基于智能座椅的坐姿自适应调整方法与流程

本发明属于智能健康设备技术领域，涉及一种基于智能座椅的坐姿自适应调整方法。

背景技术：

随着社会的发展，坐的时间在人们日常生活和工作环境中占的比例越来越大。然而，大多数人在坐的大部分时间中的姿势都是属于不良的坐姿。长时间的不良坐姿是一系列骨骼肌肉疾病的主要病因之一。以前所用的基于机器视觉的坐姿判别对于光照和拍摄角度的依赖性太强，而其他方法准确性不高，并且都只能提醒用户，不具备自适应调整，在实际的应用环境中效果有限。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于智能座椅的坐姿自适应调整方法，利用阵列式压力传感器得到人-椅接触面之间的压力分布数据，通过对压力数据的分析和运算，精准的对人体的当前坐姿，针对坐姿调整模块进行相应调整使用户恢复正坐状态。

为达到上述目的，本发明提供如下技术方案：

基于智能座椅的坐姿自适应调整方法，包括以下步骤：

s1：利用布置在椅面的阵列式压力传感器采集人-椅接触面之间的压力分布数据；

s2：将压力分布数据作为不同坐姿的样本数据，再将采集到的样本数据进行相应的处理后输入到卷积神经网络中进行训练构建坐姿识别模型；

s3：将实时采集到的人-椅接触面之间的压力分布数据输入到坐姿识别模型中进行迭代运算，从而得出当前使用者对应的坐姿；

s4：利用坐姿识别模型判断出的当前坐姿生成控制信息，控制相应的由气泵和气囊组成的坐姿调整模块调整坐姿，从而达到坐姿的自适应调整。

进一步，步骤s1中包括以下步骤：

s11：将阵列式压力传感器与数据采集控制器连接，数据采集控制器连接至计算机；

s12：开启计算机和数据采集控制器的电源，设置参数；

s13：计算机向数据采集控制器发送采集指令；

s14：数据采集控制器控制压力传感器采集数据并进行滤波去噪，并按照通信协议将数据发送至计算机；

s15：计算机的上位机程序接收数据、校验数据并存储。

进一步，所述数据采集控制器与所述计算机之间通过蓝牙或者usb连接。

进一步，步骤s2中包括以下步骤：

s21：给采集到的压力分布数据加上标识符，标记所属的坐姿类别；

s22：将压力分布数据划分为训练数据集和测试数据集，并将训练数据集和测试数据集转化为向量，进行归一化处理；

s23：建立卷积神经网络坐姿识别模型并且初始化参数；

s24：将训练数据集输入到建立的神经网络模型中进行迭代训练，改进模型参数；

s25：利用测试数据集对训练好的坐姿识别进行测试并优化；

s26：多次调整神经网络的参数(如层数，神经元数量等)重复执行步骤s22-s25，得出新的判别模型。

进一步，步骤s21中所述的坐姿类别包括正坐、左倾、右倾、前倾、后倾、后靠、左抬腿和右抬腿。

进一步，步骤s3中包括以下步骤：

s31：将建立好的卷积神经网络模型的正向传播过程嵌入到上位机程序；

s32：将训练好的参数作为配置文件放置在程序安装包；

s33：当程序运行时，先让程序读取训练好的参数，再将数据采集控制器传输过来的实时坐姿压力分布数据送入卷积神经网络和训练好的参数一起进行运算，判断出当前坐姿类别。

进一步，步骤s4中包括以下步骤：

s41：将步骤s33得出的坐姿类别包装成合适的格式然后传输给数据采集控制器；

s42：数据采集控制器收到并且解析计算机传来的坐姿类别信息并且生成相应的控制信息；

s43：数据采集控制器安装生成的控制信息对进行i/o操作，向坐姿调整模块发送控制命令，控制气囊充气放气调整坐姿；

s44：系统按照5次/秒的频率，不断重复步骤s41-s43，使用户保持在正确坐姿。

进一步，所述坐姿调整模块受数据采集控制器控制，通过气囊和气泵调整坐姿。

本发明的有益效果在于：在数据采集上，本发明与通过机器视觉的方法进行坐姿识别并且提醒的产品相比，摆脱了光照和拍摄角度对系统的影响，并且与其他提醒引导用户改变坐姿的产品相比具有自适应调整的功能，不依靠用户自觉性，更加实用有效；在算法处理上，本发明利用阵列压力传感器与卷积神经网络来对坐姿进行识别，使得坐姿的自适应调整在实时性、准确率和鲁棒性上有了良好的改善。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明所述基于智能座椅的坐姿自适应调整系统的结构示意图；

图2为本发明实施例所述八种坐姿类型示意图；

图3为本发明实施例所述八种坐姿类型的压力分布图；

图4为本发明实施例所述坐姿调整模块的气囊相对位置图；

图5为本发明实施例所述上位机和下位机工作流程示意图。

附图标记：阵列式压力传感器101、数据采集控制器102、计算机103、坐姿调整模块104、气囊105、气囊401、气囊402、气囊403、气囊404、气囊405、气囊406、气囊407、气囊408、气泵409。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提供了一种基于智能座椅的坐姿自适应调整方法，基于如图1所示的基于智能座椅的坐姿自适应调整系统，通过柔性阵列式压力传感器来采集人-椅接触面的压力分布数据，以采集的大量坐姿压力分布数据作为构建坐姿识别算法的样本数据，利用这些样本数据训练出多个以卷积神经网络为基本构架的坐姿识别模型。然后使用一些在训练过程中没有使用过的数据对这些模型进行测试和筛选，选出表现最好的模型作为最终模型并且嵌入到上位机程序中。最后将实时采集到的坐姿分布数据输入到故障诊断模型中进行坐姿识别，依据识别的结果让坐姿调整模块进行调整达到正确坐姿。

其中，柔性阵列式压力传感器的规格可根据实际情况的需要进行定制。

训练和坐姿识别模型包括对坐姿数据的分类和对卷积神经网络坐姿识别模型的训练。

在构建和训练故障诊断模型时，首先对坐姿压力分布数据进行采集，并且给对应的数据加上标识符来标记该条所属的坐姿类别。样本数据的丰富度和模型本身的构架决定识别模型本身的效果，因此为了保证模型的可用性和表现效果，我们采集的数据要有如下要求：

数据量丰富，数据量越丰富，模型可以表示和使用的情况就越多，模型的表现力越强，模型的准确率就越高；

数据类别要多样，由于本人设计的方法不是给一个特别的群体使用的，所以在收集样本数据时各个情况都需要考虑(如不同性别，不同体重范围等)，数据的多样性可以有效提高识别模型表现效果的稳定性。

在收集数据时，需要寻找到多个性别不同，体重在不同范围的实验者，让其做在布置着阵列压力传感器的椅子上，以不同的人，不同坐姿，不同的位置等情况收集和标记每帧坐姿压力分布数据，将收集到的大量数据作为样本数据集。

并将样本数据集按照一定的比例划分为训练数据集和测试数据集。

由于卷积神经网络的一些优良性质，例如对位移、缩放及其他形式扭曲不变性的二维图形的识别的鲁棒性，对位置的漂移等问题的鲁棒性，这种鲁棒性对于坐姿判别问题很重要，所以本文选取cnn算法作为基本构架构建坐姿识别算法。

由于坐姿识别模型考虑的主要特征是接触面压力的分布情况，所以为了提高算法的表现效果和训练的效率我们需要进行归一化处理。将训练数据集输入到建立好的卷积神经网络坐姿识别模型，利用反向传播的方法对模型进行训练。训练多个结构不同的模型，然后使用一些在训练过程中未曾使用的数据对多个模型进行测试，选取表现最好的模型作为系统中使用的坐姿识别模型。考虑到系统需要实时的对使用者当前进行自适应调整，使用的网络结构不能过于复杂，要在时间效率和模型表现直接做好权衡和选择。

将得到的坐姿模型应用到实时坐姿自适应调整系统中，实现人体坐姿的智能自适应调整。

数据交互框图如图5所示，在本实施例中，上位机即计算机103，下位机即数据采集控制器102，在实际应用中，根据实际应用环境的尺寸大小定制阵列式压力传感器101，阵列式压力传感器101感知人-椅接触面之间的压力分布，阵列式压力传感器101与数据采集控制器102连接，数据采集控制器102程序通过蓝牙通信或usb通信与计算机103上的上位机程序通讯，计算机103发送指令控制数据采集控制器102采集压力分布数据，数据采集控制器102通过行列扫描采集对应的压力分布数据，并对采集到的数据进行滤波去噪，然后将数据按照协议格式传输到计算机103上的上位机，上位机程序收到数据后对数据进行预处理，把得到的数据输入到训练好的坐姿识别算法模型，对当前的坐姿进行识别判断。

坐姿分为类别如图2所示，分别为正坐201、正坐弯腰202、前倾203、后靠204、左倾205、右倾206、左抬腿207、右抬腿208。

坐姿分布数据的可视化结果如图3所示，分别为正坐可视化301、正坐弯腰正坐可视化302、前倾正坐可视化303、后靠正坐可视化304、左倾正坐可视化305、右倾正坐可视化306、左抬腿正坐可视化307、右抬腿正坐可视化308。

坐姿识别具体包括如下步骤：

1、对每个测试者采集坐姿压力分布数据并且标记，形成样本数据集；

2、按照一定比例将数据集划分为训练数据集和测试数据集；

3、将数据集转换成向量，并进行归一化处理；

4、以及网络层数网络结构的不同构建多个不同的卷积神经网络；

5、将训练数据集输入这些卷积神经网络，训练多个坐姿识别模型；

6、在新的受测者上采集一下数据构成验证数据集；

7、利用验证数据集对训练出的模型进行测试，选出效果最好的模型最终最终模型；

8、将最终模型嵌入到计算机103应用程序，同时设置对应的训练好的模型参数；

9、数据采集控制器102采集实时的坐姿压力分布数据并且传给计算机103；

10、计算机将数据采集控制器102传来的数据送入模型进行运算，将结果反馈给数据采集控制器102。

坐姿矫正过程包括如下步骤：

a.接收计算机103反馈回来的运算结果，得出当前的坐姿类别；

b.依据当前的坐姿类别生成坐姿调整模块104的控制信息；

c.依据控制信息执行相应的i/o操作控制气囊105充气放气，调整当前坐姿；

d.继续接受计算机103结果，重复上述步骤。

我们结合图4说明具体的坐姿调整方案，通过气泵409做如下控制：

坐姿正坐：所有气囊放气；

正坐弯腰：气囊402充气，其余放气；

坐姿前倾：气囊407、气囊408充气；

坐姿后靠：气囊401、气囊402、气囊403、气囊404充气；

坐姿左倾：气囊404、气囊406、气囊408充气；

坐姿右倾：气囊403、气囊405、气囊407充气；

左抬腿：气囊402、气囊403、气囊404、气囊405充气；

右抬腿：气囊402、气囊403、气囊404、气囊406充气。

通过采用上述技术方案，本发明可以实现准确的坐姿识别和自适应调整。

与基于机器视觉的方法相比，本发明摆脱了对光照和拍摄角度的依赖，并且算法的复杂度和运算量减小了许多，更贴近实际应用环境；与传统的基于力学传感器的方法相比，通过增强输入信息的维度和处理算法的复杂度，提高了坐姿识别的准确率和模型的鲁棒性。与通过提醒用户改变姿势来调整坐姿的方法相比，本发明通过识别模型的结果利用布置好的气囊充气放气达到坐姿自适应调整的功能，使得解决方法对用户自觉性依赖降低。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。