基于改进深度残差网络的坐姿识别方法技术

本发明专利技术公开了基于改进深度残差网络的坐姿识别方法，所述方法包括：采集一段时间内阵列式薄膜压力传感器的各点位压力数值，并做加权平均，得到与阵列式薄膜压力传感器相对应的压力矩阵；将压力矩阵输入到上位机，并标准化处理；对标准化的压力矩阵进行十字加权滤波处理，得到图形表面光滑的压力矩阵；对图形表面光滑的压力矩阵采用极值处理函数对异常极端值进行修正；将修正后的压力矩阵输入到预先训练的CEGN

【技术实现步骤摘要】
基于改进深度残差网络的坐姿识别方法


[0001]本专利技术涉及基于改进深度残差网络的坐姿识别方法，属于不良坐姿及久坐监测


技术介绍

[0002]坐姿识别算法是智能座椅设备的核心技术之一。智能座椅需要实现坐姿的实时监测，为用户提供坐姿建议。因此，易行、准确的坐姿识别算法是前提。近年来，越来越多的人群从体力劳动转向脑力劳动，这也导致因久坐和错误坐姿患颈椎腰椎疾病的人数不断上升。与此同时，智能座椅设备在市场上长期缺失，无法满足久坐人群的需要。
[0003]诸多研究表明，当前的坐姿识别算法依赖的传感器不易于集成、易用性低，有很大局限性。如何利用利于集成的传感器，高效、准确、实时地识别用户坐姿成为了座椅智能化的关键。
[0004]中国专利CN108898805A公开了一种坐姿提醒装置及系统，其中，坐姿提醒装置包括坐姿采集模块、微处理器、报警模块、支撑组件及夹持部。中国专利CN113384266A公开了一种智能坐姿监测分析系统及方法，其提出了一套用区域压力比值简单分析坐姿左倾右倾并上传数据到服务器平台以实现提醒的方法。但上述专利技术专利未涉及根据用户行为调整提醒时间的技术，也未涉及如何区分就坐者实体的
技术实现思路
，同时在压电转换采集模块上均未做创新，未解决需要负电源的问题。
[0005]因此，针对现有技术的不足，需要同时实现易于部署硬件端、运算快、精度高的同时，能够有效地降低系统模块对硬件结构的需求。同时该系统要达到减少用户不必要操作、无感运行的目的，并使得安装在座椅中的系统硬件模块被缩减的同时提高系统实时检测的准确性和效率。
[0006]此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于专利技术人做出本专利技术时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本专利技术不具备这些现有技术的特征，相反本专利技术已经具备现有技术的所有特征，而且申请人保留在
技术介绍
中增加相关现有技术之权利。

技术实现思路

[0007]本专利技术的目的在于提供基于改进深度残差网络的坐姿识别方法，以解决
‑
现有技术缺陷。
[0008]基于改进深度残差网络的坐姿识别方法，所述方法包括：
[0009]采集一段时间内阵列式薄膜压力传感器的各点位压力数值，并做加权平均，得到与阵列式薄膜压力传感器相对应的压力矩阵；
[0010]将压力矩阵输入到上位机，并标准化处理；
[0011]对标准化的压力矩阵进行十字加权滤波处理，得到图形表面光滑的压力矩阵；
[0012]对图形表面光滑的压力矩阵采用极值处理函数对异常极端值进行修正；
[0013]将修正后的压力矩阵输入到预先训练的CEGN
‑
ResNet模型，输出预测各坐姿的置信度矩阵。
[0014]进一步地，所述十字加权滤波方法包括：
[0015]选取目标像素的上下左右相邻2格像素构造2
‑
十字域(x＝2)，设v
d
表示距P像素距离为d(0≤d≤x)的点位压力值，公式如下：
[0016][0017]其中v
d
表示距离目标像素d的位置的值，x表示距离待计算像素点位的最大距离，由于选取范围为2
‑
十字域，x＝2，即且d＝1，2。α，β，γ为加权参数，为在横、纵方向上近似满足高斯分布以达到良好效果，令α＝4，β＝1，γ＝7，对随机噪声进行滤除。
[0018]进一步地，所述极值处理函数方法包括：
[0019]将大于给定阈值的压力以对数函数进行处理，并保留小压力点位的数据特征，其中通过压力数据的整体分布来确定阈值，通过压力数据的特征来确定对数函数的底数，极值处理函数如下：
[0020][0021]参数a与b控制处理函数的缩放幅度，直接影响正坐倾斜与不平衡坐姿间的区分灵敏度；参数k用于保持函数图像的连贯性，l用于确定何值属于极值范围，通过分析坐姿数据压力的分布来确定。
[0022]进一步地，CEGN
‑
ResNet模型训练方法包括：
[0023]对修正后的压力矩阵建立注意力模块，使得输入修正后的压力矩阵通过注意力模块输出特征强化数据；
[0024]对特征强化数据进行处理，得到最终注意力表征输出数据；
[0025]通过注意力表征输出数据建立改进残差网络；
[0026]注意力表征数据输入到改进残差网络后会给出预测标签和与实际结果直接的误差，并使用梯度下降法来最小化损失函数，经过不断迭代，得到CEGN
‑
ResNet模型。
[0027]进一步地，所述注意力模块，在于提取数据的空间特征，提取方法包括：
[0028]通过最大池化和平均池化将维度为H*W*C的数据进行下采样，得到维度为H*W*2的降维数据；
[0029]将降维后的数据进行7*7卷积操作，得到维度为H*W*1的特征强化数据；
[0030]将特征强化数据通过softmax函数处理，得到最终注意力表征输出数据。
[0031]进一步地，所述改进残差网络模块，其改进方法包括：
[0032]分解大尺寸卷积操作，将大尺寸的7*7卷积级联替换成两组3*3卷积和一组平均池化；
[0033]将批正则化替换成组正则化，采用组正则化同时依据整体分布和自身特征进行正则化。
[0034]与现有技术相比，本专利技术所达到的有益效果：
[0035]使用传感器采集的数据预测坐姿，可部署到座椅中，方式简单，成本较低，商业化
和市场化的可行性高；
[0036]使用了十字加权算法进行降噪，算力消耗小，很好的去除了由于传感器特性产生的噪声，提高了整体坐姿识别准确率；
[0037]使用了极值处理函数对极值进行处理，算力消耗小，降低了左右倾斜坐姿被误判为二郎腿的概率；
[0038]融合了注意力模块，很好地解决了不同人群就坐习惯的不同导致的网络不能很好捕捉特征的问题；
[0039]使用改进的残差网络，针对坐姿的数据特性和预测特性进行改进，提高了坐姿识别的准确率；
[0040]该算法能够高效的识别坐姿，并可部署到硬件端，具有广泛的应用前景。
附图说明
[0041]图1是本专利技术十字均值法处理的2
‑
十字域示意图；
[0042]图2是本专利技术默认参数下极值处理函数的图像；
[0043]图3是本专利技术注意力模块结构说明图；
[0044]图4是本专利技术改进残差注意力网络总体结构图；
[0045]图5是本专利技术改进残差注意力网络中残差块改进前后对比图。
具体实施方式
[0046]为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。
[0047]如图1
‑
图3所示，公开了基于改进深度残差网络的坐姿识别方法，所述方法包括：
[0048]步骤1，检测对象坐在阵列式薄膜压力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进深度残差网络的坐姿识别方法，其特征在于，所述方法包括：采集一段时间内阵列式薄膜压力传感器的各点位压力数值，并做加权平均，得到与阵列式薄膜压力传感器相对应的压力矩阵；将压力矩阵输入到上位机，并标准化处理；对标准化的压力矩阵进行十字加权滤波处理，得到图形表面光滑的压力矩阵；对图形表面光滑的压力矩阵采用极值处理函数对异常极端值进行修正；将修正后的压力矩阵输入到预先训练的CEGN
‑
ResNet模型，输出预测各坐姿的置信度矩阵。2.根据权利要求1所述的基于改进深度残差网络的坐姿识别方法，其特征在于，所述十字加权滤波方法包括：选取目标像素的上下左右相邻2格像素构造2
‑
十字域(x＝2)，设v
d
表示距P像素距离为d(0≤d≤x)的点位压力值，公式如下：其中v
d
表示距离目标像素d的位置的值，x表示距离待计算像素点位的最大距离，由于选取范围为2
‑
十字域，x＝2，即且d＝1，2。α，β，γ为加权参数，为在横、纵方向上近似满足高斯分布以达到良好效果，令α＝4，β＝1，γ＝7，对随机噪声进行滤除。3.根据权利要求1所述的基于改进深度残差网络的坐姿识别方法，其特征在于，所述极值处理函数方法包括：将大于给定阈值的压力以对数函数进行处理，并保留小压力点位的数据特征，其中通过压力数据的整体分布来确定阈值，通过压力数据的特征来确定对数函数的底数，极值处理函数如下：参数a与b控...

【专利技术属性】
技术研发人员：邓建高，程思聪，张非凡，韦皓严，刘亦航，邓可欣，华民刚，秦岭，白秋晴，盛誉，万宸羽，何泽恩，
申请(专利权)人：河海大学，
类型：发明
国别省市：