基于端侧大模型的智能座椅坐姿识别分析方法及系统与流程

摘要: 本发明涉及坐姿识别,具体涉及基于端侧大模型的智能座椅坐姿识别分析方法及系统。背景技术:1、随着智能办公设备与健康管理技术的发展,人体工学椅已逐步从被动的家具向能...
基于端侧大模型的智能座椅坐姿识别分析方法及系统与流程

本发明涉及坐姿识别,具体涉及基于端侧大模型的智能座椅坐姿识别分析方法及系统。

背景技术:

1、随着智能办公设备与健康管理技术的发展,人体工学椅已逐步从被动的家具向能够感知用户状态并提供主动健康辅助的智能终端演进。在连续的日常使用场景中,用户的身体重心、骨盆支撑状态以及背腰承托状态会随着办公、休息等不同行为发生频繁的动态变化。这种连续的坐姿演变不仅直接影响座椅承托的协调性与用户的舒适体验,也关系到用户的疲劳积累及脊椎健康。

2、因此,通常利用内置传感器持续获取座椅使用过程中的受力状态,对用户的坐姿状态进行实时识别和分析。但是现有坐姿识别方式多针对单一状态下姿态或局部受力进行判断,难以准确表征用户在连续动作过程中的真实支撑失衡状态,容易将正常的短时姿态调整误判为不良坐姿的形成,进而降低后续坐姿识别与健康风险分析的准确性。

技术实现思路

1、为了解决现有技术中侧重于对单一时刻的姿态或局部受力状态进行判断,难以有效区分正常的短时姿态调整与异常坐姿,使得用户在连续动作过程中的真实支撑失衡状态难以准确表征,导致后续坐姿识别与健康风险分析的不准确的技术问题,本发明的目的在于提供一种基于端侧大模型的智能座椅坐姿识别分析方法及系统,所采用的技术方案具体如下:

2、本发明提供了一种基于端侧大模型的智能座椅坐姿识别分析方法,所述方法包括:

3、获取连续时刻的智能座椅的座面压力分布数据和靠背压力分布数据;座面压力分布数据包含座面分别在左右前后区域的压力数据;靠背压力分布数据包含左右区域以及呈竖向分布的层级区域的压力数据;

4、基于座面压力分布数据分析座面支撑分布偏移程度与载荷集中程度,获取座面的支撑需求向量与支撑需求强度指标;基于靠背压力分布数据分析靠背接触响应程度及竖向承托结构有效性,确定靠背的承托响应向量与承托响应强度指标;

5、基于时序上座面支撑需求向量与支撑需求强度指标的变化,识别支撑转换时刻;在支撑转换时刻对应的响应窗口内,依据承托响应向量与承托响应强度指标,分析承托响应与支撑需求间的变化一致情况,确定支撑转换时刻的支撑失衡程度;

6、基于时序上连续支撑转换时刻对应的支撑失衡程度,通过预部署在端侧的神经网络模型得到坐姿类别及风险分析结果。

7、进一步地,所述支撑需求向量的获取方法包括:

8、在座面中,根据左区域总压力数据与右区域总压力数据的差异,获得侧向支撑偏移因子,根据后区域总压力数据与前区域总压力数据的差异,获得前后支撑偏移因子;

9、由侧向支撑偏移因子与前后支撑偏移因子构建支撑需求向量。

10、进一步地,所述支撑需求强度指标的获取方法包括:

11、通过区域总压力数据的最大值相对座面平均压力的占比,获得局部集中度;

12、以局部集中度为权重对支撑需求向量的模长进行增量加权调整,获得支撑需求强度指标。

13、进一步地,所述承托响应向量的获取方法包括:

14、在靠背中,根据左区域总压力数据与右区域总压力数据的差异,获得横向承托偏移因子;依据横向承托偏移因子与靠背总压力数据,获得承托响应向量。

15、进一步地,所述承托响应强度指标的获取方法包括:

16、将承托响应向量的模长作为基础响应强度;依据层级区域中的压力数据大小筛选有效层级区域;根据有效层级区域间的连续承托有效程度以及腰部承托参与程度,获得竖向承托结构有效性;

17、结合竖向承托结构有效性与基础响应强度,获得承托响应强度指标。

18、进一步地,所述竖向承托结构有效性的获取方法包括:

19、根据各有效层级区域的平均压力以及有效层级区域与相邻层级区域间的最大压力梯度变化度,得到竖向承托连续性,最大压力梯度变化度与竖向承托连续性呈负相关;

20、确定腰部层级区域;结合腰部层级区域的压力占比与竖向承托连续性,获得竖向承托结构有效性。

21、进一步地,所述支撑转换时刻的识别方法包括:

22、根据每个时刻的支撑需求向量与前一时刻的支撑需求向量间的向量差,获得支撑转换向量;结合支撑转换向量和支撑需求强度指标,确定支撑转换幅度;

23、当支撑转换幅度超过预设转换阈值,将对应时刻作为支撑转换时刻。

24、进一步地,所述支撑失衡程度的获取方法包括:

25、对于任意一个支撑转换时刻,以该支撑转换时刻后预设时长为响应窗口;在该支撑转换时刻的响应窗口内,将承托响应强度指标最大的时刻,作为响应时刻;根据支撑转换时刻与响应时刻间承托响应强度指标的差异,确定响应补偿度;

26、根据响应时刻与支撑转换时刻间承托响应向量的向量差与支撑转换向量间的方向一致性,获得方向跟随系数;

27、根据支撑转换幅度与响应补偿度的偏差,结合方向跟随系数获得支撑失衡程度。

28、进一步地,所述基于时序上连续支撑转换时刻对应的支撑失衡程度,通过预部署在端侧的神经网络模型得到坐姿类别及风险分析结果,包括:

29、取包含预设数量个连续支撑转换时刻的滑动时间窗口,依据滑动窗口中支撑转换时刻顺序,获取时序特征序列,所述时序特征序列至少包括各支撑转换时刻的支撑失衡程度,还包括座面的支撑需求向量与支撑需求强度指标,以及靠背的承托响应向量与承托响应强度指标;将所述时序特征序列输入部署在端侧的神经网络模型,所述神经网络模型输出坐姿类别和风险评分。

30、本发明还提供了一种基于端侧大模型的智能座椅坐姿识别分析系统,该系统包括:

31、数据获取模块,用于获取连续时刻的智能座椅的座面压力分布数据和靠背压力分布数据;座面压力分布数据包含座面分别在左右前后区域的压力数据;靠背压力分布数据包含左右区域以及呈竖向分布的层级区域的压力数据;

32、支撑承托分析模块,用于基于座面压力分布数据分析座面支撑分布偏移程度与载荷集中程度,获取座面的支撑需求向量与支撑需求强度指标;基于靠背压力分布数据分析靠背接触响应程度及竖向承托结构有效性,确定靠背的承托响应向量与承托响应强度指标;

33、支撑失衡分析模块,用于基于时序上座面支撑需求向量与支撑需求强度指标的变化,识别支撑转换时刻;在支撑转换时刻对应的响应窗口内,依据承托响应向量与承托响应强度指标,分析承托响应与支撑需求间的变化一致情况,确定支撑转换时刻的支撑失衡程度;

34、识别分析模块,用于基于时序上连续支撑转换时刻对应的支撑失衡程度,通过预部署在端侧的神经网络模型得到坐姿类别及风险分析结果。

35、本发明具有如下有益效果:

36、本发明通过对座面支撑分布偏移与载荷集中程度,以及靠背接触响应程度与竖向承托结构有效性进行分析,更全面量化下肢的支撑需求与上半身的承托响应。其次,基于座面支撑需求的时序变化识别支撑转换时刻,并在对应的响应窗口内,协同分析承托响应与支撑需求间的变化一致情况,提取反映上下支撑真实协调关系的支撑失衡程度。最后,将连续多个支撑转换时刻对应的支撑失衡程度利用预部署在端侧的神经网络模型实现坐姿类别与风险分析。本发明通过构建座面需求与靠背响应的短时动态补偿分析机制结合端侧时序推演,更准确地区分正常短时姿态调整与异常坐姿形成过程,提升智能座椅在连续使用场景下坐姿识别的精度与风险分析的可靠性。