一种坐姿识别方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，更具体地，涉及一种坐姿识别方法、装置、设备及存储介质。


背景技术：

2.随着社会不断进步，生活和工作节奏不断加快，大部分人工作学习，休闲娱乐，社交等活动都在座位上度过，人们日常花在座位上的时间越来越长。其中，不正确的坐姿产生了许多健康问题，对于每天长期坐在椅子上学习的学生来说，不正确的坐姿会对其视力和脊椎造成不良影响。对于工作的人来说，也会导致脊柱侧弯，肌肉骨骼疾患，颈椎疼痛等疾病。
3.目前，随着计算机科学技术的发展，有不少采用视觉和图像处理技术进行坐姿识别，如公开号为cn110717392a(公开日2020
‑
01
‑
21)提出的一种坐姿检测与纠正方法，通过获取目标对象当前所处座位的环境信息和所述目标对象的属性信息作为拍摄参数，获取目标对象的图像进行上半身追踪分析处理，从而确定所述目标对象当前所处坐姿的姿态信息。但采用图像处理技术的坐姿识别方法需要成本较高的硬件支持，而且由于所采集的图像的噪音影响，例如衣服、障碍物等，其识别结果存在精度较低的问题。


技术实现要素：

4.本发明为解决上述现有技术所述的坐姿识别精度较低的问题，提供一种坐姿识别方法、装置、设备及存储介质。
5.为解决上述技术问题，本发明的技术方案如下：
6.一种坐姿识别方法，包括以下步骤：
7.s1：采集大量坐姿数据，并对所述坐姿数据进行预处理，得到训练数据集；
8.s2：对所述训练数据集采用聚类算法进行训练，构建坐姿识别模型；
9.s3：采用压力传感器采集当前坐姿数据，输入完成训练的坐姿识别模型中，输出得到识别的坐姿类别标签。
10.作为优选方案，所述聚类算法包括k均值聚类算法、均值漂移聚类算法、基于密度的聚类方法、基于高斯混合模型的最大期望聚类算法、凝聚层次聚类算法中的一种或多种。
11.作为优选方案，对所述训练数据集采用k均值聚类算法进行拟合训练构建坐姿识别模型的步骤包括：
12.s21：从所述训练数据集中选取前k条坐姿数据作为初始聚类质心，所述初始聚类质心分别形成簇；其中k为正整数；
13.s22：计算其余坐姿数据样本到每个聚类质心的距离，并将其分配到距离最近的簇中；
14.s23：判断当前坐姿数据样本所属的簇是否发生变化，若是，则更新质心，并跳转执行s22步骤；若否，则完成坐姿识别模型的构建。
15.作为优选方案，对所述坐姿数据进行预处理的步骤包括：清洗数据；对所述坐姿数据分别人工标注坐姿类别标签。
16.作为优选方案，所述坐姿类别标签包括前倾、后仰、左倾、右倾、正坐。
17.本发明还提出了一种坐姿识别装置，包括坐垫、压力传感器组和坐姿识别模块，其中，所述压力传感器组设置在所述坐垫上，所述压力传感器组的输出端与所述坐姿识别模块的输入端连接；所述坐姿识别模块存储有基于聚类算法构建的坐姿识别模型，所述压力传感器组采集的坐姿数据输入所述坐姿识别模块中，所述坐姿识别模块将所述坐姿数据输入完成训练的坐姿识别模型中得到坐姿类别标签。
18.本技术方案中的坐姿识别模块中，其存储的基于聚类算法构建的坐姿识别模型采用压力传感器组采集的大量坐姿数据进行预训练，并对所述坐姿识别模型的参数进行调整后，存储在坐姿识别模块中。
19.作为优选方案，所述压力传感器组包括电阻式薄膜传感器阵列。
20.作为优选方案，装置还包括通信模块，所述通信模块的输入端与所述坐姿识别模块的输出端连接，所述通信模块将所述坐姿识别模块输出的坐姿类别标签传输至外接终端。
21.本发明还提出一种坐姿识别设备，其中包括一个或多个处理器；存储器；以及一个或多个应用程序；其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行如上述任一项技术方案所述坐姿识别方法的操作。
22.本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行如上述任一项技术方案所述坐姿识别方法的操作。
23.与现有技术相比，本发明技术方案的有益效果是：本发明利用大量的坐姿信息使用聚类算法预训练一个算法模型，然后使用已训练好的该算法模型对未知的坐姿数据进行类别判定，能够有效提高坐姿识别精度，且能够有效降低计算资源开销。
附图说明
24.图1为实施例1的坐姿识别方法的流程图。
25.图2为实施例2的坐姿识别装置的原理图。
26.图3为实施例2的坐姿识别装置的压力传感器分布示意图。
具体实施方式
27.附图仅用于示例性说明，不能理解为对本专利的限制；
28.为了更好说明本实施例，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；
29.对于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。
30.下面结合附图和实施例对本发明的技术方案做进一步的说明。
31.实施例1
32.本实施例提出一种坐姿识别方法，如图1所示，为本实施例的坐姿识别方法的流程图。
33.本实施例提出的坐姿识别方法中，包括以下步骤：
34.步骤1：采集大量坐姿数据，并对所述坐姿数据进行预处理，得到训练数据集。
35.本实施例中，所采集的大量用于训练坐姿识别模型的坐姿数据通过采用压力传感器采集得到，或通过现有的坐姿数据集得到。
36.本步骤中，对所述坐姿数据进行预处理的步骤包括：清洗数据；对所述坐姿数据分别人工标注坐姿类别标签。
37.其中，本实施例中设置的坐姿类别标签包括前倾、后仰、左倾、右倾、正坐。
38.步骤2：对所述训练数据集采用聚类算法进行训练，构建坐姿识别模型。
39.本步骤中所采用的聚类算法包括k均值聚类算法、均值漂移聚类算法、基于密度的聚类方法、基于高斯混合模型的最大期望聚类算法、凝聚层次聚类算法中的一种或多种。
40.聚类技术是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异，同理即可将属于同一簇的坐姿数据分类为同一坐姿类别。
41.本实施例中对所述训练数据集采用k均值聚类算法进行训练并构建坐姿识别模型的步骤包括：
42.步骤21：从所述训练数据集中选取前k条坐姿数据作为初始聚类质心，所述初始聚类质心分别形成簇；其中k为正整数；
43.步骤22：计算其余坐姿数据样本到每个聚类质心的距离，并将其分配到距离最近的簇中；
44.步骤23：判断当前坐姿数据样本所属的簇是否发生变化，若是，则更新质心，并跳转执行s22步骤；若否，则完成坐姿识别模型的构建。
45.步骤3：采用压力传感器采集当前坐姿数据，输入完成训练的坐姿识别模型中，输出得到识别的坐姿类别标签。
46.本步骤中输出的坐姿类别标签包括前倾、后仰、左倾、右倾、正坐。
47.进一步的，用户可根据识别得到的坐姿类别标签判断当前坐姿是否正确，从而进一步避免不正确的坐姿产生健康问题。
48.进一步的，本实施例提出的坐姿识别方法可结合图像识别技术进行坐姿识别，进一步提高坐姿识别的精度。
49.本实施例中，利用大量的坐姿信息使用k均值聚类算法预训练一个算法模型，然后使用已训练好的该算法模型对未知的坐姿数据进行类别判定，能够有效提高坐姿识别精度，且能够有效降低计算资源开销，所述计算资源开销包括内存空间开销和运算开销。
50.实施例2
51.本实施例提出一种坐姿识别装置，应用实施例1提出的一种坐姿识别方法。如图2所示，为本实施例的坐姿识别装置的原理图。
52.本实施例提出的坐姿识别装置中，包括坐垫1、压力传感器组2和坐姿识别模块3，其中，所述压力传感器组2设置在所述坐垫1上，所述压力传感器组2的输出端与所述坐姿识别模块3的输入端连接；所述坐姿识别模块3存储有基于聚类算法构建的坐姿识别模型，所述压力传感器组2采集的坐姿数据输入所述坐姿识别模块3中，所述坐姿识别模块3将所述坐姿数据输入完成训练的坐姿识别模型中得到坐姿类别标签。
53.本实施例中，压力传感器组2采用电阻式薄膜传感器阵列，所述电阻式薄膜传感器阵列分布设置在坐垫1上。如图3所示，为本实施例的压力传感器分布示意图。本实施例中的压力传感器组2采用12个电阻式薄膜传感器，每个相邻设置的电阻式薄膜传感器等间距设置。
54.进一步的，装置还包括通信模块4，所述通信模块4的输入端与所述坐姿识别模块3的输出端连接，所述通信模块4将所述坐姿识别模块3输出的坐姿类别标签传输至外接终端。
55.本实施例的坐姿识别模块3采用处理器，其中存储有基于聚类算法构建的坐姿识别模型。在具体实施过程中，坐姿识别模块3中所存储的基于聚类算法构建的坐姿识别模型采用压力传感器组2采集的大量坐姿数据进行预训练，并对所述坐姿识别模型的参数进行调整后，存储在坐姿识别模块3中。
56.当用户坐在设置有压力传感器组2的坐垫1时，压力传感器组2感应生成感应电压信号并传输至所述坐姿识别模块3中，所述坐姿识别模块3将所述感应电压信号转换为数字信号，并对其进行判断，数字信号趋于稳定时，即当用户保持坐姿时，将采集的坐姿数据(数字信号)输入完成训练的坐姿识别模型中，输出得到坐姿类别标签。
57.进一步的，本实施例中的坐姿识别装置还包括通信模块4，所述通信模块4的输入端与所述坐姿识别模块3的输出端连接，所述通信模块4将所述坐姿识别模块3输出的坐姿类别标签传输至外接终端，供用户查看当前坐姿识别结果，并用于进一步的坐姿校正。
58.本实施例还提出一种坐姿识别设备，其中包括一个或多个处理器；存储器；以及一个或多个应用程序；其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行如实施例1所述坐姿识别方法的操作。
59.本实施例还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行如上述实施例1所述坐姿识别方法的操作。
60.相同或相似的标号对应相同或相似的部件；
61.附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
62.显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。