四个传感器构成两个压力测量传感器组，用于测量坐姿状态下的大腿部压力；第1、2和5、6共四个传感器构成两个压力测量传感器组，用于采集人体坐姿状态下的后臀部压力。9-12是压力底座的四个功能区域。其中，9和10是大腿部压力测量区域，11和12是后臀部压力测量区域。

本发明中，所提出的压阻式压力传感器分组策略和布置方式，通过实验测试表明，该传感器分组策略和布置方式在人体处于不同坐姿状态下，均可采集到具有明显差异性的压力变换特征，具有良好的鲁棒性。压力监测数据预处理后的分布图，如图2所示。降维处理至二维的不同人体坐姿轴倾系数分布散点图，如图3所示。

本发明中，所提出的一种复合限幅滤波方法。对实时采集的压力数据进行预处理，滤除异常值和保持数据平滑性。其中，采用箱线图法进行压力数据的异常值判别和滤除异常值，且通过滑动窗口滤波方法对异常值和压力幅值进行峰值限制处理。其中，箱线图法的异常值判别条件为：箱线图内限和外限以外的位置点所代表的数据均为异常值。滑动窗口滤波方法中，定义窗口长度为win_l，窗口内数据均值为win_mean，窗口内数据峰值为win_max，窗口内数据峰值的抑制值为win_dep，则窗口内数据峰值的抑制值可计算如下：

本发明中，所提出的一种复合限幅滤波方法。采用正态分布加权邻域均值法，对采集到的压力数据序列进行平滑处理。数据预处理后的压力数据，具有较好的波动平滑性且不改变数据波动特征。定义当前数据为data_cur，左邻域数据为data_left，右邻域数据为data_right，平滑后的数据为data_smt。标准正态分布加权系数取值为正态分布函数表中x=0和x=1的函数值，分别为0.5和0.84。则有data_smt计算如下：

本发明中，所提出的一种复合限幅滤波方法，在测试中表明数据预处理后的压力数据，具有较好的波动平滑性且不改变数据波动特征。压力监测数据预处理后的数据分布图，如图2所示。

本发明中，所提出的一种二层结构的支持向量机人体坐姿多分类算法。根据压力传感器分组及组间的压差，分别定义了前后轴倾系数和左右轴倾系数，对预处理后的多维压力传感器数据进行降维至二维，倾轴系数在不同人体坐姿条件下，具有显著性差异。多维传感器数据降维计算过程如下：

如图1所示的传感器1至传感器8，其压力监测数据分别定义为datas1至datas8。由传感器1和传感器2构成的传感器组，其压力监测数据均值定义为datag1，由传感器5和传感器6构成的传感器组，其压力监测数据均值定义为datag2，由传感器3和传感器4构成的传感器组，其压力监测数据均值定义为datag3，由传感器7和传感器8构成的传感器组，其压力监测数据均值定义为datag4。前后轴倾系数和左右轴倾系数分别定义为aic_fr和aic_lr，则有：

本发明中，所提出的一种二层结构的支持向量机人体坐姿多分类算法。根据压力传感器分组，分别定义了前后轴倾系数和左右轴倾系数，对预处理后的多维压力传感器数据进行降维至二维，倾轴系数在不同人体坐姿条件下，具有显著性差异。压力传感器多维数据降维处理至二维后的不同人体坐姿轴倾系数分布散点图，如图3所示。

本发明中，所提出的一种二层结构的支持向量机人体坐姿多分类算法。第一层设置一个支持向量机分类器，依据轴倾系数进行人体正常坐姿和非正常坐姿的二分类计算。算法流程和二层结构支持向量机分类器组，如图4所示。人体正常和非正常坐姿分类模型，如图5所示。

本发明中，所提出的一种二层结构的支持向量机人体坐姿多分类算法。若第一层支持向量机分类器的分类结果为人体正常坐姿，则分类结束。算法流程和二层结构支持向量机分类器组，如图4所示。

本发明中，所提出的一种二层结构的支持向量机人体坐姿多分类算法。第二层设置两个支持向量机分类器，分别进行左前与右后、右前与左后的人体非正常坐姿二分类计算。算法流程和二层结构支持向量机分类器组，如图4所示。左前与右后坐姿分类模型，如图6所示。右前与左后坐姿分类模型，如图7所示。

本发明中，所提出的一种二层结构的支持向量机人体坐姿多分类算法。若第一层支持向量机分类器的分类结果为人体非正常坐姿，则启动第二层的两个支持向量机分类器。算法流程和二层结构支持向量机分类器组，如图4所示。

本发明中，所提出的一种二层结构的支持向量机人体坐姿多分类算法。根据第二层的两个支持向量机分类器计算获得的左前与右后、右前与左后的人体非正常坐姿二分类结果，通过其相互间的与运算完成人体坐姿识别。算法流程和二层结构支持向量机分类器组，如图4所示。