一种点阵笔书写判断握笔姿势的方法

1.本发明属于智能控制技术领域，尤其涉及一种点阵笔书写判断握笔姿势的方法。


背景技术：

2.不良的握笔书写姿势不仅会影响学生的书写速度和质量，卫生部的一项调查显示，近视眼学生中有95％左右都存在握笔姿势不正确。而且，错误的握笔姿势除了导致近视，还容易令眼睛疲劳、斜视、脊椎弯曲，因此快速有效的发现学生的不良书写姿势并相应的纠正至关重要。
3.笔迹识别是一种生物特征识别技术，在用户身份鉴定、古史研究、情绪疾病辅助鉴定等领域具有较好的应用前景。
4.现有技术一的技术方案
5.在申请公布号为cn108388356a中公开了一种智能笔及监测握笔姿势与力度的方法。其中，智能笔包括笔体，控制系统、图像采集器、压力传感器、提示器。图像采集器用于采集预设监测点的手指纹路图像，将手指纹路图像传输至控制系统。压力传感器用于感应预设监测点的压力，将压力传输至控制系统。控制系统用于根据预设的基准手指纹路图像、预设的握笔力度范围、所述手指纹路图像、所述压力，判断用户的握笔姿势与力度是否正确；若不正确，则发送相应的提示指令至提示器。提示器接收提示指令，并根据提示指令执行相应的提示动作。以这样的方法来改善用户的握笔姿势。
6.现有技术一的缺点
7.1.该智能笔及监测握笔姿势与力度的方法，监测部分主要以物理硬件为主，其中图像采集器、压力传感器、还有提示器等硬件添加后会使笔本身重量增加很多。使用起来手感不如普通签字笔。因此测得的数据可能会不够准确。
8.2.该智能监测笔使用这些物理硬件模块后，造价会高出很多，同时如果器械损坏维修起来也不方便。
9.3.该智能监测笔只能识别握笔的压力和握笔的位置，没法监测其他类别的握笔错误，如握笔时笔的倾角错误，也会导致一些健康问题。
10.现有技术二的技术方案
11.现有的笔迹识别技术主要是利用机器学习的图像识别方法，先让用户在纸上书写文字，然后把生成的图像分割为若干份，再对预处理后的图像提取笔迹相关特征。如中国专利申请号99105851.8公开了一种基于纹理分析的字体和笔迹识别方法。
12.现有技术二的缺点
13.但这种方法仅从书写的最终结果
‑
文字图像来识别笔迹，因为仅有其静态特征，其准确率不高。并且图像处理过程的计算耗费较高。识别过程必须是书写后，对笔迹没法做到实时处理，同时压力、时间等信息也无法在书写时获取到，因此对书写缓慢，落笔力气过大等信息很难进行判断。


技术实现要素：

14.本发明针对现有技术的不足，提供一种点阵笔书写判断握笔姿势的方法，因为采用字体特征的方法来对用户所写字体特征识别后，进行错误握笔姿势分类。所以免除了大部分物理硬件设备。同时该笔使用压力传感器和高速摄像头，能够获取到用户的实时落笔坐标、压力、时间等动态信息，对笔迹的特征识别更佳准确。
15.本发明采用如下技术方案：
16.一种点阵笔书写判断握笔姿势的方法，包括如下步骤：
17.步骤1.让用户使用点阵数码笔进行书写；
18.步骤2.获取到用户书写时的实时信息，进行预处理为可用特征；
19.步骤3.将所提取到的书写特征信息输入至预先训练的握笔姿势识别模型中；
20.步骤4.判断用户书写时是否用了错误的握笔姿势，若为错误的握笔姿势，进一步判断最有可能是哪种错误握笔姿势；
21.步骤5.将分析结果反馈给用户。
22.进一步的是，在执行步骤1之前，需要建立握笔姿势识别模型，其步骤包括：
23.(1).让一个集合中的所有错误握笔姿势和正确握笔姿势的的不同用户来使用该点阵数码笔书写文字；
24.(2).获取到用户书写时的实时信息，进行预处理为可用特征；
25.(3).将(2)中的信息与对应的用户及所写的汉字进行归类：
26.(3.1).第一次用降维算法对(2)中信息进行处理，让每个汉字数据化为一个点，以二维化的形式展示在平面图上；
27.(3.2).第二次对(2)中信息进行原子性分类，确定手写体外观类别和握笔姿势类别，根据不同字体外观特点判断出握笔姿势来人为建立多对多关系，也就是多种握笔姿势对应多种字体特点，这里也以二维化的形式展示在平面图上；
28.(4).用(3.2)中人为建立好的多对多关系划分无监督学习数据的类别，再对(3.1)中的二维化后数据点进行无监督学习；
29.(5).根据(4)得到初步的多对多模型。观察经过无监督学习后(3.1)中平面图上的点的信息，分布情况是否接近步骤(3.2)人为建立的多对多关系，若不是，则优化无监督学习的簇心，进一步进行无监督学习，优化前面得到的初步的多对多模型；
30.(6).重复(5)，当无监督学习训练的模型非常接近人为建立的多对多关系且不在继续变化时，即认为该模型训练完毕。
31.优选的是，x、y坐标点，笔画数、压力值、时间戳。拿到这些信息后，再进行预处理，进一步得到每个笔画的动态信息，包含每个笔画的倾斜度、速度、加速度，以及其对应的方差、标准差。
32.进一步的技术方案是，常见的错误握笔姿势分为8种，分别为横搭型、埋头型、扭曲型、扭转型、直线型、错位型、睡觉型、拳头型。
33.进一步的技术方案是，模型建立用的是无监督学习里的k均值聚类算法。
34.进一步的技术方案是，该k均值聚类算法首先根据人为建立的多对多关系确定k个初始点作为簇心，然后将用户书写的数据集进行无监督学习，训练模型，其特点就是不断的更新模型的簇心靠近人为建立的多对多关系的簇心。
35.本发明的有益效果：
36.1.使用本发明来提示握笔姿势问题，比起现有的靠纯物理硬件来提示的花费要小很多，适合普通家庭购买。而且这种方法判断的握笔错误种类要比靠陀螺仪等硬件的笔的种类要多。如眼睛位置的错误，本发明可以通过字体特征，像字体僵硬并整体向右歪来判断。
37.2.在发明中，对笔迹的特征识别使用的是动态方式来采取信息，这种采取信息的好处是可以做到实时监测用户的错误姿势，而且在静态提取信息时，大多是靠图像特征等方法，而图像处理的计算耗费较高。
附图说明
38.图1为横搭型错误握笔姿势；
39.图2为本发明的步骤流程图；
40.图3为二维化后的数据点图；
41.图4为人为归类后的二维数据点图。
具体实施方式
42.为使本发明的目的、技术方案和优点更加清楚，下面本发明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作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。
43.本发明的一种点阵笔书写判断握笔姿势使用但不限于的设备是申请号为zl201520340205.4的设备。
44.其中：
45.数字光学点阵
46.通过在普通的纸张上印上一层不可见的点阵图案(即在普通的纸上印刷了anote专利的点阵图案)，数码笔前端的高速摄像头随时捕捉笔尖的运动轨迹，同时压力传感器将压力数据传回数据处理器，最终将信息通过蓝牙或usb线向外传输。这些信息包括纸张类型、来源、页码、位置、笔迹坐标、运动轨迹、笔尖压力、笔画顺序、运笔时间、运笔速度等信息。
47.点阵纸张
[0048]“点阵”由一些非常细小的点，按照特殊算法规则排列组成(即在普通的纸上印刷了anote专利的点阵图案)。点阵的作用是提供给数码笔一个坐标参数信息，保证数码笔在数码上书写时，能够准确的记录书写的笔迹。
[0049]
点阵笔采集数据工作过程：
[0050]
笔尖被压下的同时，压力传感器被触发，启动内置的高速摄像头，以每秒100张的速度对笔尖所经过的点阵进行拍照，将点阵坐标、笔迹顺序、压力数据、运动速度等信息传递给内置的处理器，最终通过蓝牙或usb通讯单元向外输出。
[0051]
实施例1
[0052]
如图2所示，一种点阵笔书写判断握笔姿势的方法，包括如下步骤：
[0053]
步骤1.让用户使用点阵数码笔输写文字。
[0054]
步骤2.获取到步骤1用户书写时的实时信息，如x,y坐标点，笔画数、压力值、时间戳。拿到这些信息后，再进行预处理，进一步得到每个笔画的动态信息，包含每个笔画的倾斜度、速度、加速度，以及其对应的方差、标准差。
[0055]
如图1所示，横搭型写字方式写字，会导致写字缓慢、写字太用力、容易疲倦。这种方式写出来的字大多是压力值较大，单个字的落笔与收笔时间间隔长。
[0056]
3.将所提取到的书写特征信息输入至预先训练的握笔姿势识别模型中；
[0057]
4.判断用户书写时是否为错误的握笔姿势，若为错误的握笔姿势，进一步判断最有可能是哪种错误握笔姿势；
[0058]
5.将分析结果通过蓝牙或usb通讯模块上传到信息处理模块上。
[0059]
如安卓手机或笔自身的处理模块等，再通过所编写的程序提醒，反馈给用户。
[0060]
在执行步骤1之前，需要建立握笔姿势识别模型，其步骤包括：
[0061]
(1).让一个集合中的所有错误握笔姿势和正确握笔姿势的的不同用户来使用该点阵数码笔书写文字；所有错误握笔姿势包括8中错误握笔姿势。
[0062]
(2).获取到用户书写时的实时信息，进行预处理为可用特征；
[0063]
(3).将(2)中的信息与对应的用户及所写的汉字进行归类：
[0064]
(3.1).第一次用降维算法对(2)中信息进行处理，让每个汉字数据化为一个点，以二维化的形式展示在平面图上，以便直观的观察数据点的情况；
[0065]
如图3所示，在python中是把不同握笔类型以颜色深浅表示，方便人为判断无监督学习是的发展情况，图3中的数据是没有经过无监督学习的，颜色深浅的数据点分布非常杂乱。
[0066]
(3.2).第二次对(2)中部分或全部信息进行原子性分类，确定手写体外观类别和握笔姿势类别，根据不同字体外观特点判断出握笔姿势来人为建立多对多关系，也就是多种握笔姿势对应多种字体特点，这里也以二维化的形式展示在平面图上；
[0067]
如图4所示，步骤3.2的二维化数据是人为的分类，将相同颜色的点进行归类处理，给下一步骤无监督学习结果的参考预测。
[0068]
如书写者用了横搭型和勾腕型两种错误握笔姿势，书写出的字体有压力大、倾斜度大两种特点。
[0069]
当书写者使用埋头型握笔姿势书写时，他的书写速度会比正常书写者慢。
[0070]
当书写者使用正确握笔姿势书写时，他的所有书写特征都在一个正常的阈值范围内。
[0071]
(4).用(3.2)中人为建立好的多对多关系划分无监督学习数据的类别，再对(3.1)中的二维化后数据点进行无监督学习；
[0072]
(5).根据(4)得到初步的多对多模型二维化平面图。
[0073]
观察无监督学习后(3.1)中平面图上的点的信息，分布情况是否接近步骤(3.2)人为建立的多对多关系，若不是，则优化无监督学习的簇心，进一步进行无监督学习，优化前面得到的初步的多对多模型；
[0074]
(6).重复(5)，当无监督学习训练的模型非常接近人为建立的多对多关系且不在继续变化时，即认为该模型训练完毕。
[0075]
模型训练结束后，数据会分多种字体类别对应步骤1中的8种握笔姿势类别。但在现实生活中，用户书写时，一般不可能做到用错误的握笔姿势只写出模型对应的单一的错误字体。所以用户使用时，计算他的字体数据分别在上面模型字体类别中占比多少。这里取他占比前三的字体数据为他实时书写的字体，那么就可以用这占比前三的字体类别所对应的姿势类别，当做该用户当下的握笔姿势。这样就可以进行用户实时手写预测握笔姿势了。
[0076]
优选的是，x、y坐标点，笔画数、压力值、时间戳。拿到这些信息后，再进行预处理，进一步得到每个笔画的动态信息，包含每个笔画的倾斜度、速度、加速度，以及其对应的方差、标准差。
[0077]
进一步的技术方案是，常见的错误握笔姿势分为8种，分别为横搭型、埋头型、扭曲型、扭转型、直线型、错位型、睡觉型、拳头型。
[0078]
进一步的技术方案是，模型建立用的是无监督学习里的k均值聚类算法。
[0079]
进一步的技术方案是，该k均值聚类算法首先根据人为建立的多对多关系确定k个初始点作为簇心，然后将用户书写的数据集进行无监督学习，训练模型，其特点就是不断的更新模型的簇心靠近人为建立的多对多关系的簇心。
[0080]
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。