一种低精度压力垫睡姿识别方法及系统与流程
本发明涉及睡姿判断领域,更具体地说,它涉及一种低精度压力垫睡姿识别方法及系统。
背景技术:
1、智能床垫是一种提供主动调节温度、按摩和气垫支撑强度的智能或在指令驱动或在指令驱动下帮助用户进入更好的睡眠状态之中。在这一过程中,相关智能床垫需要获得用户的睡姿,从而针对性的对用户姿态进行引导,从而提高用户的睡眠质量。
2、现有的智能床垫在床垫的各处设置了密集的传感点,数量从数百乃至数万,光纤方案则需要在整个床垫的表面设置光纤,气囊gnn方案需在全身五区域安装气压节点,硬件物料成本与安装复杂度均较高,不利于大规模消费级应用推广。具体的,现有的深度神经网络模型类方案假定传感点呈规则网格布局,这一假设在实际产品中难以满足——一旦传感点数量或空间分布发生变化,模型通常需要重新设计输入层并重新训练;而标准图神经网络直接迁移方案(如airbag gnn)也未针对可变节点数的应用场景进行鲁棒性设计,传感点布局缺乏灵活性。同时,airbag gnn方案虽然采用了图神经网络框架,但其图卷积操作仍为标准的均匀邻域聚合,各邻居节点对中心节点的信息贡献权重仅取决于图拓扑度,忽略了压力传感点之间由物理接触决定的天然信号相似性关系;此外也未在节点特征中显式编码空间位置的对称性先验,导致模型需要从数据中隐式学习空间规律,对训练数据量要求更高,即现有的图神经网络方案未针对压力传感的物理特性做专门设计。再者,局部条带方案虽然传感点数量少、成本低,但依赖于阈值规则或简单模式匹配,在低精度硬件条件下的准确率与泛化能力难以满足实际应用需求;轻量cnn方案虽然模型规模小,但仍依赖于规则网格输入。在极低节点数(如个位数至数十个)、节点数可变且非规则排布的应用约束下,目前还缺乏能稳定输出高准确率的深度学习方法,低精度传感条件下的准确率保障不足。
技术实现思路
1、本发明克服了现有的方案的不足,提供了一种低精度压力垫睡姿识别方法及系统,它能基于容易更换维护的具有少量传感点的压力垫,将其设置颈部,即可实现对用户睡姿的识别与判断。
2、为了解决上述技术问题,本发明采用以下技术方案:
3、一种低精度压力垫睡姿识别方法,包括如下步骤:
4、采集数据并进行预处理,数据包括压力垫的各个传感点的压力值和坐标,预处理包括将所述压力值和所述坐标分别正则化以得到正则化数据;
5、构建图数据,图数据包括边和节点,所述节点的初始特征包括拼接的所述正则化数据;
6、设置若干堆叠的图卷积层,以图数据为输入,进行节点间的消息传递,产生图结构信息;
7、通过全局平均池化、全局最大池化、左右分区池化提取所述图结构信息,并通过特征拼接的方式得到图级表示向量;
8、以所述图级表示向量为输入,通过全连接层进行线性变换,通过softmax函数输出睡姿分布概率,输出最大概率的睡姿。
9、作为优选,对各个节点,选取其最近的k个节点建立边,基于边两端的节点的压力差构建边权重,边两端的节点的压力差越小,所述边权重越大,基于边权重以及各个节点之间的邻接关系得到带权邻接矩阵。
10、作为优选,k的取值为4。
11、作为优选,边权重的表达式为:
12、
13、其中,为边两端的节点的压力差,为温度系数,。
14、作为优选,图卷积层的层数为三层,第0层的输入维度是3,第一层的输入维度是32,第二层的输入维度为64。
15、作为优选,在所述图卷积层中,所述带权邻接矩阵取代标准图卷积网络的归一化系数。
16、作为优选,左右分区池化包括,将横坐标小于0.5和大于等于0.5的节点分别划分至左右分区,对分区进行平均池化。
17、作为优选,通过池化提取的池化向量在拼接后通过设定的线性投影矩阵进行降维以得到所述图级表示向量。
18、作为优选,图级表示向量的维度与最末层的图卷积层的输入维度相同。
19、一种低精度压力垫睡姿识别系统,包括:
20、采集模块,用于采集数据并进行预处理,数据包括压力垫的各个传感点的压力值和坐标,预处理包括将所述压力值和所述坐标分别正则化以得到正则化数据;
21、图数据构建模块,用于构建图数据,图数据包括边和节点,所述节点的初始特征包括拼接的所述预处理数据;
22、消息传递模块,用于设置若干堆叠的图卷积层,以图数据为输入,进行节点间的消息传递,产生图结构信息;
23、信息提取模块,用于通过全局平均池化、全局最大池化、左右分区池化提取所述图结构信息,并通过特征拼接的方式得到图级表示向量;
24、预测模块,用于以所述图级表示向量为输入,通过全连接层进行线性变换,通过softmax函数输出睡姿分布概率,输出最大概率的睡姿。
25、与现有技术相比,本发明的有益效果是:
26、(1)通过采用将各个传感点压力值和坐标值显示编码进入节点的特征,使得模型不需要依靠猜测去识别各个节点之间的物理位置,减少了对样本数量学习的要求,针对不同传感点排布形式的压力垫,具有更好的泛化效果;
27、(2)以边的端点压力差构建边权重,基于边权重和点的邻接关系构建带权邻接矩阵,取代标准图卷积网络的归一化系数,使邻域聚合同时受图拓扑与物理压力相似性的双重约束,能够弥补数据稀疏特性,使模型能从远少于 cnn 方案所需的标注样本中学习有效特征;
28、(3)从图结构中提取多维度的池化信息,特别是对左右分区进行分别池化,从而具有更好的鲁棒性———分区池化在(n)极小时可能出现某分区为空(如n=4且三个节点在左区),此时该分区取全零向量 (0),拼接后投影矩阵仍可从其他三个池化分量中提取有效信息——四分量互为冗余保障了跨(n)的鲁棒性。
1.一种低精度压力垫睡姿识别方法,其特征是,包括如下步骤:
2.根据权利要求1所述的一种低精度压力垫睡姿识别方法,其特征是,对各个节点,选取其最近的k个节点建立边,基于边两端的节点的压力差构建边权重,边两端的节点的压力差越小,所述边权重越大,基于边权重以及各个节点之间的邻接关系得到带权邻接矩阵。
3.根据权利要求2所述的一种低精度压力垫睡姿识别方法,其特征是,k的取值为4。
4.根据权利要求2所述的一种低精度压力垫睡姿识别方法,其特征是,边权重的表达式为:
5.根据权利要求1所述的一种低精度压力垫睡姿识别方法,其特征是,图卷积层的层数为三层,第0层的输入维度是3,第一层的输入维度是32,第二层的输入维度为64。
6.根据权利要求2所述的一种低精度压力垫睡姿识别方法,其特征是,在所述图卷积层中,所述带权邻接矩阵取代标准图卷积网络的归一化系数。
7.根据权利要求1所述的一种低精度压力垫睡姿识别方法,其特征是,左右分区池化包括,将横坐标小于0.5和大于等于0.5的节点分别划分至左右分区,对分区进行平均池化。
8.根据权利要求7所述的一种低精度压力垫睡姿识别方法,其特征是,通过池化提取的池化向量在拼接后通过设定的线性投影矩阵进行降维以得到所述图级表示向量。
9.根据权利要求8所述的一种低精度压力垫睡姿识别方法,其特征是,图级表示向量的维度与最末层的图卷积层的输入维度相同。
10.一种低精度压力垫睡姿识别系统,其特征是,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com