基于图卷积神经网络判断位姿的方法及系统技术方案

本发明专利技术属于位姿识别技术领域，具体涉及基于图卷积神经网络判断位姿的方法及系统。方法包括如下步骤；S1，采集工作者的坐姿压力信号，并经过滤波处理后，获得压力数据；S2，对压力数据进行数据处理和提取，获得关键压力信号；S3，对关键压力信号转化为三维坐标系下的三维图；S4，通过对各种坐姿压力信号进行多次采集，构建数据集并获得对应的三维图；S5，对图卷积神经网络进行训练；S6，将步骤S4获得的三维图输入训练后的图卷积神经网络，获得坐姿分类结果。本发明专利技术具有能准确识别人体坐姿并进行分类，以及预防久坐行为发生的特点。以及预防久坐行为发生的特点。以及预防久坐行为发生的特点。

【技术实现步骤摘要】
基于图卷积神经网络判断位姿的方法及系统


[0001]本专利技术属于位姿识别
，具体涉及基于图卷积神经网络判断位姿的方法及系统。

技术介绍

[0002]在日常生活中，人们需要经常保持坐姿，坐姿相对于其他姿态有很多优点，比如能够缓解人的疲劳，并且消耗的能量少，但是长时间处于坐姿状态，人们的身体也会遭受很大的危害，特别是在不良坐姿的状态下，更容易受到危害。
[0003]但是随着时代的发展，越来越多的人不再从事单一的体力劳动，并且很容易出现久坐的状况，这便产生了久坐族群体，比如那些需要经常坐着上班的人员、长时间面对电脑或者长时间久坐的学生等。久坐族的分布人群比较广泛，在各行各业都有很多的久坐人群。对于久坐人群来讲，他们的身体往往处于亚健康状态，颈部和腰部也经常处于酸痛状态，并且不能够得到有效的缓解，所以他们长期受这类疾病的困扰。专家研究表明，久坐行为很容易导致颈椎病、腰椎病、心血管疾病和胃肠道疾病等，对人体的危害很大，所以应该积极预防久坐行为的发生。世界卫生组织经过调查也指出，在全球的范围内，久坐行为已经对于200多万人造成了严重的影响，并且有可能造成死亡，所以在世界十大致死、致病的原因中，久坐就占据一席之地。
[0004]因此，设计一种能准确识别人体坐姿并进行分类，以及预防久坐行为发生的基于图卷积神经网络判断位姿的方法及系统，就显得十分重要。
[0005]例如，申请号为CN201710017363.X的中国专利文献描述的一种电脑前人体坐姿监测方法，具体为利用3D实感摄像技术实时跟踪定位人体面部眉毛特征点的深度位置信息，根据左右眉心与实感摄像头坐标轴距离判定其水平、侧向、高度坐姿是否正确，若有错误坐姿出现，动画提示，错误坐姿超时或者用户久坐电脑前超时，监测声音报警。虽然电脑前坐姿监测方法，以点代面，利用眉毛特征点的深度位置变化信息进行人体前俯、侧向、高耸错误坐姿的实时判断，避免了因图像预处理及分类识别引起的监测延时问题，实现了电脑前坐姿的实时监测，同时具有错误坐姿动画提示、错误坐姿超时声音报警、久坐声音报警功能，对因错误坐姿和久坐引起的健康隐患问题有积极预防作用，但是其缺点在于，由于是根据左右眉心与实感摄像头坐标轴距离判定其水平、侧向、高度坐姿是否正确，而无法能够用于准确判断直立坐姿，前倾坐姿和后仰坐姿，使用具有一定的局限性。

技术实现思路

[0006]本专利技术是为了克服现有技术中，缺乏能够用于准确判断直立坐姿，前倾坐姿和后仰坐姿，并预防久坐行为发生的技术的问题，提供了一种能准确识别人体坐姿并进行分类，以及预防久坐行为发生的基于图卷积神经网络判断位姿的方法及系统。
[0007]为了达到上述专利技术目的，本专利技术采用以下技术方案：
[0008]基于图卷积神经网络判断位姿的方法，包括如下步骤；
[0009]S1，采集工作者的坐姿压力信号，并经过滤波处理后，获得压力数据；
[0010]S2，对压力数据进行数据处理和提取，获得关键压力信号；
[0011]S3，对关键压力信号转化为三维坐标系下的三维图；
[0012]S4，通过对各种坐姿压力信号进行多次采集，构建数据集并获得对应的三维图；
[0013]S5，对图卷积神经网络进行训练；
[0014]S6，将步骤S4获得的三维图输入训练后的图卷积神经网络，获得坐姿分类结果。
[0015]作为优选，步骤S1中，通过带有8
×
8矩阵压力传感器的测量垫，采集工作者的坐姿压力信号。
[0016]作为优选，步骤S3包括如下步骤：
[0017]S31，将关键压力信号转化为三维坐标系下的三维图，表示为 (x,y,pressure)；
[0018]其中，x、y表示在8x8矩阵里的坐标，pressure表示压力信号。
[0019]作为优选，步骤S4中所述数据集包括前倾数据集、后倾数据集、左倾数据集和右倾数据集。
[0020]作为优选，步骤S4包括如下步骤：
[0021]S41，对前倾数据集、后倾数据集、左倾数据集和右倾数据集，根据预先定义的映射关系，转化成三维的图结构。
[0022]作为优选，步骤S5包括如下步骤：
[0023]S51，建立图卷积神经网络模型，图卷积神经网络模型定义如下：
[0024][0025]其中，信号x∈R
N
，R
N
为图区域，滤波器g
θ
＝diag(θ)(θ∈R
N
)，I
n
是 n阶单位矩阵，矩阵A是一个N
×
N维的各个节点之间的关系；
[0026]其中，和通过对节点加上自环得到，得出如下公式：
[0027][0028]其中，W代表参数矩阵，H代表图卷积神经网络每一层的输入，σ代表激活函数；H
l
代表第l层网络的输入,W
l
第l层网络参数矩阵的输入；
[0029]S52，将坐姿压力信号对应的三维图作为图卷积神经网络模型的输入，坐姿分类情况作为输出。
[0030]本专利技术还提供了基于图卷积神经网络判断位姿的系统，包括：
[0031]数据采集模块，用于对采集工作者的坐姿压力信号，并经过滤波处理后，获得压力数据；
[0032]数据处理和提取模块，用于对压力数据进行数据处理和提取，获得关键压力信号；
[0033]三维图转换模块，用于对关键压力信号转化为三维坐标系下的三维图；
[0034]数据集构建模块，用于通过对各种坐姿压力信号进行多次采集，构建数据集并获得对应的三维图；
[0035]网络训练模块，用于对图卷积神经网络进行训练；
[0036]坐姿输出模块，用于将获得的三维图输入训练后的图卷积神经网络，获得坐姿分
类结果。
[0037]作为优选，所述三维图转换模块具体如下：
[0038]将关键压力信号转化为三维坐标系下的三维图，表示为(x,y,pressure)；
[0039]其中，x、y表示在8x8矩阵里的坐标，pressure表示压力信号。
[0040]作为优选，所述网络训练模块具体如下：
[0041]建立图卷积神经网络模型，图卷积神经网络模型定义如下：
[0042][0043]其中，信号x∈R
N
，R
N
为图区域，滤波器g
θ
＝diag(θ)(θ∈R
N
)，I
n
是 n阶单位矩阵，矩阵A是一个N
×
N维的各个节点之间的关系；
[0044]其中，和通过对节点加上自环得到，得出如下公式：
[0045][0046]其中，W代表参数矩阵，H代表图卷积神经网络每一层的输入，σ代表激活函数；H
l
代表第l层网络的输入,W
l
第l层网络参数矩阵的输入；
[0047]将坐姿压力信号对应的三维图作为图卷积神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图卷积神经网络判断位姿的方法，其特征在于，包括如下步骤；S1，采集工作者的坐姿压力信号，并经过滤波处理后，获得压力数据；S2，对压力数据进行数据处理和提取，获得关键压力信号；S3，对关键压力信号转化为三维坐标系下的三维图；S4，通过对各种坐姿压力信号进行多次采集，构建数据集并获得对应的三维图；S5，对图卷积神经网络进行训练；S6，将步骤S4获得的三维图输入训练后的图卷积神经网络，获得坐姿分类结果。2.根据权利要求1所述的基于图卷积神经网络判断位姿的方法，其特征在于，步骤S1中，通过带有8
×
8矩阵压力传感器的测量垫，采集工作者的坐姿压力信号。3.根据权利要求2所述的基于图卷积神经网络判断位姿的方法，其特征在于，步骤S3包括如下步骤：S31，将关键压力信号转化为三维坐标系下的三维图，表示为(x,y,pressure)；其中，x、y表示在8x8矩阵里的坐标，pressure表示压力信号。4.根据权利要求3所述的基于图卷积神经网络判断位姿的方法，其特征在于，步骤S4中所述数据集包括前倾数据集、后倾数据集、左倾数据集和右倾数据集。5.根据权利要求4所述的基于图卷积神经网络判断位姿的方法，其特征在于，步骤S4包括如下步骤：S41，对前倾数据集、后倾数据集、左倾数据集和右倾数据集，根据预先定义的映射关系，转化成三维的图结构。6.根据权利要求4所述的基于图卷积神经网络判断位姿的方法，其特征在于，步骤S5包括如下步骤：S51，建立图卷积神经网络模型，图卷积神经网络模型定义如下：其中，信号x∈R
N
，R
N
为图区域，滤波器g
θ
＝diag(θ)(θ∈R
N
)，I
n
是n阶单位矩阵，矩阵A是一个N
×
N维的各个节点之间的关系；其中，和通过对节点加上自环得到，得出如下公式：其中，W代表参数矩阵，H代表图卷积神经网络每一层的输入，...

【专利技术属性】
技术研发人员：郑永平，梅厦锦，邵嘉琪，甘宇航，应明轩，项新建，徐然，张金江，厉阳，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：