一种基于横纵笔画分解的非接触握笔姿势校准方法及系统技术方案

本发明专利技术公开了一种基于横纵笔画分解的非接触握笔姿势校准方法及系统，属于无线感知与人机交互领域。本发明专利技术通过通用WiFi网卡设备获取信道状态信息，经时频分析和突变点检测实现笔画分割与幅度数据解析；利用对抗学习提取位置鲁棒特征，通过注意力机制增强的双向长短时记忆网络模型进行握笔姿势识别；采用横纵向概率加权计算与标准姿势库的相似度，当相似度低于阈值时触发声音预警并生成可视化对比校准建议。本发明专利技术能够克服不同手写位置以及差异化手写内容带来的影响，实现了非接触式握笔姿势的精准识别与实时反馈，具有位置鲁棒性强、普适场景适用等优点。

【技术实现步骤摘要】

本专利技术涉及无线感知和人机交互，更具体的说，涉及一种基于横纵笔画分解的非接触握笔姿势校准方法及系统。

技术介绍

1、随着社会、经济的快速发展，人们对于健康的要求越来越高。书写作为学龄青少年进行的最为频繁的动作之一，对青少年健康有极大影响。不正确的书写方式可能会直接或者间接的引发手部疲劳、关节炎、腕管综合症及近视等问题，而人工监管的方式并不能做到实时全天候对于手写姿势的监管，因此亟需一套智能化的手写姿势监管方案。

2、传统的基于摄像头的方法虽然也可以进行握笔姿势的识别，但其会让用户暴露在摄像头下，具有较高的隐私泄露风险；此外，长时间暴露在摄像头下还可能诱发心理问题。基于压力传感器的方法虽然可以精确的进行握笔姿势的辅助矫正，但其对特定设备的依赖性高，难以普及。因此，提出一种非侵入式、隐私保护性好、不依赖于特定设备的识别方法十分重要。

3、经检索，专利公开号cn105354825a，公开了一种自动识别读写场景中读物位置的智能装置及其应用；该申请案采用二维或三维图像传感器，获取青少年读写场景中与青少年读写时相关的物理点，如青少年的身体姿态本文档来自技高网...

【技术保护点】

1.一种基于横纵笔画分解的非接触握笔姿势校准方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于横纵笔画分解的非接触握笔姿势校准方法，其特征在于：步骤二采用离散小波变换提取原始CSI数据中的反映手写动作特征的主要频段数据。

3.根据权利要求2所述的一种基于横纵笔画分解的非接触握笔姿势校准方法，其特征在于：步骤二基于突变点检测方法实现按笔画分割的具体过程为：构建一个沿着时间轴不断移动的滑动窗口，通过快速傅里叶变换对窗口中的样本数据进行频谱分析，得出高频能量H和低频能量L的比值，当比值大于设定的阈值时，判定为笔画突变点，根据标记的所有笔画突变点对预处理过...

【技术特征摘要】

1.一种基于横纵笔画分解的非接触握笔姿势校准方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于横纵笔画分解的非接触握笔姿势校准方法，其特征在于：步骤二采用离散小波变换提取原始csi数据中的反映手写动作特征的主要频段数据。

3.根据权利要求2所述的一种基于横纵笔画分解的非接触握笔姿势校准方法，其特征在于：步骤二基于突变点检测方法实现按笔画分割的具体过程为：构建一个沿着时间轴不断移动的滑动窗口，通过快速傅里叶变换对窗口中的样本数据进行频谱分析，得出高频能量h和低频能量l的比值，当比值大于设定的阈值时，判定为笔画突变点，根据标记的所有笔画突变点对预处理过后的csi数据进行笔画分割。

4.根据权利要求1-3任一项所述的一种基于横纵笔画分解的非接触握笔姿势校准方法，其特征在于：步骤三所述对抗学习网络包含生成器g和判别器d，生成器g用于将解析后的幅度数据映射到位置不可区分的特征空间g中，得到特征z；判别器d用于判断特征z是否与位置相关，来优化生成器g，通过对抗训练使判别器输出d(z)≤0.5，最终对抗学习网络输出不包含位置信息而手写动作信息特征得以保留的信号特征矩阵。

5.根据权利要求4所述的一种基于横纵笔画分解的非接触握笔姿势校准方法，其特征在...

【专利技术属性】
技术研发人员：黄锦阳，郭宇童，赵嘉铖，李翰臻，胡双真，周沐阳，单傲祥，王萌，章翔，颜焕，郭丹，汪萌，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：