一种坐姿检测方法和装置以及座椅与流程

本发明涉及智能家居技术领域，尤其涉及一种坐姿检测方法和装置以及座椅。

背景技术：

随着电脑的普及，人们的大量时间集中在电脑前，长时间的坐姿对人的脊柱和臀部的骨骼和肌肉产生长时间的固定压迫，对人的身体会产生不可逆转的损害。因此，需要设计一种检测坐姿的设备与方法，将使用者的坐姿数据统计出来，一方面可以让使用者有意识地避免某些坐姿，形成良好的坐姿习惯，另一方面可以通过大数据分析，针对坐姿对身体产生的影响，提供有效的锻炼方法。对于正在生长发育的未成年人来说，上课、学习时的坐姿不仅会影响上课效率，更会对其骨骼的发育造成影响，因此坐姿检测设备已经成为智能家居领域的一个重要研究课题。

现有的坐姿检测方法主要两种：一、机器视觉检测法，即利用摄像头拍摄人的坐姿照片，通过机器视觉的方式判断人的坐姿，这种方法需要人体图像不被遮挡，同时要求人体不可离开摄像头视场；二、躯体应变片法，即在人的身体主要关节位置设置压力传感器来判断坐姿，这种方法需要大量传感器，同时限制了人体活动自由。

因此，针对以上不足，需要提供一种新的坐姿检测方法。

技术实现要素：

本发明要解决的技术问题是：如何在不依赖摄像设备以及设置于人体的大量压力传感器、同时不限制人体活动自由的前提下，实现人体坐姿的准确检测。

为了解决上述技术问题，根据本发明的一个方面，提供了一种坐姿检测方法。

本发明实施例的坐姿检测方法包括：在待检测人员处于坐姿时，利用设置在座椅表面的多张应变片获取待检测人员施加在座椅表面的压力数据；从所述压力数据中确定以下至少一种特征：总压力特征、形状特征、压力分布特征；将确定的特征与预先设置的坐姿判别策略进行匹配，获得待检测人员的坐姿类别。

优选地，所述压力数据为电平信号；所述多张应变片包括：多张横向排列的应变片和多张纵向排列的应变片；其中，所述多张横向排列的应变片和所述多张纵向排列的应变片交叉设置于座椅表面。

优选地，所述方法进一步包括：在所述从所述压力数据中确定以下至少一种特征之前，从所述多张横向排列的应变片获取横向电平向量，从所述多张纵向排列的应变片获取纵向电平向量；判断横向电平向量和纵向电平向量是否都符合预设的压力均匀条件：若是，将待检测人员的坐姿类别确定为正常。

优选地，从所述压力数据中确定以下至少一种特征，具体包括：在横向电平向量或纵向电平向量不符合所述压力均匀条件时，将横向电平向量和纵向电平向量组成为电平信号矩阵；其中，电平信号矩阵的任一元素表征座椅表面与该元素对应的位置的压力数据；从所述电平信号矩阵中确定总压力特征、形状特征和压力分布特征。

优选地，将确定的特征与预先设置的坐姿判别策略进行匹配，获得待检测人员的坐姿类别，具体包括：在确定的总压力特征符合预设的总压力条件、且确定的形状特征符合预设的形状条件时，将确定的压力分布特征与预先获得的标准数据库中各坐姿类别的特征进行比较；将与该压力分布特征匹配的坐姿类别确定为待检测人员的坐姿类别；或者，将确定的总压力特征、形状特征和压力分布特征输入预先训练完成的基于机器学习的坐姿分类模型，得到待检测人员的坐姿类别。

优选地，所述方法进一步包括：在获得待检测人员的坐姿类别、并判断待检测人员保持该坐姿类别预设时长之后，发出提醒；在获得待检测人员的坐姿类别之后：将待检测人员的真实坐姿类别输入标注数据库以优化标准数据库中的坐姿类别特征；或者，利用待检测人员的真实坐姿类别以及相应的总压力特征、形状特征和压力分布特征对所述坐姿分类模型进行继承式训练；响应于坐姿数据查询请求，将待检测人员的坐姿数据进行展示并推荐与该坐姿数据对应的锻炼动作；其中，所述坐姿数据包括待检测人员各部位的承压大小和承压时长；以及，所述多张应变片近于待测试人员的表面覆盖有薄膜。

根据本发明的另一方面，提供了一种坐姿检测装置，坐姿检测装置可包括：数据采集单元，用于：在待检测人员处于坐姿时，利用设置在座椅表面的多张应变片获取待检测人员施加在座椅表面的压力数据；特征提取单元，用于从所述压力数据中确定以下至少一种特征：总压力特征、形状特征、压力分布特征；坐姿判断单元，用于将确定的特征与预先设置的坐姿判别策略进行匹配，获得待检测人员的坐姿类别。

可选地，所述压力数据为电平信号；所述多张应变片包括：多张横向排列的应变片和多张纵向排列的应变片；其中，所述多张横向排列的应变片和所述多张纵向排列的应变片交叉设置于座椅表面；所述多张应变片近于待测试人员的表面覆盖有薄膜；特征提取单元进一步用于：在所述从所述压力数据中确定以下至少一种特征之前，从所述多张横向排列的应变片获取横向电平向量，从所述多张纵向排列的应变片获取纵向电平向量；判断横向电平向量和纵向电平向量是否都符合预设的压力均匀条件：若是，将待检测人员的坐姿类别确定为正常；否则，将横向电平向量和纵向电平向量组成为电平信号矩阵；其中，电平信号矩阵的任一元素表征座椅表面与该元素对应的位置的压力数据；从所述电平信号矩阵中确定总压力特征、形状特征和压力分布特征；坐姿判断单元进一步用于：在确定的总压力特征符合预设的总压力条件、且确定的形状特征符合预设的形状条件时，将确定的压力分布特征与预先获得的标准数据库中各坐姿类别的特征进行比较；将与该压力分布特征匹配的坐姿类别确定为待检测人员的坐姿类别；或者，将确定的总压力特征、形状特征和压力分布特征输入预先训练完成的基于机器学习的坐姿分类模型，得到待检测人员的坐姿类别。

根据本发明的再一方面，提供一种座椅，其包括主支撑面，所述主支撑面表面设置有多张应变片；基于所述应变片，所述座椅实现上述坐姿检测方法。

根据本发明的又一方面，提供一种座椅，其包括主支撑面和靠背，主支撑面表面和靠背表面设置有多张应变片；基于所述应变片，所述座椅实现上述坐姿检测方法。

本发明的上述技术方案具有如下优点：在本发明实施例中，可将条形应变片均匀被加工成长条形，设计成均匀网格布置在座椅表面，再在上面覆盖薄膜，保证座椅表面使用区域被应变片均匀覆盖，橡胶薄膜厚度不可影响上方压力往下传递。对横向、纵向两个方向得到的压力数据进行分析和识别，能够准确识别使用者的坐姿情况，由此可在不依赖于摄像头和大量压力传感器、同时不对使用者活动进行约束的前提下实现坐姿检测。本发明方法可通过改造现有座椅实现，也可通过专门设计的座椅实现，使用过程中可记录使用者的使用情况，不断修正标准数据库，提高使用者的坐姿识别准确率，可适用于不同身高、体重的用户。本发明方法运算量较小，在使用者坐姿正常时不作复杂运算，由此保证座椅的待机使用时长。

附图说明

图1是本发明实施例的坐姿检测方法的主要步骤示意图；

图2是本发明实施例的应变片设置示意图；

图3是本发明实施例的电平信号矩阵示意图；

图4是本发明实施例的坐姿检测算法示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。

图1是本发明实施例的坐姿检测方法的主要步骤示意图。如图1所示，本发明实施例的坐姿检测方法可具体执行以下步骤：

步骤s101：在待检测人员处于坐姿时，利用设置在座椅表面的多张应变片获取待检测人员施加在座椅表面的压力数据。

在本步骤中，座椅可以是具有主支撑面(即支撑臀部和股部的表面)和靠背的椅子，也可以是没有靠背的凳子，还可以是其它与椅子、凳子具有类似作用的结构和装置。座椅表面指的是主支撑面靠近待检测人员的表面，或者主支撑面以及靠背近于待检测人员的表面。较佳地，上述多张应变片可以是预先加工的条形应变片。应变片可以选取各种应变片，实际应用中优选为电阻应变片。可以理解，应变片可获取待检测人员施加在座椅表面的压力数据，即将压力转换为电平信号作为上述压力数据。为了对应变片进行防护，还可在应变片近于待测试人员的表面覆盖薄膜，如橡胶薄膜。

图2是本发明实施例的应变片设置示意图。在图2中，1为应变片底板，2为交叉排列的应变片，3为上述薄膜。

在本发明实施例中，上述多张应变片包括：多张横向排列的应变片和多张纵向排列的应变片；其中，多张横向排列的应变片和多张纵向排列的应变片交叉设置于座椅表面。可以理解，从横向排列的应变片中可获取横向电平向量h＝[h1,h2,h3...hn]，从纵向排列的应变片可获取纵向电平向量v＝[v1,v2,v3...vm]。其中，h1,h2,h3...hn中的每一均为一个横向排列的应变片获取的电平信号，v1,v2,v3...vm中的每一均为一个纵向排列的应变片获取的电平信号，m和n为大于1的正整数。将v的转置矩阵乘以h即可得到矩阵大小为m*n的电平信号矩阵，电平信号矩阵的每一元素表征座椅表面与该元素对应的位置的压力数据。图3是本发明实施例的电平信号矩阵示意图，从中能够看到横向电平向量与纵向电平向量组成(即进行上述转置之后的矩阵相乘)电平信号矩阵的方式。

步骤s102：从压力数据中确定以下至少一种特征：总压力特征、形状特征、压力分布特征。

具体应用中，总压力特征指的是应变片检测到的整体压力大小特征，形状特征指的是待检测人员与应变片接触区域的形状特征，压力分布特征指的是不同位置的压力分布规律。较佳地，压力分布特征由各点的初始压力数据进行标准化而得到。

在本步骤中，可首先分别将横向电平向量和纵向电平向量与预设的压力均匀条件进行匹配，如果二者均符合压力均匀条件，说明待检测人员的坐姿正常(即坐姿健康)。如果横向电平向量或纵向电平向量不符合压力均匀条件，则说明待检测人员在前后方向或左右方向(即待检测人员处于标准坐姿时的前后、左右方向)存在压力不均，此时可从横向电平向量和纵向电平向量组成的电平信号矩阵中确定总压力特征、形状特征和压力分布特征，用于后续坐姿检测。可以理解，从电平信号矩阵中确定总压力特征、形状特征、压力分布特征中的一个或者多个特征均可实现坐姿检测，此处仅以同时获取总压力特征、形状特征和压力分布特征为例介绍本发明的技术方案，这并不将上述特征的获取方式限制与此。此外，可以通过工程力学和矩阵论的已有理论和技术实现电平信号矩阵中的特征提取，具体提取步骤此处不作赘述。

步骤s103：将确定的特征与预先设置的坐姿判别策略进行匹配，获得待检测人员的坐姿类别。

在本步骤中，上述坐姿判别策略可以通过两种方式实现：第一种，预先对各种坐姿类别的压力数据进行统计，将统计数据和统计结果存储在标准数据库中，统计数据库中各坐姿类别的数据规律即为上述坐姿判别策略。第二种，预先选取训练样本，训练基于机器学习的坐姿分类模型，训练完成的坐姿分类模型中各坐姿类别的相关数据规律即组成坐姿判别策略。可以理解，坐姿类别可以包括日常生活中常见的类别，例如趴伏、二郎腿、驼背、局部压力过大等。同时，本步骤中的匹配指的是将确定的特征与各坐姿判别策略一一比较，从而确定对应的坐姿类别，匹配的实现方式可以是与标准数据库中的数据进行比较，也可以是坐姿分类模型中的运算和路径选择。

对应地，本步骤中获取坐姿类别的方法可以有以下两种：

第一种，在确定的总压力特征符合预设的总压力条件(例如总压力大于压力阈值)、并且确定的形状特征符合预设的形状条件(例如该形状的面积大于面积阈值)时，将确定的压力分布特征与预先获得的标准数据库中各坐姿类别的特征进行比较；将与该压力分布特征匹配的坐姿类别确定为待检测人员的坐姿类别。

第二种，将确定的总压力特征、形状特征和压力分布特征输入预先训练完成的基于机器学习的坐姿分类模型，得到待检测人员的坐姿类别。

图4是本发明实施例的坐姿检测算法示意图。如图4所示，在将压力数据导入系统，进行数据清洗等预处理之后，可将图像调整在中心位置，并提取总压力特征、形状特征和压力分布特征。之后将标准数据库中的标准模型参数导入并进行特征提取，与总压力特征、形状特征和压力分布特征进行特征对比，得到相关参数，最后进行智能分析之后得到结果。此外，还可将相关参数和相应的真实坐姿类别反馈到标准数据库中对已有的数据规律进行优化。可以理解，在使用坐姿分类模型进行检测时，也可利用待检测人员的真实坐姿类别以及相应的总压力特征、形状特征和压力分布特征对坐姿分类模型进行继承式训练，即在坐姿分类模型已经掌握的数据规律的基础上进行迭代训练。

在本发明实施例中，在获得待检测人员的坐姿类别之后，可判断待检测人员保持该坐姿类别是否达到预设时长(如2分钟)：如果是，则发出提醒，使待检测人员及时调整坐姿，避免对骨骼和肌肉造成损伤。实际应用中，待检测人员还可向座椅请求坐姿数据(如一个时间段内各部位的承压大小平均值和承压时长平均值)，座椅可将待检测人员的坐姿数据进行展示并推荐与该坐姿数据对应的锻炼动作，帮助待检测人员及时恢复健康。

作为一个优选方案，座椅表面为具有一定硬度的平面或者微曲面(即曲率小于阈值)，这样可以保证应变片能够准确地识别压力。实际使用中，在没有感知到压力时，座椅处于待机状态，由此可节省功耗；当识别到压力时，如果坐姿为正常坐姿，座椅不做复杂识别算法；当检测到坐姿异常时，则采用上述智能检测方法识别坐姿种类。坐姿采样可周期性进行，例如采样间隔可设定为5秒一次。

在本发明的另一实施例中，可提供一种坐姿检测装置。上述坐姿检测装置可包括：数据采集单元、特征提取单元和坐姿判断单元。

其中，数据采集单元可用于：在待检测人员处于坐姿时，利用设置在座椅表面的多张应变片获取待检测人员施加在座椅表面的压力数据；特征提取单元可用于从所述压力数据中确定以下至少一种特征：总压力特征、形状特征、压力分布特征；坐姿判断单元可用于将确定的特征与预先设置的坐姿判别策略进行匹配，获得待检测人员的坐姿类别。可以理解，实际场景中，上述坐姿检测装置可以是应变片组成的传感系统、控制系统和计算系统组成的综合系统，数据采集单元、特征提取单元和坐姿判断单元是坐姿检测装置的相应功能单元。

较佳地，在本实施例的可选实现方式中，所述压力数据为电平信号；所述多张应变片可包括：多张横向排列的应变片和多张纵向排列的应变片；其中，所述多张横向排列的应变片和所述多张纵向排列的应变片交叉设置于座椅表面；所述多张应变片近于待测试人员的表面可以覆盖有薄膜。

在一个可选实现方式中，特征提取单元可进一步用于：在所述从所述压力数据中确定以下至少一种特征之前，从所述多张横向排列的应变片获取横向电平向量，从所述多张纵向排列的应变片获取纵向电平向量；判断横向电平向量和纵向电平向量是否都符合预设的压力均匀条件：若是，将待检测人员的坐姿类别确定为正常；否则，将横向电平向量和纵向电平向量组成为电平信号矩阵；其中，电平信号矩阵的任一元素表征座椅表面与该元素对应的位置的压力数据；从所述电平信号矩阵中确定总压力特征、形状特征和压力分布特征。

实际应用中，坐姿判断单元可进一步用于：在确定的总压力特征符合预设的总压力条件、且确定的形状特征符合预设的形状条件时，将确定的压力分布特征与预先获得的标准数据库中各坐姿类别的特征进行比较；将与该压力分布特征匹配的坐姿类别确定为待检测人员的坐姿类别；或者，将确定的总压力特征、形状特征和压力分布特征输入预先训练完成的基于机器学习的坐姿分类模型，得到待检测人员的坐姿类别。

在本发明的再一实施例中，提供一种座椅，其包括主支撑面。其中，所述主支撑面表面设置有多张应变片；基于所述应变片，所述座椅可实现以下方法：在待检测人员处于坐姿时，利用设置在座椅表面的多张应变片获取待检测人员施加在座椅表面的压力数据；从所述压力数据中确定以下至少一种特征：总压力特征、形状特征、压力分布特征；将确定的特征与预先设置的坐姿判别策略进行匹配，获得待检测人员的坐姿类别。

在本发明的以下实施例中，提供一种座椅，包括主支撑面和靠背。其中，主支撑面表面和靠背表面设置有多张应变片；基于所述应变片，所述座椅实现以下方法：在待检测人员处于坐姿时，利用设置在座椅表面的多张应变片获取待检测人员施加在座椅表面的压力数据；从所述压力数据中确定以下至少一种特征：总压力特征、形状特征、压力分布特征；将确定的特征与预先设置的坐姿判别策略进行匹配，获得待检测人员的坐姿类别。

综上所述，在本发明实施例的技术方案中，可将条形应变片均匀被加工成长条形，设计成均匀网格布置在座椅表面，再在上面覆盖薄膜，保证座椅表面使用区域被应变片均匀覆盖，橡胶薄膜厚度不可影响上方压力往下传递。对横向、纵向两个方向得到的压力数据进行分析和识别，能够准确识别使用者的坐姿情况，由此可在不依赖于摄像头和大量压力传感器、同时不对使用者活动进行约束的前提下实现坐姿检测。本发明方法可通过改造现有座椅实现，也可通过专门设计的座椅实现，使用过程中可记录使用者的使用情况，不断修正标准数据库，提高使用者的坐姿识别准确率，可适用于不同身高、体重的用户。本发明方法运算量较小，在使用者坐姿正常时不作复杂运算，由此保证座椅的待机使用时长。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。