一种坐垫及坐姿分析方法与流程
本发明涉及智能分析领域，特别是涉及一种坐垫及坐姿分析方法。
背景技术：
人体最常见的姿势有三种：站、躺、坐。在人们的日常生活中，通常保持坐姿的时间相对较长，坐姿是人体最自然的姿势之一。对于计算机工作站的工作者、办公室一族来说，他们通常工作时间长期保持坐姿，导致身体存在不同程度的不适，长此以往，还会导致一些疾病。坐姿在一定程度上决定着我们的健康，在无法避免保持坐姿的情况下，改善我们的坐姿，可以有效的改善我们的身体健康状态，减轻一些疾病的症状。
现有的测量坐姿的坐垫通常采用电容传感技术，利用两个带电体作为电极构成电容器，通过测量坐垫中的电容值变化获得坐垫受力的相关参数。由于人体接触坐垫的电容器中的极板，通常会产生相应的寄生电容，导致测量结果不准确。而对于能够避免寄生电容的坐垫，通常成本非常高。
技术实现要素：
本发明的目的是提供一种坐垫及坐姿分析方法，以解决现有技术中坐姿测量结果不准确的问题。
为实现上述目的，本发明提供了如下方案：
一种坐垫，所述坐垫包括：m×n的压力传感器阵列，所述压力传感器阵列包括列导线层、导电纤维层和行导线层，所述导电纤维层设于所述列导线层与所述行导线层之间；所述列导线层布设有m条平行的列导线；所述行导线层布设有n条平行的行导线；所述行导线与所述列导线交叉，且每一条所述行导线通过所述导电纤维层与每一条所述列导线连通，构成一个压力传感器。
可选的，所述导电纤维为涂覆有压电的纤维基纱线聚合物。
可选的，所述行导线与所述列导线相互垂直。
一种坐姿分析装置，所述装置包括坐垫、第一模拟开关、第二模拟开关、单片机、上位机；
所述坐垫包括：m×n的压力传感器阵列，所述压力传感器阵列包括列导线层、导电纤维层和行导线层，所述导电纤维层设于所述列导线层与所述行导线层之间；所述列导线层布设有m条平行的列导线；所述行导线层布设有n条平行的行导线；所述行导线与所述列导线交叉，且每一条所述行导线通过所述导电纤维层与每一条所述列导线连通，构成一个压力传感器；
所述单片机的第一输出端通过所述第一模拟开关的控制端连接所述列导线层的条平行的列导线；所述单片机的第二输出端通过所述第二模拟开关的控制端连接所述行导线层的条平行的行导线；所述单片机的输入端连接所述第二模拟开关的输出端，用于采集所述个压力传感器的电压值数据；所述单片机的第三输出端与所述上位机连接，用于向所述上位机传输采集的电压值数据；
所述上位机用于根据所述电压值数据分析坐垫使用者的坐姿。
可选的，所述装置还包括：模数转换器，所述单片机的输入端通过所述模数转换器连接所述第二模拟开关的输出端，所述模数转换器用于对采集的电压值数据进行模数转换，生成数字信号。
可选的，所述导电纤维为涂覆有压电的纤维基纱线聚合物。
一种坐姿分析方法，所述方法包括：
采集坐垫中个压力传感器的电压值数据，所述坐垫包括：m×n的压力传感器阵列，所述压力传感器阵列包括列导线层、导电纤维层和行导线层，所述导电纤维层设于所述列导线层与所述行导线层之间；所述列导线层布设有m条平行的列导线；所述行导线层布设有n条平行的行导线；所述行导线与所述列导线交叉，且每一条所述行导线通过所述导电纤维层与每一条所述列导线连通，构成一个压力传感器；
将所述电压值数据转换为数字信号；
根据所述数字信号获得坐垫受力图像；
对所述数字信号进行小波分解，提取特征，获得分解后的数据；
利用bp神经网络对所述分解后的数据进行坐姿分析，得到坐垫使用者的坐姿类型，所述坐姿类型包括：右部偏姿、左部偏姿、前部偏姿、后部偏姿和均匀坐姿。
可选的，所述根据所述数字信号获得坐垫受力图像，具体包括：
根据所述数字信号生成座垫受力初始图像；
用不同的颜色标识所述初始图像中不同受力值对应的压力传感器位置；
采用插值算法将所述初始图像中没有压力传感器的区域填充颜色；
获得最终的所述坐垫受力图像。
可选的，所述利用bp神经网络对所述分解后的数据进行坐姿分析，得到坐垫使用者的坐姿类型，具体包括：
构建bp神经网络坐姿识别模型；
根据所述分解后的数据和坐姿类型个数确定所述bp神经网络坐姿识别模型中隐含层的个数；
将所述分解后的数据输入所述bp神经网络坐姿识别模型的输入层；
根据所述bp神经网络坐姿识别模型确定所述坐姿使用者的坐姿类型。
可选的，所述构建bp神经网络坐姿识别模型，具体包括：
将分解后的数据作为bp神经网络的输入端，坐姿类型作为输出端，构建bp神经网络初步模型；
利用q个样本对所述bp神经网络初步模型进行训练；
计算所述q个样本的训练误差；
判断所述训练误差是否小于设定误差阈值，得到第一判断结果；
当所述第一判断结果表示所述训练误差小于设定误差阈值时，确定所述bp神经网络初步模型为bp神经网络坐姿识别模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
准确度高：本发明采用压力传感器阵列来测量坐垫压力信息，传感点相对较多，加上与算法相结合能实现较高的分辨率，且坐垫压力的变化直接影响压力传感器中导电纤维层的内部压力，导电纤维层内部压力越大，阻值越小，从而使得压力传感器的输出有变化，在测量过程中不受外界其他因素的影响，测量结果的准确度不受压力影响，因此准确度高。
工艺简单：本坐垫只需由上中下三部分组成，上层是铺有纵向导线的普通织物涂布，下层是铺有横向导线的普通织物涂布，中间层是电阻可随压力改变的导电纤维，制作工艺相对简单，此三个部分都是比较容易制作加工的。
结构简单：此系统虽然有m×n个传感器点，但所需的信号线只有m+n根，相较于用其它传感器，如压阻传感器，若用m×n个传感器，每个传感器有两根信号线，因此总共需2m×n根信号线。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明坐垫的结构图；
图2为本发明坐姿分析装置的结构图；
图3为本发明坐姿分析装置中传感器与模拟开关连接电路图；
图4为本发明坐姿分析方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明坐垫的结构图。如图1所示，所述坐垫包括：m×n的压力传感器阵列，m和n均为大于零的整数，例如，m＝5、n＝6，此时构成5×6的压力传感器阵列；m＝8、n＝8，此时构成8×8的压力传感器阵列；m＝10、n＝10，此时构成10×10的压力传感器阵列。具体压力传感器阵列的大小，根据实际需求可作调节。所述压力传感器阵列包括列导线层101、导电纤维层102和行导线层103；
所述导电纤维层102设于所述列导线层101与所述行导线层103之间；导电纤维层102是基于导电纤维的材料，其是涂覆有压电的纤维基纱线聚合物，在没有外力的作用下，导电纤维内部的阻值是很大的，当有外力施加在坐垫表面时，导电纤维的内部被挤压，其电阻就会变得很小。其在同一侧的任意两点之间的电阻可以被看作是无限的。因此，我们可以采取这个特点设计高密度和低成本压力传感器阵列。
所述列导线层101为普通织物均匀涂布上布设有m条平行的列导线1011；所述行导线层103为普通织物均匀涂布上布设有n条平行的行导线1013；所述行导线与所述列导线交叉，且每一条所述行导线通过所述导电纤维层102与每一条所述列导线连通，构成一个压力传感器。此时，行导线与列导线之间的夹层导电纤维层即为电阻，行导线与列导线的每个交点变为压力敏感电阻，形成压力传感器。在具体实施时，行导线与列导线垂直，此时坐垫上m×n个压力传感器分布均匀。
图2为本发明坐姿分析装置的结构图。如图2所示，所示装置包括：坐垫201、第一模拟开关202、第二模拟开关203、单片机204、上位机205；
坐垫201采用图1所示的坐垫结构，包括m×n的压力传感器阵列，所述压力传感器阵列为三层夹层结构，包括列导线层2011、导电纤维层2012和行导线层2013。
所述单片机204的第一输出端通过所述第一模拟开关202的控制端连接所述列导线层2011的m条平行的列导线；
所述单片机204的第二输出端通过所述第二模拟开关203的控制端连接所述行导线层2013的n条平行的行导线；
所述单片机204的输入端连接所述第二模拟开关203的输出端，用于采集所述m×n个压力传感器的电压值数据；
所述单片机204的第三输出端与所述上位机205连接，用于向所述上位机205传输采集的电压值数据；单片机204的作用是对测量到的压力信号进行采集和进行一定相应的处理，然后通过单片机204与上位机205的串行通信接口用一定的方法将采集处理后的压力数据传输到上位机205上。
所述上位机205用于根据所述电压值数据分析坐垫使用者的坐姿。主要找出特定的几种典型坐姿与其相对应的压力分布情况，对特定的坐姿进行判别，将采集到的人体坐姿压力分布数据实现可视化。
所述装置还包括：模数转换器，所述单片机204的输入端通过所述模数转换器连接所述第二模拟开关203的输出端，所述模数转换器用于对采集的电压值数据进行模数转换，生成数字信号。
本发明的坐姿分析装置具有以下优点：
工艺简单：坐垫只需由上中下三部分组成，上层是铺有纵向导线聚丙烯塑料板(或者普通织物均匀涂布)，下层是铺有横向导线聚丙烯塑料板(或者普通织物均匀涂布)，中间一层电阻可随压力改变的导电纤维层，制作工艺相对简单，此三个部分都是比较容易制作加工的。国内进行坐姿识别使用较多的是pvdf压力传感器，这种传感器国内的技术比较成熟，由于能做的厂家较少，所以价格相对昂贵一些。本发明的坐垫采用分布式的传感器阵列，成本相对低廉好多。
结构简单：此系统虽然有m×n个传感器点，但所需的信号线只有m+n根，相较于用其它传感器，如压阻传感器，若用m×n个传感器，每个传感器有两根信号线，因此总共需2m×n根信号线。
图3为本发明坐姿分析装置中传感器与模拟开关连接电路图。如图3所示，顶层列导线层的每个导电总线通过模拟开关s1连接到电源vcc。底部行导线层的每个导电总线通过模拟开关s2连接到模数转换器(analogtodigitalconverter，adc)并通过偏移电阻r0接地，r0也有一定的分压作用。s1和s2都由微控制器控制。当控制s1选择连接到顶部的一个总线i时电压供应，s2中通道j的读数为传感器vij。借助外围电路，微控制器(单片机)可以访问此数组中的任意传感器的电压值。
单片机首先控制多路模拟开关电路，负责选择切换m×n路坐姿压力分布信号。单片机控制s1轮流一次给每根导线加3.3v电压，当s1选择连接到顶部的一个总线i时电压供应，s1中通道j的读数为传感器vij，借助外围电路，微控制器可以访问此数组中每一个传感器的电压值。对于采集到的数据需要进行a/d转换才能发送给计算机，本系统选择单片机上自带的a/d转换模块能满足需要，也可以选择单独的a/d转换器进行模数转换。
图4为本发明坐姿分析方法的流程图。如图4所示，所述方法包括：
步骤401：采集坐垫中压力传感器数据。压力传感器数据为电压值数据。坐垫为采用图1所示的坐垫结构，坐垫包括m×n的压力传感器阵列，所述压力传感器阵列为三层夹层结构，包括列导线层、导电纤维层和行导线层。
步骤402：将电压值数据转换为数字信号。由于步骤401采集的是压力分布的模拟信号，因此进行模数转换，并将模数转换后的数字信号进行保存来等待后续的一系列处理工作。
步骤403：获得坐垫受力图像。根据所述数字信号，根据压力分布获得坐垫受力图像。由于接收的数字信号是代表不同压力大小的数字信号，运用开发工具matlab自带的配色方案将不同的压力传感器采集到的代表不同压力大小的位置用不同的颜色来代表它的大小，对于没有压力传感器的位置采取用插值算法合理补充其颜色。如此，gui界面上就会出现一幅代表坐姿压力分布的压力分布图，不同颜色代表不同的压力大小。具体过程为：
根据所述数字信号中的压力分布信息生成座垫受力初始图像；
用不同的颜色标识所述初始图像中不同受力值对应的压力传感器位置；
采用插值算法将所述初始图像中没有压力传感器的区域填充颜色；
获得最终的所述坐垫受力图像。
步骤404：获得分解后的数据。对所述数字信号进行小波分解，提取特征，获得分解后的数据。小波分解是通过时频域下的一系列小波基函数，对压力信号进行分段的一种信号处理手段。它能够通过对不同小波基函数的选取，去完成不同频率段信号的分解和重构，最终得到被细致分析后的、剔除了部分噪声的波形。从数学的角度看，即通过时域一维信号到时频域二维空间的转换，最终达到多分辨率分析的目的。
步骤405：利用bp神经网络进行坐姿分析，获得坐姿类型。利用bp神经网络对所述分解后的数据进行坐姿分析，得到坐垫使用者的坐姿类型，所述坐姿类型包括：右部偏姿、左部偏姿、前部偏姿、后部偏姿和均匀坐姿。具体过程为：
构建bp神经网络坐姿识别模型。结合坐姿压力分布信息对bp网络的结构、输入输出以及各种参数进行设计，构建基于bp神经网络的坐姿识别模型；
根据所述分解后的数据和坐姿类型个数确定所述bp神经网络坐姿识别模型中隐含层的个数。隐含层神经元个数对bp神经网络的性能影响较大。若隐含层神经元的个数较少，则网络不能充分描述输入和输出变量之间的关系；相反若隐含层神经元的个数较多，则会导致网络的学习时间变长，甚至出现过拟合的问题。目前还没有确定隐含层神经元个数的统一方法，一般可以参考经验公式
将所述分解后的数据输入所述bp神经网络坐姿识别模型的输入层。本发明中将m×n维的压力传感信号作为bp神经网络的输入，即输入神经元的个数为m×n个。
根据所述bp神经网络坐姿识别模型确定所述坐姿使用者的坐姿类型。将相应的坐姿类型作为输出结果。输出层为坐姿类别，分别为右部偏姿、左部偏姿、前部偏姿、后部偏姿和均匀坐姿，分别定义为1，2，3，4，5，输出层节点数为1。
其中，构建bp神经网络坐姿识别模型的过程为：
将分解后的数据作为bp神经网络的输入端，坐姿类型作为输出端，构建bp神经网络初步模型；
利用q个样本对所述bp神经网络初步模型进行训练；
计算所述q个样本的训练误差；
判断所述训练误差是否小于设定误差阈值，得到第一判断结果；
当所述第一判断结果表示所述训练误差小于设定误差阈值时，确定所述bp神经网络初步模型为bp神经网络坐姿识别模型。
例如：将压力传感信号作为神经网络的输入端，将相应的坐姿类别作为输出端，构建7*12*1的bp网络，并对网络进行训练，选择260个样本作为训练样本，一个样本作为测试样本构建bp神经网络坐姿识别模型。通过matlab自带神经网络工具箱对其进行训练，设定的训练次数为1000次，训练误差目标为0.0001，学习率为0.05，当训练误差小于训练误差目标(设定误差阈值)时，则符合要求，bp神经网络坐姿识别模型构建成功。
该方法基本上是可以反映出人体坐姿的压力分布情况的并可以判别出五种坐姿类型。根据可视化界面所显示出来的压力分布图的不同颜色，可以定性的判别出各传感点处的压力大小，进而可以估计出人体坐姿压力的分布情况。通过神经网络对训练数据的训练可以判断出测试数据的坐姿类型。以上的所有测试均验证了该系统设计方案的可行性。
具体实施过程：
选择五个志愿测试者用本发明进行体压分布测量及坐姿判别。一共安排五个测试者做两组测试，第一组是让他们随意坐下，采取平时习惯的姿势就坐，没有特意安排测试者的坐姿。第二组是规定五个人的坐姿，让他们分别采取之前训练所涉及到的五个坐姿，即后部偏姿(lb)、左部偏姿(rol)、右部偏姿(lor)、前部偏姿(sfe)、均匀坐姿(upright)。五名测试者的信息如下：
测试者a：25岁，女性，身高162cm，平时习惯坐椅子比较靠前的位置。第一组测试的时候处于正常坐姿sfe状态，第二组测试的时候规定他处于跷二郎腿rol状态。
测试者b：26岁，女性，身高160cm，平时喜欢跷二郎腿坐。做第一组测试的时候处于跷二郎腿lor的姿势，做第二组测试的时候规定她处于upright的坐姿状态。
测试者c：24岁，男性，身高172cm，坐姿习惯良好。第一组测试的时候处于正常upright姿态，做第二组测试的时候规定他处于lor的坐姿状态。
测试者d：23岁，女性，身高167cm，平时喜欢靠着椅子背坐着。第一组测试的时候处于lb的状态，做第二组测试的时候规定她处于sfe的坐姿状态。
测试者e：29岁，男性，身高176cm，平时喜欢跷二郎腿。第一组测试的时候处于rol的状态，做第二组测试的时候规定他处于lb的坐姿状态。
两组测试的结果如下：
在第一组中，测试者a习惯坐在椅子的靠前部位，阵列传感器只有前部受力，后面并没有受到力的作用，这样的坐姿还是很健康的。测试者b由于平时的习惯是跷二郎腿坐着，在测试当中是左腿放在了右腿上跷二郎腿，导致右侧的受力面积明显比左侧的受力面积要大很多，坐姿压力分布不平衡。测试者c由于习惯的是正常的直立的坐姿习惯，坐姿压力分布的比较均匀，比较健康。测试者d由于喜欢靠着椅背坐，这样导致他的中心靠后，传感器后部受力较大，前部受力较小，身体呈现后倾瘫坐的姿势。测试者d平时也喜欢跷二郎腿坐，在测试时是右腿放在了左腿上跷二郎腿，导致左侧的受力面积明显比右侧的受力面积要大。
第二组测试所得到的压力分布图也符合预先的设定。总结以上的压力分布图可以看出，压力分布图的结果均符合事实以及人的直观认知。
lb型坐姿导致压力重心靠后，传感器后部的压力远远大于前部的压力，
lor型坐姿导致传感器左侧的压力明显比右侧的要大一些，
rol型坐姿导致传感器右侧的压力明显比左侧的要大一些，
sfe型坐姿导致压力全都分布在传感器的前部而后部没有受力，并且在前部分布的较均匀，
upright型坐姿压力分布就比较均匀，大致就是前后左右四个区域均匀分布。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
- 还没有人留言评论。精彩留言会获得点赞！