一种姿态矫正装置的制造方法
【技术领域】
[0001] 本实用新型涉及姿态矫正技术领域，具体涉及一种姿态矫正装置。
【背景技术】
[0002] 现代社会，越来越多的工作只需要坐在办公室内就可以进行处理，这就使得人们 每天花费越来越多的时间坐在办公桌前处理事务，而坐姿之中，头部姿势最为重要。
[0003] 医学证明人体以最佳姿势端坐时是对身体负担最小的坐姿，当坐姿不当会导致视 力会急剧下降且易引发近视，近视还会引起许多眼的并发症，如：1.视网膜脱离；2.白内 障；3.黄斑出血和黄斑变性；4.玻璃体液化变性；5.青光眼；6.斜视、弱视。近视度数越 高，引起并发症的可能性就越大。长期坐姿不正还会引发颈椎病，出现头、颈、肩、背、手臂酸 痛，颈脖子僵硬，活动受限等症状，严重可引发头晕、缺血性脑萎缩；如果压迫到脊髓，可能 引起无力、下肢麻木甚至瘫痪和大小便失禁。
[0004] 这就需要使用姿态纠正装置来纠正错误的姿势，目前的姿态纠正装置结构复杂， 且姿态纠正耗时长，反应慢，因此，探索新的姿态纠正装置是发展的必然要求。
[0005] 鉴于上述缺陷，本实用新型创作者经过长时间的研究和试验终于提出了一种姿态 矫正装置。 【实用新型内容】
[0006] 本实用新型的目的在于提供一种姿态矫正装置，用以克服上述技术缺陷。
[0007] 为实现上述目的，本实用新型采用的技术方案在于：提供一种姿态矫正装置，其 包括：
[0008] 姿态传感器、控制芯片和警报器，所述姿态传感器的输出端连接所述控制芯片的 数据输入端，所述控制芯片的输出端连接所述警报器。
[0009] 较佳的，所述姿态传感器为三轴加速度测量芯片。
[0010] 较佳的，所述姿态传感器为MPU6050三轴加速度传感器。
[0011] 较佳的，所述姿态传感器为六轴加速度测量芯片。
[0012] 较佳的，所述姿态传感器的数量为至少两个。
[0013] 较佳的，所述姿态矫正装置还包括温度传感器，所述温度传感器的输出端与所述 控制芯片连接。
[0014] 较佳的，所述姿态矫正装置还包括电源，用于供电。
[0015] 较佳的，所述电源为充电锂电池。
[0016] 较佳的，所述姿态矫正装置集成在眼镜的镜腿内。
[0017] 较佳的，所述姿态矫正装置体积为60*12*5mm。
[0018] 其中，所述控制芯片包括：数据处理模块、卡尔曼滤波计算模块、姿态解算模块、数 据融合模块、比较模块、计时模块和触发模块；所述姿态传感器的输出端连接所述数据处理 模块的输入端，所述数据处理模块的输出端与所述卡尔曼滤波计算模块建立连接，所述卡 尔曼滤波计算模块的输出端与所述姿态解算模块建立连接，所述姿态解算模块的输出端与 所述数据融合模块建立连接，所述数据融合模块的输出端与所述比较模块建立连接，所述 比较模块的输出端连接所述计时模块，所述计时模块的输出端连接所述触发模块；所述触 发模块的输出端连接所述警报器。
[0019]与现有技术比较本实用新型的有益效果在于：提供了一种姿态矫正装置，所述姿 态矫正装置结构简单，且能迅速地判断矫正者的姿态并在矫正者的姿态不正确时发出警 报；使用六轴加速度传感器能够纠正物体的静止姿态和运动姿态，避免了运动对角度测量 的干扰，实现在运动和静止状态下的姿态测量；所述姿态传感器为三个，这样在其中一个出 现故障的情况下通过三个数据的对比迅速判断故障传感器，提高了反应速度且不会影响正 常使用；使用温度传感器测量的温度补偿六轴加速度数据，使其在各种温度下的工作不 影响工作指标；充电锂电池，充电一次可以连续使用一天以上，无需更换电池，方便环保； 所述姿态矫正装置集成在眼镜的镜腿内，携带方便，灵活。
【附图说明】
[0020] 图1为本实用新型姿态矫正方法的流程图；
[0021] 图2为本实用新型姿态矫正装置的结构图；
[0022] 图3为本实用新型姿态矫正装置实施例三的结构图；
[0023] 图4为本实用新型姿态矫正装置控制芯片的结构图。
【具体实施方式】
[0024] 以下结合附图，对本实用新型上述的和另外的技术特征和优点作更详细的说明。
[0025] 如图1所示，其为本实用新型姿态矫正方法的流程图；其中，所述姿态矫正方法， 包括以下步骤：
[0026] 步骤a、检测头部摆动造成的姿态参数数值，所述姿态参数包括航向角、横滚角和 俯仰角的角度数值；
[0027]所述俯仰角、横滚角和航向角的确定方法为：以矫正者的颈部为原点，以右侧为X轴正方向，以前方为y轴的正方向，以上方为z轴的正方向，头部绕X轴旋转的角度为俯仰 角，预设范围在15°到20°之间，头部绕y轴旋转的角度为横滚角，预设范围在-5°到5° 之间，头部绕z轴旋转的角度为航向角，预设范围在-5°到5°之间，预设姿态参数的范围 为医学中最佳的阅读姿态数据范围；
[0028]所述姿态参数测量范围：航向角：±180°，横滚角：±180°，俯仰角±180°，为3 轴全角度测量，无盲区。
[0029] 步骤b、对测得的所述姿态参数进行参数处理；
[0030]本步骤中，对所述姿态参数进行的所述参数处理可以为复杂的处理方法，也可以 简单的作为数据传输的通道，不对数据做任何，仅传输数据。
[0031] 步骤c、对处理后的所述姿态参数进行解读，获得矫正者的各个所述角度数值；
[0032] 处理后的所述姿态参数内的数据为特定格式，需要对该格式进行转换，从中读取 矫正者的各个角度数值，所述角度数值包括航向角、横滚角和俯仰角的角度数值。
[0033] 步骤d、利用卡尔曼滤波器对各个所述角度数值进行消除噪声处理；
[0034] 所述卡尔曼滤波器算法为：
[0035] 首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方 程（LinearStochasticDifferenceequation)来描述：
[0036] X(k)=AX(k-1)+BU(k)+ff(k)
[0037] 再加上系统的测量值：
[0038] Z(k) =ΗX(k)+V(k)
[0039] 上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B 是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，Η是测量系统的参数， 对于多测量系统，Η为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯 白噪声（WhiteGaussianNoise)，他们的协方差（covariance)分别是Q，R(这里我们假设 他们不随系统状态变化而变化）。
[0040] 对于满足上面的条件（线性随机微分系统，过程和测量都是高斯白噪声），卡尔曼 滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances来估算系统的最 优化输出。
[0041] 首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态 是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
[0042]X(k|k-1) =AX(k-Ι|k-1)+BU(k)...........(1)
[0043] 式（1)中，X(k|k-1)是利用上一状态预测的结果，X(k-l|k-l)是上一状态最优的 结果，u(k)为现在状态的控制量，如果没有控制量，它可以为0。
[0044] 到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k_l)的covariance 还没更新。我们用P表示covariance:
[0045] P(k|k-1) =AP(k-Ι|k-1)A'+Q.........(2)
[0046] 式（2)中，P(kIk_l)是X(kIk_l)对应的covariance，P(k_lIk_l)是X(k_lIk_l) 对应的covariance，A'表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡 尔曼滤波器5个