一种智能座椅的自适应坐姿识别方法与流程

1.本发明涉及智能设备技术领域，具体涉及一种智能座椅的自适应坐姿识别方法。


背景技术：

2.现在社会大多数人每天的工作都是在座椅上度过的，每天的长时间工作必然导致有一个长时间的坐姿保持状态，如果长时间保持某个不良坐姿，时间太久之后会引发一系列的腰椎类疾病。为此，本领域提出了坐姿识别的技术，辅助解决使用者长时间久坐导致的健康问题。目前市场上已有的坐姿识别，需要对不同体重、不同身高、不同性别的人群进行区分。因为不同的人坐在椅子上之后，坐面受到的压力是不同的，于是直接通过传感器的压力值判断会导致识别错误。由于需要用户输入自己的身高、体重和性别，以此针对不同的人群选取不同的坐姿识别方案，这大大增加了用户的操作复杂度。因而有必要研究能够自适应识别不同人使用时的坐姿识别技术。
3.如中国专利cn108814616a，公开日2018年11月16日，公开了一种坐姿识别方法及智能座椅，其中所述的坐姿识别方法，应用于智能座椅，所述智能座椅包括靠背和椅垫，所述智能座椅设置有若干压力传感器，所述方法包括：采集用户施加于所述若干压力传感器的压力；从所述若干压力传感器中定位有效压力传感器；根据所述有效压力传感器确定有效区域；获取所述有效区域的面积以及所述有效区域的压力，根据所述有效区域的面积变化及所述有效区域的压力变化识别用户的坐姿。其技术方案根据压力传感器的压力进行坐姿判断，需要结合用户的体重数据，才具有较高的准确度，不能实现自适应不同用户的坐姿识别。


技术实现要素：

4.本发明所要解决的技术问题：目前缺乏自适应不同用户坐姿识别方案的技术问题。提出了一种智能座椅的自适应坐姿识别方法，能够自适应不同体重的用户使用，提高坐姿识别的便捷性。
5.解决上述技术问题，本发明采用如下技术方案：一种智能座椅的自适应坐姿识别方法，所述智能座椅的坐垫上安装有多个压力传感器，包括以下步骤：建立坐姿识别模型，所述坐姿识别模型记录压力传感器的检测值占比与坐姿的对应关系；用户使用时，周期性采集多个压力传感器的检测值；计算压力传感器检测值占比；将压力传感器检测值占比与坐姿识别模型对比，获得坐姿识别结果；记录每个周期坐姿识别结果，首个周期的坐姿识别结果直接作为识别坐姿；若连续n个周期获得的坐姿识别结果相同，则更改识别坐姿为最后获得的坐姿识别结果，反之，则保持识别坐姿。
6.作为优选，建立坐姿识别模型的方法包括：
在实验室条件下尝试多种坐态，每种坐态重复多次，采集每个压力传感器检测值；计算相同坐态下多次采集的压力传感器检测值均值，作为最终检测值；将坐态归类为预设的若干种坐姿；计算压力传感器的检测值占比，按预设精度规整检测值占比；每个压力传感器规整后的检测值占比构成占比向量；若占比向量仅对应一种坐姿，则将占比向量与坐姿关联作为参照条目；全部参照条目构成坐姿识别模型。
7.作为优选，建立坐姿识别模型的方法还包括：多个压力传感器构成组合；计算组合内的压力传感器的检测值相对占比；按预设精度规整检测值相对占比，规整后的检测值相对占比作为相对向量；若相对向量仅对应一种坐姿，则将相对向量与坐姿关联作为二类参照条目；全部参照条目及二类参照条目构成坐姿识别模型。
8.作为优选，计算组合内的压力传感器的检测值相对占比的方法为：计算组合内的压力传感器的检测值的和，记为sr；计算每个压力传感器检测值与总和s的比值，即为压力传感器的检测值相对占比。
9.作为优选，计算压力传感器检测值占比前，先计算压力传感器的检测值相对占比，获得相对向量，将相对向量与坐姿识别模型对比，若存在相符的参照条目，则直接将相应的坐姿作为坐姿识别结果，若不存在相符的参照条目，则从计算压力传感器检测值占比继续执行所述自适应坐姿识别方法。
10.作为优选，计算压力传感器检测值占比的方法为：计算全部压力传感器检测值的总和，记为s；计算每个压力传感器检测值与总和s的比值，即为压力传感器检测值占比。
11.作为优选，按预设精度规整检测值占比的方法包括：按预设精度将0至100%划分为规整点；将检测值占比规整到最接近的规整点；计算全部检测值占比的规整点的和，若和等于1，则完成规整，若和不等于1，则将规整点小于或等于检测值占比的检测值占比划归为左集合，将规整点大于检测值占比的检测值占比划归为右集合；若和小于1，则计算左集合中的检测值占比与最接近的更大规整点的差值，差值最小的检测值占比规整到更大的规整点，返回前一步骤继续执行；若和大于1，则计算右集合中的检测值占比与最接近的更小规整点的差值，差值最小的检测值占比规整到更小的规整点，返回前两步骤继续执行。
12.作为优选，所述预设精度为2%、4%、5%、10%及15%中的一个。
13.作为优选，若获得的坐姿识别结果与上一个周期的坐姿识别结果不同，则将采集压力传感器的检测值的周期设置为第一周期；若获得的坐姿识别结果与上一个周期的坐姿识别结果相同，则将采集压力传感器的检测值的周期按步长增加，直到周期达到第二周期，所述第一周期及第二周期均为预设常数，且所述第二周期大于第一周期。
14.本发明的有益技术效果包括：通过基于压力传感器检测值占比进行坐姿识别，实现自适应不同用户使用时的坐姿识别，不需要用户输入体重等参数，提高了坐姿识别的便捷性；通过规整检测值占比，提高了坐姿识别的准确度；借助相对占比提高了坐姿识别的效率。
15.本发明的其他特点和优点将会在下面的具体实施方式、附图中详细的揭露。
附图说明
16.下面结合附图对本发明做进一步的说明：图1为本发明实施例一自适应坐姿识别方法流程示意图。
17.图2为本发明实施例一建立坐姿识别模型方法流程示意图。
18.图3为本发明实施例一规整检测值占比方法流程示意图。
19.图4为本发明实施例一压力传感器排列示意图。
20.图5为本发明实施例二建立坐姿识别模型方法流程示意图。
21.其中，100、压力传感器，200、坐垫。
具体实施方式
22.下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
23.在下文描述中，出现诸如术语“内”、“外”、“上”、“下”、“左”、“右”等指示方位或者位置关系仅是为了方便描述实施例和简化描述，而不是指示或暗示所指的装置或者元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
24.实施例一：一种智能座椅的自适应坐姿识别方法，智能座椅的坐垫200上安装有多个压力传感器100，请参阅附图1，包括以下步骤：步骤a01）建立坐姿识别模型，坐姿识别模型记录压力传感器100的检测值占比与坐姿的对应关系；步骤a02）用户使用时，周期性采集多个压力传感器100的检测值；步骤a03）计算压力传感器100检测值占比；步骤a04）将压力传感器100检测值占比与坐姿识别模型对比，获得坐姿识别结果；步骤a05）记录每个周期坐姿识别结果，首个周期的坐姿识别结果直接作为识别坐姿；步骤a06）若连续n个周期获得的坐姿识别结果相同，则更改识别坐姿为最后获得的坐姿识别结果，反之，则保持识别坐姿。
25.请参阅附图2，建立坐姿识别模型的方法包括：步骤b01）在实验室条件下尝试多种坐态，每种坐态重复多次，采集每个压力传感器100检测值；步骤b02）计算相同坐态下多次采集的压力传感器100检测值均值，作为最终检测值；
步骤b03）将坐态归类为预设的若干种坐姿；步骤b04）计算压力传感器100的检测值占比，按预设精度规整检测值占比；步骤b05）每个压力传感器100规整后的检测值占比构成占比向量；步骤b06）若占比向量仅对应一种坐姿，则将占比向量与坐姿关联作为参照条目；步骤b07）全部参照条目构成坐姿识别模型。预设的坐姿包括正坐、左翘腿、右翘腿、前坐、后坐和空置。正坐的坐姿也能够细分为多种身体形态，如正坐稍前倾、正坐稍后倾及正坐。实际的坐姿要多于预设的坐姿，但最终识别出的坐姿，均在预设的坐姿中。将实际坐姿归类划分到预设的坐姿中。
26.计算压力传感器100检测值占比的方法为：计算全部压力传感器100检测值的总和，记为s；计算每个压力传感器100检测值与总和s的比值，即为压力传感器100检测值占比。
27.请参阅附图3，按预设精度规整检测值占比的方法包括：步骤c01）按预设精度将0至100%划分为规整点；步骤c02）将检测值占比规整到最接近的规整点；步骤c03）计算全部检测值占比的规整点的和，若和等于1，则完成规整，若和不等于1，则将规整点小于或等于检测值占比的检测值占比划归为左集合，将规整点大于检测值占比的检测值占比划归为右集合；步骤c04）若和小于1，则计算左集合中的检测值占比与最接近的更大规整点的差值，差值最小的检测值占比规整到更大的规整点，返回前一步骤继续执行；步骤c05）若和大于1，则计算右集合中的检测值占比与最接近的更小规整点的差值，差值最小的检测值占比规整到更小的规整点，返回前两步骤继续执行。其中，预设精度为2%、4%、5%、10%及15%中的一个。当预设精度为5%时，若检测值占比为10.8%，则将检测值占比规整为10%，若检测值占比为7%，则将检测值占比规整为5%。规整后全部压力传感器100的检测值占比的和应为1，若不为1，则调整一些压力传感器100的检测值占比，使其增大5%或者减少5%。检测值占比调整的顺序由调整幅度的升序确定。
28.请参阅附图4，本实施例中使用了8个压力传感器100，8个压力传感器100分为两组。坐垫200坐面的前部放置一组1*4的压力传感器100，主要用于测量人体双腿的位置与压力，另一组1*4的压力传感器100放置在坐垫200坐面的半分线处，用于测量人体臀部的压力。当人体正坐在椅子坐面上时，臀部的压力带受到较大的压力，腿部的压力带受到较小的压力，此时计算每条压力的压力值所占总压力的百分比，能够得出坐姿为正坐。
29.若获得的坐姿识别结果与上一个周期的坐姿识别结果不同，则将采集压力传感器100的检测值的周期设置为第一周期；若获得的坐姿识别结果与上一个周期的坐姿识别结果相同，则将采集压力传感器100的检测值的周期按步长增加，直到周期达到第二周期，第二周期大于第一周期。
30.本实施例的有益技术效果包括：通过基于压力传感器100检测值占比进行坐姿识别，实现自适应不同用户使用时的坐姿识别，不需要用户输入体重等参数，提高了坐姿识别的便捷性；通过规整检测值占比，提高了坐姿识别的准确度。
31.实施例二：一种智能座椅的自适应坐姿识别方法，本实施例在实施例一的基础上，进一步提
供了坐姿识别模型的改进方案。请参阅附图5，在实施例一的基础上，建立坐姿识别模型的方法还包括：步骤d01）多个压力传感器100构成组合；步骤d02）计算组合内的压力传感器100的检测值相对占比；步骤d03）按预设精度规整检测值相对占比，规整后的检测值相对占比作为相对向量；步骤d04）若相对向量仅对应一种坐姿，则将相对向量与坐姿关联作为二类参照条目；步骤d05）全部参照条目及二类参照条目构成坐姿识别模型。
32.其中，计算组合内的压力传感器100的检测值相对占比的方法为：计算组合内的压力传感器100的检测值的和，记为sr；计算每个压力传感器100检测值与总和s的比值，即为压力传感器100的检测值相对占比。比如前部的4个压力传感器100中，最左侧的压力传感器100与最右侧的压力传感器100构成的组合中，最左侧的压力传感器100的检测值相对占比达到了70%以上，则能够直接判定坐姿为右翘腿，此时人体重量集中在人体左侧。
33.计算压力传感器100检测值占比前，先计算压力传感器100的检测值相对占比，获得相对向量，将相对向量与坐姿识别模型对比，若存在相符的参照条目，则直接将相应的坐姿作为坐姿识别结果，若不存在相符的参照条目，则从计算压力传感器100检测值占比继续执行自适应坐姿识别方法。
34.相对于实施例一，本实施例通过相对占比提高了坐姿识别的效率。在压力传感器100检测值符合相对占比时，能够直接获得坐姿识别结果，不再需要占比向量的比对。
35.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。