CN110353688A - 基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法 - Google Patents

Abstract

本发明公开了本申请实施例基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法，涉及计算机技术人工智能、电子皮肤领域。一具体实施包括：获取电子皮肤的用户的臀部接触压力分布数据，数据为电子皮肤的传感单元的受力值；将臀部接触压力分布数据转化为具有深度信息的图像；对灰度图像进行分析，得到用户的坐姿状态。本申请实施例提供的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法和装置，通过以上方法提高坐姿分析的简易程度、精确度和效率。

Description

基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的 方法

技术领域

本申请实施例涉及计算机技术人工智能、电子皮肤领域，具体涉及基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法和装置。

背景技术

随着人工智能和电子皮肤技术的发展，相关技术得到了广泛的应用，使通过人工智能和电子皮肤结合的方式实现坐姿分析成为现实。

发明内容

本申请实施例提出了基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法和装置。

第一方面，本申请实施例提供了一种基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法，其特征在于，包括：

获取电子皮肤的用户的臀部接触压力分布数据；

对臀部接触压力分布数据进行分析，得到用户的坐姿状态。

在一些实施例中，该方法包括：

获取电子皮肤的用户的臀部接触压力分布数据，数据为电子皮肤的传感单元的受力值；

将臀部接触压力分布数据转化为具有深度信息的图像；

对灰度图像进行分析，得到用户的坐姿状态。

在一些实施例中，深度信息为灰度。

在一些实施例中，深度信息为彩色。

在一些实施例中，通过预训练的模型对具有深度信息的图像进行分析，得到坐姿状态。

在一些实施例中，预训练的模型为坐姿识别模型并通过以下步骤实现：

获取不同的预设坐姿对应的图像；

将预设坐姿对应的图像作为预设模型的输入，将预设坐姿的已知分类作为预设模型的输出，通过机器学习的方法训练得到坐姿识别模型。

在一些实施例中，预训练的模型为神经网络。

在一些实施例中，通过数据和/或图像的变化获取坐姿的变化。

第二方面，本申请实施例提供了一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本发明实施例中上述的任一方法。

第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如本发明实施例中上述的任一方法。

第四方面，本申请实施例提供了一种基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的装置，其特征在于，包括：

数据获取单元，被配置成用于获取电子皮肤的用户的臀部接触压力分布数据；

坐姿分析单元，被配置成用于对臀部接触压力分布数据进行分析，得到用户的坐姿状态。

在一些实施例中，该装置包括：

数据获取单元，被配置成用于获取电子皮肤的用户的臀部接触压力分布数据，数据为电子皮肤的传感单元的受力值；

图像转换单元，被配置成用于将臀部接触压力分布数据转化为具有深度信息的图像；

坐姿分析单元，被配置成用于对灰度图像进行分析，得到用户的坐姿状态。

在一些实施例中，深度信息为灰度。

在一些实施例中，将深度信息为彩色。

在一些实施例中，通过预训练的模型对具有深度信息的图像进行分析，得到坐姿状态。

在一些实施例中，预训练的模型为坐姿识别模型并通过以下步骤实现：

获取不同的预设坐姿对应的图像；

将预设坐姿对应的图像作为预设模型的输入，将预设坐姿的已知分类作为预设模型的输出，通过机器学习的方法训练得到坐姿识别模型。

在一些实施例中，预训练的模型为神经网络。

在一些实施例中，坐姿分析单元还通过数据和/或图像的变化获取坐姿的变化。

第五方面，本申请实施例提供了一种座椅，包括如权利要求1-8中任一所述的装置。

第六方面，本申请实施例提供了一种坐垫，实现如权利要求1-8中任一所述的装置。

本申请实施例提供的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法和装置，获取电子皮肤的用户的臀部接触压力分布数据；对臀部接触压力分布数据进行分析，得到用户的坐姿状态。本申请实施例提供的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法和装置，通过以上方法提高坐姿分析的简易程度、精确度和效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法的一个实施例的流程图；

图3是根据本申请的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法的一个应用场景的示意图；

图4是根据本申请的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法和装置相关的各种模型的又一个实施例的流程图；

图5是根据本申请的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法和装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102或103上安装有电子皮肤（内置或外置）、控制器、通信装置、电源等。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种基于电子皮肤的产品例如座椅、坐垫等。当终端设备101、102、103为软件时，可以安装在上述所列举的产品中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的数据进行分析和处理的坐姿分析服务器。坐姿分析服务器可以对获取到的数据进行分析处理，从而生成与终端设备使用者对应的坐姿。

需要说明的是，本申请实施例所提供的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法可以由服务器105执行，相应地，基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的装置在此时设置于服务器105中。

需要指出的是，服务器105的本地也可以获取和/或存储有分析的数据，服务器105可以直接获取数据或提取本地的待分析的数据，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法通常由终端设备101、102或103执行，相应地，此时基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的装置设置于终端设备101、102或103中。

需要指出的是，终端设备101、102或103的本地也可以获取和/或存储有待分析的数据，终端设备101、102或103可以直接获取数据或提取本地的待分析的数据，此时，示例性系统架构100可以不包括服务器105和网络104。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法的一个实施例的流程200。基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法，包括以下步骤：

步骤201，获取电子皮肤的用户的臀部接触压力分布数据。

在本实施例中，基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式从终端设备读取电子皮肤的用户的臀部接触压力分布数据。

步骤202，对臀部接触压力分布数据进行分析，得到用户的坐姿状态。

在本实施例中，基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法的执行主体(例如图1所示的服务器)可以对获取到的臀部接触压力分布数据进行分析，得到用户的坐姿状态。在这里，坐姿指用户的人体坐姿。

在本实施例的一些可选方式中，坐姿分析单元还通过数据和/或图像的变化获取坐姿的变化。

在一些可选的实现方式中，基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法，包括以下步骤：

获取电子皮肤的用户的臀部接触压力分布数据，数据为电子皮肤的传感单元的受力值；

将臀部接触压力分布数据转化为具有深度信息的图像；

对灰度图像进行分析，得到用户的坐姿状态。

在这里，深度信息体现图像的多维度和/或相关数据的连续性。在这里，图像的多维度可以是RGB三种颜色维度。在这里，相关数据的连续性可以是RGB中具体一种颜色或灰度值在既定区间内的连续分布。

在一些可选的实现方式中，深度信息为灰度。

在一些可选的实现方式中，涉及灰度图的对比。

在一些可选的实现方式中，深度信息为彩色。

在一些可选的实现方式中，涉及彩色的色阶。

进一步参考图4，其示出了根据本申请的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法和装置相关的各种模型的一个训练方法的实施例的流程400。该流程400，包括以下步骤：

步骤401，获取不同的预设坐姿对应的图像。

在本实施例中，坐姿识别模型的执行主体(例如图1所示的服务器)可以基于获取不同的预设坐姿对应的图像。

步骤402，将预设坐姿对应的图像作为预设模型的输入，将预设坐姿的已知分类作为预设模型的输出，通过机器学习的方法训练得到坐姿识别模型。

在本实施例中，坐姿识别模型的执行主体(例如图1所示的服务器)可以将预设坐姿对应的图像作为预设模型的输入，将预设坐姿的已知分类作为预设模型的输出，通过机器学习的方法训练得到坐姿识别模型。

在本实施例的一些可选方式中，坐姿识别模型为神经网络。在这里神经网络可以是CNN或RNN。

在本实施例中，上述执行主体可以从既有的样本数据集合中选取样本数据，执行如下训练步骤：

首先，将选取的每一个样本数据即预设坐姿对应的图像经过预处理后作为初始卷积神经网络的输入，将预设坐姿的已知分类作为期望输出，对初始卷积神经网络进行训练，得到与样本数据对应的预测识别结果。接着，基于预设损失函数，确定预设损失函数的损失值是否达到预设目标值。在响应于确定预设损失函数的损失值达到预设目标值时，可以确定初始神经网络训练完成，并将训练完成的初始神经网络确定为坐姿识别模型。在这里，预设损失函数可以用于表征预测识别结果与已知识别结果之间的差异。

上述执行主体在响应于确定预设损失函数的损失值未达到预设目标值时，调整初始卷积神经网络的参数，以及从上述训练样本集合中重新选取样本或增加样本规模，将调整后的初始卷积神经网络作为初始卷积神经网络，继续执行上述训练步骤。在这里，调整初始卷积神经网络的参数例如可以调整初始卷积神经网络的卷积层的数目、卷积核的大小。

从图4中可以看出，与图2所示的实施例不同的是，本实施例突出了对基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法和装置相关的各种模型的训练步骤，从而使得从数据分析过程更加准确。

进一步参考图5，作为对上述图4所示方法的实现，本申请提供了基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的装置500包括：

数据获取单元501，被配置成用于获取电子皮肤的用户的臀部接触压力分布数据。

坐姿分析单元502，被配置成用于对臀部接触压力分布数据进行分析，得到用户的坐姿状态。

在本实施例中，基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的装置500中：数据获取单元501和坐姿分析单元502的具体处理及其带来的有益效果可参看图2对应实施例中的步骤201和步骤202的实现方式的相关描述，在此不再赘述。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请该的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，该程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括：数据获取单元和数字模型单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，数据获取单元，还可以被描述为“被配置成用于获取电子皮肤的用户的臀部接触压力分布数据”的单元。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取电子皮肤的用户的臀部接触压力分布数据；对臀部接触压力分布数据进行分析，得到用户的坐姿状态。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法，其特征在于，包括：

获取电子皮肤的用户的臀部接触压力分布数据；

对所述臀部接触压力分布数据进行分析，得到所述用户的坐姿状态。

2.根据权利要求1所述的方法，其特征在于，包括：

获取电子皮肤的用户的臀部接触压力分布数据，所述数据为所述电子皮肤的传感单元的受力值；

将所述臀部接触压力分布数据转化为具有深度信息的图像；

对所述灰度图像进行分析，得到所述用户的坐姿状态。

3.根据权利要求2所述的方法，其特征在于，所述深度信息为灰度。

4.根据权利要求2所述的方法，其特征在于，所述深度信息为彩色。

5.根据权利要求2-4之一所述的方法，其特征在于，通过预训练的模型对所述具有深度信息的图像进行分析，得到所述坐姿状态。

6.根据权利要求5所述的方法，其特征在于，所述预训练的模型为坐姿识别模型并通过以下步骤实现：

获取不同的预设坐姿对应的所述图像；

将所述预设坐姿对应的所述图像作为预设模型的输入，将所述预设坐姿的已知分类作为所述预设模型的输出，通过机器学习的方法训练得到所述坐姿识别模型。

7.根据权利要求6所述的方法，其特征在于，所述预训练的模型为神经网络。

8.根据权利要求1-4之一所述的方法，其特征在于，通过所述数据和/或所述图像的变化获取所述坐姿的变化。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。