一种人工智能学习系统及姿势纠正方法与流程

技术特征：
1.一种人工智能学习系统，其特征在于：包括判别模型构建单元，姿态数据采集单元，姿势判别单元，姿势语音预警单元；所述判别模型构建单元，用于基于人工神经网络构建姿势判别模型，并将所述姿势判别模型反馈至姿势判别单元；所述姿态数据采集单元，用于实时采集目标对象的姿势数据，并将姿势数据同步反馈至姿势判别单元；所述姿势判别单元，与所述判别模型构建单元、姿态数据采集单元通讯连接，所述姿势判别单元利用所述姿势判别模型基于所述姿势数据对所述目标对象进行姿势状态的判别；所述姿势语音预警单元，与所述姿势判别单元通讯连接，所述姿势语音预警单元用于根据所述姿势状态的判别结果对所述目标对象进行语音预警。2.根据权利要求1所述的一种人工智能学习系统，其特征在于：还包括环形壳体，所述环形壳体分别包括与目标对象的用笔本体外周部匹配嵌套的第一环形壳体，以及与目标对象的用笔手腕外周部匹配嵌套的第二环形壳体，所述判别模型构建单元，姿态数据采集单元，姿势判别单元分别集成于所述第一环形壳体内，所述姿势语音预警单元集成于所述第二环形壳体内。3.根据权利要求2所述的一种人工智能学习系统，其特征在于：所述通讯连接采用双模通信模块实现，所述双模通信模块包括hplc载波通信单元和无线通信单元。4.根据权利要求3所述的一种人工智能学习系统，其特征在于：所述第一环形壳体和第二环形壳体内部均设置有储能电源，位于第一环形壳体内的所述储能电源与所述判别模型构建单元，姿态数据采集单元，姿势判别单元构成的集成组件电性连接为所述判别模型构建单元，姿态数据采集单元，姿势判别单元提供工作电压和电流，位于第二环形壳体内的所述储能电源与所述姿势语音预警单元构成的集成组件电性连接为所述姿势语音预警单元提供工作电压和电流。5.一种根据权利要求1
‑
4任一项所述的人工智能学习系统的姿势纠正方法，其特征在于，包括以下步骤：步骤s1、所述判别模型构建单元基于人工神经网络构建姿势判别模型，并将所述姿势判别模型反馈至姿势判别单元；步骤s2、所述姿态数据采集单元实时采集目标对象的姿势数据，并将姿势数据同步反馈至姿势判别单元；步骤s3、所述姿势判别单元利用所述姿势判别模型基于所述姿势数据对所述目标对象进行姿势状态的判别，并将所述姿势状态的判别结果反馈至姿势语音预警单元；步骤s4、所述姿势语音预警单元根据所述姿势状态的判别结果对所述目标对象进行语音预警。6.根据权利要求5所述的一种姿势纠正方法，其特征在于：所述步骤s1中，基于人工神经网络构建姿势判别模型的具体方法包括：步骤s101、量化目标对象的姿势日志获得姿势判别特征样本集，并对姿势判别特征样本集进行特征寻优获得判别关键特征样本集；步骤s102、基于判别关键特征样本集建立姿势判别模型，并利用模型评估指标对姿势判别模型进行评估优化。
7.根据权利要求6所述的一种姿势纠正方法，其特征在于，所述步骤s101中，量化姿势日志获得姿势判别特征样本集的具体方法包括：在姿势日志中随机抽取相同数量的恰当姿势数据作为正样本以及非恰当姿势数据作为负样本混合构成姿势样本集；对姿势样本集进行特征提取获得第一连续性特征和第二离散型特征，并将所述第一连续性特征进行等频分桶转化为第一离散型特征，同时第一离散特征和第二离散特征进行频度降维获得判别特征集合，所述降维公式为：其中，y(i)为判别特征集合的特征值，i为第一离散型特征和第二离散型特征构成的集合，x(i)为第一离散型特征和第二离散型特征的特征值，p(i)为第一离散型特征和第二离散型特征的特征频率，α为第一离散型特征和第二离散型特征的特征频率阈值，m为常数；基于姿势样本集获取所述判别特征集合中所有判别特征的特征值，并与判别特征集合建立新映射获得姿势判别特征样本集。8.根据权利要求7所述的一种姿势纠正方法，其特征在于，所述步骤s101中，利用多目标搜索策略筛选姿势判别特征样本集获得关键特征量的具体方式为：利用姿势判别特征样本集中各个正样本间的欧式距离获得正样本内度，所述正样本内度的计算公式为：利用姿势判别特征样本集中各个正样本间与各个负样本的欧氏距离获得正样本外度，所述正样本外度的计算公式：将正样本内度q1进行最小化修正获得q3，利用免疫算法将q2和q2联合作为目标函数在姿势判别特征样本集中对关键特征量的多目标搜索，所述目标函数为：其中，y
k
、y
j
分别为第k，j个正样本，y
s
为第s个负样本，m为正样本总数或负样本总数，t为转置运算符。9.根据权利要求8所述的一种姿势纠正方法，其特征在于，所述步骤s102中，基于评估关键特征样本集建立状态评估模型的具体方法包括：基于姿势判别特征样本集获取关键特征量的特征值，并与关键特征量建立新映射获得判别关键特征样本集；在所述判别关键特征样本集中依次随机抽取50％、30％和20％的数据汇总作为训练集、测试集和验证集；将训练集、测试集和验证集运用在多种人工神经网络上建模获得多组姿势判别模型，并比较多组姿势判别模型的模型评价指标选择出最优姿势判别模型；其中，模型评价指标为roc曲线的auc值。
10.根据权利要求9所述的一种姿势纠正方法，其特征在于，所述判别结果包括恰当和非恰当，所述步骤s4中，对所述目标对象进行语音预警的具体方法包括：若判别结果为恰当，则姿势语音预警单元不作语音提示操作；若判别结果为非恰当，则姿势语音预警单元同步进行语音提示操作。

技术总结
本发明公开了一种人工智能学习系统及姿势纠正方法，包括判别模型构建单元，姿态数据采集单元，姿势判别单元，姿势语音预警单元；所述判别模型构建单元，用于基于人工神经网络构建姿势判别模型，并将所述姿势判别模型反馈至姿势判别单元；所述姿态数据采集单元，用于实时采集目标对象的姿势数据，并将姿势数据同步反馈至姿势判别单元。本发明基于人工神经网络构建姿势判别模型用于作为评判目标对象的姿势状态的恰当与否，同时对判别样本集进行特征寻优，获得快速精准判别目标对象姿势状态的关键特征，从而提高判别姿势状态的综合准则，最终提高判别准确度。终提高判别准确度。终提高判别准确度。


技术研发人员：赵学良 孙启龙 张渝淋
受保护的技术使用者：中国科学院重庆绿色智能技术研究院
技术研发日：2021.06.25
技术公布日：2021/10/7