一种坐姿检测方法、系统、终端和存储介质技术方案

本发明专利技术实施例公开了一种坐姿检测方法，应用于坐姿检测设备，坐姿检测设备包括N*M个矩阵排列的压力传感器，其中，N和M为任意正整数；坐姿检测方法包括：检测到用户坐下时，获取N*M个压力传感器的当前特征数据，当前特征数据包括每个压力传感器检测到的当前压力值和每个压力传感器的坐标值；对当前特征数据进行特征提取，获取当前特征数据的当前高阶数据，当前高阶特征数据用于表示当前特征数据的分布特征；将当前特征数据和当前高阶数据输入预训练的目标坐姿检测神经网络的不同层中，获取用户坐下时的当前坐姿。本发明专利技术还提供了坐姿检测系统、终端和存储介质，本发明专利技术可以提升坐姿判断的可靠性和准确性。

【技术实现步骤摘要】
一种坐姿检测方法、系统、终端和存储介质
本专利技术涉及人工智能
，尤其涉及一种坐姿检测方法、系统、终端和存储介质。
技术介绍
坐姿已经成为人们每天最常用、时间最久的姿态，据统计分析，长期需求坐姿作业的人群占70％，包括读书期间的青少年，以计算机、科学仪器为主的工作人员，需要轮椅助行的病人和残障人士，不良的坐姿会诱发脊柱侧弯、腰背疾病、颈椎病、呼吸系统疾病等。合理的监测个人的坐姿，并对不良坐姿进行识别、反馈具有重要意义。现有的坐姿检测识别方案过于复杂，不利于推广和实施。
技术实现思路
基于此，有必要针对上述问题，提出了一种坐姿检测方法、系统、终端和存储介质。一种坐姿检测方法，应用于坐姿检测设备，所述坐姿检测设备包括N*M个矩阵排列的压力传感器，其中，N和M为任意正整数；所述坐姿检测方法包括：检测到用户坐下时，获取所述N*M个压力传感器的当前特征数据，所述当前特征数据包括每个所述压力传感器检测到的当前压力值和每个所述压力传感器的坐标值；对所述当前特征数据进行特征提取，获取所述当前特征数据的当前高阶数据，所述当前高阶特征数据用于表示所述当前特征数据的分布特征；将所述当前特征数据和所述当前高阶数据输入预训练的目标坐姿检测神经网络的不同层中，获取所述用户坐下时的当前坐姿。一种坐姿检测系统，应用于坐姿检测设备，所述坐姿检测设备包括N*M个矩阵排列的压力传感器，其中，N和M为任意正整数；所述坐姿检测方法包括：当前模块，用于检测到用户坐下时，获取所述N*M个压力传感器的当前特征数据，所述当前特征数据包括每个所述压力传感器检测到的当前压力值和每个所述压力传感器的坐标值；高阶模块，用于对所述当前特征数据进行特征提取，获取所述当前特征数据的当前高阶数据，所述当前高阶特征数据用于表示所述当前特征数据的分布特征；获取模块，用于将所述当前特征数据和所述当前高阶数据输入预训练的坐姿检测模型的不同层中，获取所述用户坐下时的当前坐姿。一种坐姿检测终端，包括：处理器和存储器，所述处理器耦接所述存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序以实现如上所述的方法。一种存储介质，存储有计算机程序，所述计算机程序能够被处理器执行以实现如上所述的方法。采用本专利技术实施例，具有如下有益效果：获取N*M个压力传感器的当前特征数据以及当前特征数据的当前高阶数据，将当前特征数据和当前高阶数据输入预训练的目标坐姿检测神经网络的不同层中，获取用户坐下时的当前坐姿，目标坐姿检测神经网络为具有多个输入层的网络结构相对于基本的神经网络模型，运算能力和鲁棒性更强，将表示当前特征数据的分布特征的当前高阶数据输入到预训练的目标坐姿检测神经网络中，提供了更多的判断参考信息，可以进一步提升判断的可靠性和准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描中所需要使用的附图作简单地介绍，显而易见地，下面描中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：图1是本专利技术提供的坐姿检测设备的一实施例的结构示意图；图2是本专利技术提供的坐姿检测方法的第一实施例的流程示意图；图3是本专利技术提供的目标坐姿检测神经网络的第一实施例结构示意图；图4是本专利技术提供的目标坐姿检测神经网络的第二实施例结构示意图；图5是本专利技术提供的获取目标坐姿检测神经网络的方法的一实施例的流程示意图；图6是本专利技术提供的预设神经网络的第一实施例结构示意图；图7是本专利技术提供的获取对应当前特征数据的当前高阶数据的方法的一实施例的流程示意图；图8是本专利技术提供的坐姿检测系统的一实施例的结构示意图；图9是本专利技术提供的坐姿检测终端的一实施例的结构示意图；图10是本专利技术提供的存储介质的一实施例的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描，显然，所描的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请结合参阅图1，图1是本专利技术提供的坐姿检测设备的一实施例的结构示意图。坐姿检测设备10包括N*M个矩阵排列的压力传感器，其中，N和M为任意正整数，即N和M可以相等也可以不相等。在本实施场景中N＝M＝32。在本实施场景中，N*M个压力传感器为相同型号的压力传感器。N*M个压力传感器的行间距和列间距相同。在其他实施场景中，N*M个压力传感器的行间距和列间距也可以不同。当用户坐在坐姿检测设备上时，N*M个压力传感器将会被挤压，不同位置的压力传感器承受的压力不同，则检测出的压力值也不同。可以理解的是，为了保证测量的准确性，压力传感器的检测阈值应当大于用户的体重上限，例如100kg，避免由于用户坐下时的压力过大导致的测量误差。不同的坐姿，N*M个压力传感器将感受到压力也会有区别，根据N*M个压力传感器检测到的压力数据，可以推断出用户的当前坐姿。由于落座地点、角度、衣着等等的差异，会导致用户即使是相同坐姿坐下，N*M个压力传感器检测到的压力数据也会有差别，因此，需要针对N*M个压力传感器检测到的压力数据进行分析，以准确推断出用户的当前坐姿。请参阅图2，图2是本专利技术提供的坐姿检测方法的第一实施例的流程示意图。本专利技术提供的坐姿检测方法包括如下步骤：S201：检测到用户坐下时，获取N*M个压力传感器的当前特征数据，当前特征数据包括每个压力传感器检测到的当前压力值和每个压力传感器的坐标值。在一个具体的实施场景中，当用户没有坐下时，N*M个压力传感器检测到的压力值为0，当用户坐下时，N*M个压力传感器检测到压力，当用户坐下后，N*M个压力传感器检测到的压力值处于稳定状态，不再变化或者变化极小，此时获取N*M个压力传感器的当前特征数据，当前特征数据包括每个压力传感器检测到的当前压力值和每个压力传感器的坐标值。可以预先以N*M个压力传感器排列的矩阵的中心为原点构造的直角坐标系，或者可以以N*M个压力传感器排列的矩阵中的任意一点为原点构造的直角坐标系，从而确定每个压力传感器的坐标。当用户坐下后，获取每个压力传感器检测到的当前压力值，以及获取的每个压力值对应的压力传感器的坐标。例如压力传感器a，检测到的当前压力值为A，坐标为(1，1)，则获取的当前特征数据为(1，1，A)。进一步地，可根据每个压力传感器检测到的当前压力值，以及获取的每个压力值对应的压力传感器的坐标生成矩阵N*M的矩阵数据。将该矩阵数据作为用户本次坐下时的当前特征数据。若N＝M＝32，则当前特征数据为1024维的数据。S202：对当前特征数据进行特征提取，获取当前特征数据的当前高阶数据，当前高阶特征数据用于表示当前特征数据的分布特征。在一个具体的实施场景中，对当前特征数据进行本文档来自技高网...

【技术保护点】
1.一种坐姿检测方法，其特征在于，应用于坐姿检测设备，所述坐姿检测设备包括N*M个矩阵排列的压力传感器，其中，N和M为任意正整数；/n所述坐姿检测方法包括：/n检测到用户坐下时，获取所述N*M个压力传感器的当前特征数据，所述当前特征数据包括每个所述压力传感器检测到的当前压力值和每个所述压力传感器的坐标值；/n对所述当前特征数据进行特征提取，获取所述当前特征数据的当前高阶数据，所述当前高阶特征数据用于表示所述当前特征数据的分布特征；/n将所述当前特征数据和所述当前高阶数据输入预训练的目标坐姿检测神经网络的不同层中，获取所述用户坐下时的当前坐姿。/n

【技术特征摘要】
1.一种坐姿检测方法，其特征在于，应用于坐姿检测设备，所述坐姿检测设备包括N*M个矩阵排列的压力传感器，其中，N和M为任意正整数；
所述坐姿检测方法包括：
检测到用户坐下时，获取所述N*M个压力传感器的当前特征数据，所述当前特征数据包括每个所述压力传感器检测到的当前压力值和每个所述压力传感器的坐标值；
对所述当前特征数据进行特征提取，获取所述当前特征数据的当前高阶数据，所述当前高阶特征数据用于表示所述当前特征数据的分布特征；
将所述当前特征数据和所述当前高阶数据输入预训练的目标坐姿检测神经网络的不同层中，获取所述用户坐下时的当前坐姿。


2.根据权利要求1所述的坐姿检测方法，其特征在于，所述对所述当前特征数据进行特征提取，获取所述当前特征数据的当前高阶数据的步骤，包括：
将所述N*M个压力传感器划分为至少一个传感器检测组，每个所述传感器检测组包括n*m个压力传感器，其中，n小于或等于N，m小于或等于M；
获取每个所述传感器检测组中所述n*m个压力传感器的当前特征数据中的特征分布数据，所述特征分布数据包括所述n*m个压力传感器的当前压力值中的压力特征值和所述压力特征值对应的压力传感器的坐标值，所述压力特征值包括每个所述传感器检测组中所述n*m个压力传感器的当前压力值中最大值和/或至少一个1/R分位值，其中，R为大于1的任意正整数。


3.根据权利要求2所述的坐姿检测方法，其特征在于，所述对所述当前特征数据进行特征提取，获取所述当前特征数据的当前高阶数据的步骤，还包括：
获取每个所述传感器检测组中预设范围内的当前压力值的均值和方差，所述预设范围内的当前压力值属于所述n*m个压力传感器的当前压力值。


4.根据权利要求3所述的坐姿检测方法，其特征在于，所述预设范围内的当前压力值包括n*m个压力传感器的当前压力值中大于或等于1/R分位值的当前压力值，其中，R为大于的任意正整数；和/或
所述预设范围内的当前压力值包括所述n*m个压力传感器的当前压力值中的全部当前压力值。


5.根据权利要求1所述的坐姿检测方法，其特征在于，所述将所述当前特征数据和所述当前高阶数据输入预训练的目标坐姿检测神经网络的不同层中，获取所述用户坐下时的当前坐姿的...

【专利技术属性】
技术研发人员：王伟，周奎，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：广东;44