坐姿智能识别方法、系统及设备

本技术涉及神经网络架构的，尤其涉及一种坐姿智能识别方法、系统及设备。

背景技术：

1、随着现代办公和生活方式的改变，长时间久坐引发的脊柱健康问题日益受到关注，如何实现精准、舒适的坐姿监测已成为智能健康领域的重要需求。目前，基于压力传感器阵列的坐姿监测技术因其无感体验和隐私保护优势而被广泛应用，现有技术通常通过在坐垫内部署传感器阵列采集臀部压力分布数据，并结合支持向量机（svm）、随机森林等传统机器学习算法，依赖人工预先设计的压力中心偏移、受力区域面积等手工特征进行坐姿分类。

2、然而，这种基于传统算法和手工特征的技术方案在处理复杂多变的实际应用场景时存在显著缺陷，由于手工特征提取能力有限，难以充分挖掘压力数据中蕴含的高维空间信息与时序动态规律，导致该类方法无法有效捕捉用户姿态的细微变化及动态过渡过程，且在面对不同体型用户及不同材质座面时识别准确率大幅下降，严重缺乏跨场景泛化能力，从而无法满足对复杂坐姿进行高精度实时识别以支撑精准健康管理的实际需求。

3、上述内容仅用于辅助理解本技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种坐姿智能识别方法、系统及设备，旨在解决现有技术难以捕捉压力数据的时空动态特征，导致识别精度低，无法满足高精度识别需求的技术问题。

2、为实现上述目的，本技术提出一种坐姿智能识别方法，所述的方法包括：

3、通过嵌入坐标的柔性压力传感器阵列，获取用户臀部及大腿区域的实时压力分布数据；

4、将所述实时压力分布数据传输至预先构建的cnn-lstm混合神经网络模型进行特征提取与分类，输出当前时刻的坐姿类别；所述cnn-lstm混合神经模型由卷积神经网络cnn和长短期记忆网络lstm端到端融合构成；

5、基于所述坐姿类别，执行预设的健康管理策略。

6、在一实施例中，所述获取用户臀部及大腿区域的实时压力分布数据包括自适应坐标校正，具体包括

7、检测用户初次落座时的初始压力分布状态，识别臀部左右两侧的压力中心点；

8、计算所述压力中心点与柔性压力传感器阵列几何中心的偏移量；

9、根据所述偏移量生成坐标变换矩阵；

10、利用所述坐标变换矩阵对获取的实时压力分布数据进行动态校正，得到实时压力分布数据。

11、在一实施例中，所述cnn-lstm混合神经网络模型的构建步骤包括：

12、获取在不同座面材质和/或不同体型用户条件下采集的压力分布样本数据，构建初始训练数据集；

13、对所述初始训练数据集进行预处理，生成包含时序维度的标准化训练样本；

14、搭建包含卷积层、池化层、lstm层、全连接层及softmax分类层的初始网络架构；

15、将所述标准化训练样本输入至所述初始网络架构进行前向传播计算，获得预设坐姿类别；

16、计算所述预设坐姿类别与样本真实标签之间的损失函数值，并利用反向传播算法根据所述损失函数值迭代更新网络权重参数，直至模型收敛，得到预先构建的cnn-lstm混合神经网络模型。

17、在一实施例中，所述获取用户臀部及大腿区域的实时压力分布数据的步骤之后包括：

18、基于柔性传感器阵列的物理坐标将实时压力分布数据构建为二维压力矩阵；

19、对所述二维压力矩阵进行归一化处理，并利用滑动窗口技术截取连续时间帧的二维压力矩阵，构建包含时序维度的三维张量样本。

20、在一实施例中，所述卷积神经网络cnn的处理过程包括空间特征提取，具体包括：

21、接收所述三维张量样本，通过多层卷积运算提取压力分布的局部空间特征；

22、通过池化层下采样，保留局部压力极值点并抑制背景噪声；

23、输出包含压力中心坐标及高压区域形状信息的各帧空间特征图，形成空间特征序列。

24、在一实施例中，所述长短期记忆网络lstm的处理过程包括时序动态特征提取，具体包括：

25、将所述空间特征序列按时间步依次输入lstm网络；

26、通过所述lstm网络内部的遗忘门、输入门和输出门机制，捕捉连续各帧压力分布之间的动态变化规律和长期依赖关系，并输出包含姿态过渡信息的时序上下文特征向量；

27、将所述时序上下文特征向量输入全连接层进行特征融合映射，再经softmax分类器进行处理，输出当前时刻用户所属的坐姿类别。

28、在一实施例中，所述方法还包括cnn-lstm混合神经网络模型的轻量化部署，具体包括：

29、获取训练完成的cnn-lstm混合神经网络模型；

30、对所述cnn-lstm混合神经网络模型进行结构剪枝，剔除模型权重绝对值低于预设阈值的冗余卷积核通道，输出简化后的稀疏网络模型；

31、对所述稀疏网络模型执行整数量化操作，将模型权重参数及中间激活值从浮点数格式转化为定点整数格式，输出量化模型文件；

32、将所述量化模型文件编译生成适配嵌入式边缘计算芯片的推理引擎，并将所述推理引擎部署至坐垫的微控制单元中。

33、在一实施例中，所述执行预设的健康管理策略的步骤包括：

34、预先构建包含多种不良坐姿对应的矫正动作库；

35、接收所述坐姿类别，在所述矫正动作库中检索与当前不良坐姿相匹配的目标矫正动作；

36、获取用户的历史身体数据，根据所述历史身体数据对所述目标矫正动作的难度等级进行自适应调整；

37、生成包含调整后动作要点的指导信息。

38、此外，为实现上述目的，本技术还提出一种坐姿智能识别系统，所述坐姿智能识别系统包括：

39、数据获取模块，用于通过嵌入坐标的柔性压力传感器阵列，获取用户臀部及大腿区域的实时压力分布数据；

40、坐姿识别模块，用于将所述实时压力分布数据传输至预先构建的cnn-lstm混合神经网络模型进行特征提取与分类，输出当前时刻的坐姿类别；所述cnn-lstm混合神经模型由卷积神经网络cnn和长短期记忆网络lstm端到端融合构成；

41、健康管理模块，用于基于所述坐姿类别，执行预设的健康管理策略。

42、此外，为实现上述目的，本技术还提出一种坐姿智能识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的坐姿智能识别方法的步骤。

43、本技术提出一种坐姿智能识别方法、系统及设备，方法包括：通过嵌入坐标的柔性压力传感器阵列，获取用户臀部及大腿区域的实时压力分布数据；将所述实时压力分布数据传输至预先构建的cnn-lstm混合神经网络模型进行特征提取与分类，输出当前时刻的坐姿类别；cnn-lstm混合神经模型由卷积神经网络cnn和长短期记忆网络lstm端到端融合构成；基于所述坐姿类别，执行预设的健康管理策略。本技术通过采用嵌入坐标的柔性压力传感器阵列，并结合由卷积神经网络cnn和长短期记忆网络lstm端到端融合构成的混合神经网络模型进行特征提取与分类，解决了现有技术依赖手工特征难以有效捕捉压力数据高维空间信息与时序动态规律的问题，与现有技术相比，实现了对坐姿特征的自动深度挖掘，显著提升了坐姿识别的准确性与泛化能力，从而保障了健康管理策略的精准执行。