[go: up one dir, main page]

CN112190258B - 座椅角度调节方法、装置、存储介质及电子设备 - Google Patents

座椅角度调节方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112190258B
CN112190258B CN202011063832.XA CN202011063832A CN112190258B CN 112190258 B CN112190258 B CN 112190258B CN 202011063832 A CN202011063832 A CN 202011063832A CN 112190258 B CN112190258 B CN 112190258B
Authority
CN
China
Prior art keywords
sitting posture
current
data
human body
preset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011063832.XA
Other languages
English (en)
Other versions
CN112190258A (zh
Inventor
史培荣
向林
苏世艳
蔺烜
白金蓬
黎清顾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202011063832.XA priority Critical patent/CN112190258B/zh
Publication of CN112190258A publication Critical patent/CN112190258A/zh
Application granted granted Critical
Publication of CN112190258B publication Critical patent/CN112190258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47C—CHAIRS; SOFAS; BEDS
    • A47C3/00—Chairs characterised by structural features; Chairs or stools with rotatable or vertically-adjustable seats
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6891—Furniture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及数据处理技术领域，具体涉及一种座椅角度调节方法、装置、存储介质及电子设备，解决了相关技术中由于只采用应变片或压力传感器采集数据，且未对数据进行处理就直接进行神经网络模型训练，导致该方法对坐姿类别判断不准确，误差较大的问题。该方法包括：采集用户的当前人体坐姿数据；生成当前三维立体坐姿画像；根据训练后的神经网络模型对当前三维立体坐姿画像进行坐姿类别识别，得到当前坐姿类别；基于预设正常坐姿进行座椅角度调节。本方法通过建立三维立体坐姿画像，使采集到的人体坐姿数据更准确、误差更小；神经网络通过三维立体坐姿画像进行训练，得到的神经网络模型更接近人体真实坐姿，能够更准确的判断坐姿类别。

Description

座椅角度调节方法、装置、存储介质及电子设备
技术领域
本申请涉及数据处理技术领域，特别地涉及一种座椅角度调节方法、装置、存储介质及电子设备。
背景技术
坐姿是人体最常见的姿势之一，人体的大部分时间都是以坐姿的状态度过的，糟糕的是大部分时间人们的坐姿都是不正确的,长时间如此会给身体带来不适,同时还会引发一些疾病的发生，最高发的疾病当属颈椎病和腰间盘突出，会严重的降低了生活质量。然而在日常生活中，大多数人在工作学习的时候基本上很难注意到自己的坐姿是否正确，很难有意识去纠正错误坐姿，由此引入了对坐姿类别判断并进行纠正的研究。
现有的座椅角度调节方法，是使用应变片或压力传感器采集数据，然后将采集的数据直接进行训练神经网络模型，通过训练好的神经网络模型对坐姿类别进行判断。由于只采用应变片或压力传感器采集数据，且未对数据进行处理就直接进行神经网络模型训练，导致该方法对坐姿类别判断不准确，误差较大。
发明内容
针对上述问题，本申请提供一种座椅角度调节方法、装置、存储介质及电子设备，解决了相关技术中由于只采用应变片或压力传感器采集数据，且未对数据进行处理就直接进行神经网络模型训练，导致该方法对坐姿类别判断不准确，误差较大的技术问题。
第一方面，本申请提供了一种座椅角度调节方法，所述方法包括：
采集用户的当前人体坐姿数据；
根据所述当前人体坐姿数据，生成当前三维立体坐姿画像；
根据训练后的神经网络模型对所述当前三维立体坐姿画像进行坐姿类别识别，得到当前坐姿类别；所述神经网络模型通过所述用户的历史人体坐姿数据训练得到；
根据预设坐姿类别集判断所述当前坐姿类别是否属于正常坐姿；所预设坐姿类别集包括所述神经网络模型基于所述历史人体坐姿数据识别得到的所有坐姿类别，所述所有坐姿类别包括预设正常坐姿和预设非正常坐姿；
若判定所述当前坐姿类别属于非正常坐姿，则从所述预设坐姿类别集中找寻与所述当前坐姿类别最相似的预设正常坐姿，并基于所述预设正常坐姿进行座椅角度调节。
可选的，所述座椅角度调节方法，还包括：
若判定所述当前坐姿类别属于正常坐姿，则不调节座椅角度。
可选的，所述根据预设坐姿类别集判断所述当前坐姿类别是否属于正常坐姿，包括：
将所述当前坐姿类别与所述预设坐姿类别集中的所有预设坐姿类别作比较，判断所述预设坐姿类别集中是否存在与所述当前坐姿类别相同的坐姿类别；
若判定所述预设坐姿类别集中存在与所述当前坐姿类别相同的坐姿类别，则判断与所述当前坐姿类别相同的预设坐姿类别是否属于正常坐姿，
若判定所述与所述当前坐姿类别相同的预设坐姿类别属于正常坐姿，则判定所述当前坐姿类别属于正常坐姿；
若判定所述与所述当前坐姿类别相同的预设坐姿类别属于非正常坐姿，则判定所述当前坐姿类别属于非正常坐姿。
可选的，所述方法包括对所述神经网络模型进行训练过程如下：
根据所述用户的历史人体坐姿数据，生成历史三维立体坐姿画像；
以所述历史三维立体坐姿画像作为输入，进行神经网络模型训练，得到所述训练后的神经网络模型。
可选的，所述采集用户的当前人体坐姿数据，包括：
通过压力传感器和红外线传感器采集用户的当前人体坐姿数据，所述当前人体坐姿数据包括基于所述人体不同部位的压力值构建的压力向量集和基于所述人体不同部位与所述座椅之间的不同距离构建的距离向量集。
可选的，所述根据所述当前人体坐姿数据，生成当前三维立体坐姿画像，包括：
将所述当前人体坐姿数据映射到三维坐标上，生成当前三维坐标数据；
根据所述当前三维坐标数据，建立所述当前三维立体坐姿画像。
可选的，在所述将所述当前人体坐姿数据映射到三维坐标上，生成当前三维坐标数据之前，还包括：
对所述当前人体坐姿数据进行清洗和过滤，得到处理后的当前人体坐姿数据。
可选的，基于所述预设正常坐姿进行座椅角度调节之后，还包括：
重新采集座椅角度调节之后的当前人体坐姿数据，并基于所述座椅角度调节之后的当前人体坐姿数据和所述神经网络模型对所述座椅角度进行调节，直到判定所述用户的当前坐姿类别属于正常坐姿。
可选的，一种座椅角度调节装置，所述装置包括：
采集单元，用于采集用户的当前人体坐姿数据；
生成单元，用于根据所述当前人体坐姿数据，生成当前三维立体坐姿画像；
识别单元，用于根据训练后的神经网络模型对所述当前三维立体坐姿画像进行坐姿类别识别，得到当前坐姿类别；所述神经网络模型通过所述用户的历史人体坐姿数据训练得到；
判断单元，用于根据预设坐姿类别集判断所述当前坐姿类别是否属于正常坐姿；所预设坐姿类别集包括所述神经网络模型基于所述历史人体坐姿数据识别得到的所有坐姿类别，所述所有坐姿类别包括预设正常坐姿和预设非正常坐姿；
调节单元，用于若判定所述当前坐姿类别属于非正常坐姿，则从所述预设坐姿类别集中找寻与所述当前坐姿类别最相似的预设正常坐姿，并基于所述预设正常坐姿进行座椅角度调节。
第三方面，一种存储介质，该存储介质存储的计算机程序，可被一个或多个处理器执行，可用来实现如上述第一方面所述的座椅角度调节方法。
第四方面，一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述存储器和所述处理器之间互相通信连接，该计算机程序被所述处理器执行时，执行如上述第一方面所述的座椅角度调节方法。
本申请提供的一种座椅角度调节方法、装置、存储介质及电子设备，相交于现有技术的有益效果包括：
1、通过建立三维立体坐姿画像，使采集到的人体坐姿数据更准确、误差更小；
2、神经网络通过三维立体坐姿画像进行训练，得到的神经网络模型更接近人体真实坐姿，能够更准确的判断坐姿类别。
附图说明
为了更清楚地说明本发明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述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种座椅角度调节方法的流程示意图；
图2为本申请实施例提供的一种座椅角度调节装置的结构示意图；
图3为本申请实施例提供的一种电子设备的连接框图。
具体实施方式
以下将结合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本申请的保护范围之内。
由背景技术可知，现有的座椅角度调节方法，是使用应变片或压力传感器采集数据，然后将采集的数据直接进行训练神经网络模型，通过训练好的神经网络模型对坐姿类别进行判断。由于只采用应变片或压力传感器采集数据，且未对数据进行处理就直接进行神经网络模型训练，导致该方法对坐姿类别判断不准确，误差较大。
有鉴于此，本申请提供一种座椅角度调节方法、装置、存储介质及电子设备，解决了相关技术中由于只采用应变片或压力传感器采集数据，且未对数据进行处理就直接进行神经网络模型训练，导致该方法对坐姿类别判断不准确，误差较大的技术问题。
实施例一
图1为本申请实施例提供的一种座椅角度调节方法的流程示意图，如图1所示，本方法包括：
S101、采集用户的当前人体坐姿数据。
S102、根据所述当前人体坐姿数据，生成当前三维立体坐姿画像。
S103、根据训练后的神经网络模型对所述当前三维立体坐姿画像进行坐姿类别识别，得到当前坐姿类别。
在步骤S103中，所述神经网络模型通过所述用户的历史人体坐姿数据训练得到。
S104、根据预设坐姿类别集判断所述当前坐姿类别是否属于正常坐姿。
在步骤S104中，所预设坐姿类别集包括所述神经网络模型基于所述历史人体坐姿数据识别得到的所有坐姿类别，所述所有坐姿类别包括预设正常坐姿和预设非正常坐姿。
S105、若判定所述当前坐姿类别属于非正常坐姿，则从所述预设坐姿类别集中找寻与所述当前坐姿类别最相似的预设正常坐姿，并基于所述预设正常坐姿进行座椅角度调节。
需要说明的是，在所述训练后的神经网络模型包含了三维立体坐姿画像与座椅角度的映射关系，通过该映射关系，得到与所述预设正常坐姿的三维立体坐姿画像对应的座椅角度，根据所述座椅角度调节座椅。
进一步需要说明的是，所述预设正常坐姿和预设非正常坐姿是通过前期训练，在综合大量用户坐姿数据的基础上，训练出标准，以此界定正常坐姿和非正常坐姿。
可选的，所述座椅角度调节方法，还包括：
若判定所述当前坐姿类别属于正常坐姿，则不调节座椅角度。
可选的，所述根据预设坐姿类别集判断所述当前坐姿类别是否属于正常坐姿，包括：
将所述当前坐姿类别与所述预设坐姿类别集中的所有预设坐姿类别作比较，判断所述预设坐姿类别集中是否存在与所述当前坐姿类别相同的坐姿类别；
若判定所述预设坐姿类别集中存在与所述当前坐姿类别相同的坐姿类别，则判断与所述当前坐姿类别相同的预设坐姿类别是否属于正常坐姿，
若判定所述与所述当前坐姿类别相同的预设坐姿类别属于正常坐姿，则判定所述当前坐姿类别属于正常坐姿；
若判定所述与所述当前坐姿类别相同的预设坐姿类别属于非正常坐姿，则判定所述当前坐姿类别属于非正常坐姿。
可选的，所述方法包括对所述神经网络模型进行训练过程如下：
根据所述用户的历史人体坐姿数据，生成历史三维立体坐姿画像；
以所述历史三维立体坐姿画像作为输入，进行神经网络模型训练，得到所述训练后的神经网络模型。
需要说明的是，所述神经网络模型为BP((back propagation))神经网络模型。
可选的，所述采集用户的当前人体坐姿数据，包括：
通过压力传感器和红外线传感器采集用户的当前人体坐姿数据，所述当前人体坐姿数据包括基于所述人体不同部位的压力值构建的压力向量集和基于所述人体不同部位与所述座椅之间的不同距离构建的距离向量集。
可选的，所述根据所述当前人体坐姿数据，生成当前三维立体坐姿画像，包括：
将所述当前人体坐姿数据映射到三维坐标上，生成当前三维坐标数据；
根据所述当前三维坐标数据，建立所述当前三维立体坐姿画像。
需要说明的是，通过压力传感器和红外线传感器采集到的数据，分别映射到三维坐标上，形成压力向量三维坐标数据和距离向量三维坐标数据，利用这些数据建立三维立体坐姿画像模型。
具体的，通过压力传感器和红外线传感器采集压力数据和距离数据，采集到的压力数据抽取成为压力向量集M[a1,a2...an]，an代表压力传感器收集不同人体部位n的位置向量，这些压力向量集M[a1,a2...an]映射到三维坐标上，形成压力向量三维坐标数据(XM，YM，ZM)；采集到的距离数据抽取成为距离向量集K[b1,b2...bn]，bn代表红外线传感器收集不同部位n的距离向量，这些距离向量集K[b1,b2...bn]映射到三维坐标上，形成距离向量三维坐标数据(XK，YK，ZK)；根据压力向量三维坐标数据(XM，YM，ZM)和距离向量三维坐标数据(XK，YK，ZK)，建立三维立体坐姿画像。
需要说明的是，三维立体坐姿画像是一个抽象化数学表述的三维立体坐姿模型，该型作为BP神经网络模型的输入，来判定坐姿种类。
可选的，在所述将所述当前人体坐姿数据映射到三维坐标上，生成当前三维坐标数据之前，还包括：
对所述当前人体坐姿数据进行清洗和过滤，得到处理后的当前人体坐姿数据。
需要说明的是，对当前人体坐姿数据进行清洗和过滤处理，可以去除一些错误数据和偏差较大的数据，使数据更加集中准确。
具体的，清洗和过滤方式包括：通过滑动时间窗去除数据噪声；删除重复数据；去除无效数据，例如，超出正常取值范围的数据。
可选的，基于所述预设正常坐姿进行座椅角度调节之后，还包括：
重新采集座椅角度调节之后的当前人体坐姿数据，并基于所述座椅角度调节之后的当前人体坐姿数据和所述神经网络模型对所述座椅角度进行调节，直到判定所述用户的当前坐姿类别属于正常坐姿。
需要说明的是，只经过一次调节，并不一定能够将用户的错误坐姿调整到正确坐姿，因此需要至少一次的调节来实现。
综上所述，本申请实施例提供了一种座椅角度调节方法、相交于现有技术的有益效果包括：通过建立三维立体坐姿画像，使采集到的人体坐姿数据更准确、误差更小；神经网络通过三维立体坐姿画像进行训练，得到的神经网络模型更接近人体真实坐姿，能够更准确的判断坐姿类别。
实施例二
基于上述本发明实施例公开的座椅角度调节方法，图2具体公开了应用该座椅角度调节方法的座椅角度调节装置。
如图2所示，本发明另一实施例公开了一种座椅角度调节装置，该装置包括：
采集单元201，用于采集用户的当前人体坐姿数据；
生成单元202，用于根据所述当前人体坐姿数据，生成当前三维立体坐姿画像；
识别单元203，用于根据训练后的神经网络模型对所述当前三维立体坐姿画像进行坐姿类别识别，得到当前坐姿类别；所述神经网络模型通过所述用户的历史人体坐姿数据训练得到；
判断单元204，用于根据预设坐姿类别集判断所述当前坐姿类别是否属于正常坐姿；所预设坐姿类别集包括所述神经网络模型基于所述历史人体坐姿数据识别得到的所有坐姿类别，所述所有坐姿类别包括预设正常坐姿和预设非正常坐姿；
调节单元205，用于若判定所述当前坐姿类别属于非正常坐姿，则从所述预设坐姿类别集中找寻与所述当前坐姿类别最相似的预设正常坐姿，并基于所述预设正常坐姿进行座椅角度调节。
以上本发明实施例公开的座椅角度调节装置中的采集单元201、生成单元202、识别单元203、判断单元204和调节单元205的具体工作过程，可参见本发明上述实施例公开的座椅角度调节方法中的对应内容，这里不再进行赘述。
综上所述，本申请实施例提供了一种座椅角度调节装置、相交于现有技术的有益效果包括：通过建立三维立体坐姿画像，使采集到的人体坐姿数据更准确、误差更小；神经网络通过三维立体坐姿画像进行训练，得到的神经网络模型更接近人体真实坐姿，能够更准确的判断坐姿类别。
实施例三
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，该计算机程序被处理器执行时可以实现如实施例一的方法步骤，本实施例在此不再重复赘述。
实施例四
图3为本申请实施例提供的一种电子设备500的连接框图，如图3所示，该电子设备500可以包括：处理器501，存储器502，输入/输出(I/O)接口503，以及通信组件504。
其中，处理器501用于执行如实施例一中的座椅角度调节方法中的全部或部分步骤。存储器502用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
处理器501可以是专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable LogicDevice，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例一中的座椅角度调节方法。
存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
I/O接口503为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。
通信组件504用于该电子设备500与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件504可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
综上，本申请提供的一种座椅角度调节方法、装置、存储介质及电子设备，该方法包括：通过建立三维立体坐姿画像，使采集到的人体坐姿数据更准确、误差更小；神经网络通过三维立体坐姿画像进行训练，得到的神经网络模型更接近人体真实坐姿，能够更准确的判断坐姿类别。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本申请所揭露的实施方式如上，但上述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种座椅角度调节方法，其特征在于，所述方法包括：
采集用户的当前人体坐姿数据，包括：通过压力传感器和红外线传感器采集用户的当前人体坐姿数据，所述当前人体坐姿数据包括基于所述人体不同部位的压力值构建的压力向量集和基于所述人体不同部位与所述座椅之间的不同距离构建的距离向量集；
根据所述当前人体坐姿数据，生成当前三维立体坐姿画像，包括：将所述当前人体坐姿数据映射到三维坐标上，生成当前三维坐标数据；根据所述当前三维坐标数据，建立所述当前三维立体坐姿画像；
根据训练后的神经网络模型对所述当前三维立体坐姿画像进行坐姿类别识别，得到当前坐姿类别；所述神经网络模型通过所述用户的历史人体坐姿数据训练得到；
根据预设坐姿类别集判断所述当前坐姿类别是否属于正常坐姿；所预设坐姿类别集包括所述神经网络模型基于所述历史人体坐姿数据识别得到的所有坐姿类别，所述所有坐姿类别包括预设正常坐姿和预设非正常坐姿；
若判定所述当前坐姿类别属于非正常坐姿，则从所述预设坐姿类别集中找寻与所述当前坐姿类别最相似的预设正常坐姿，并基于所述预设正常坐姿进行座椅角度调节。
2.根据权利要求1所述的方法，其特征在于，还包括：
若判定所述当前坐姿类别属于正常坐姿，则不调节座椅角度。
3.根据权利要求1所述的方法，其特征在于，所述根据预设坐姿类别集判断所述当前坐姿类别是否属于正常坐姿，包括：
将所述当前坐姿类别与所述预设坐姿类别集中的所有预设坐姿类别作比较，判断所述预设坐姿类别集中是否存在与所述当前坐姿类别相同的坐姿类别；
若判定所述预设坐姿类别集中存在与所述当前坐姿类别相同的坐姿类别，则判断与所述当前坐姿类别相同的预设坐姿类别是否属于正常坐姿，
若判定所述与所述当前坐姿类别相同的预设坐姿类别属于正常坐姿，则判定所述当前坐姿类别属于正常坐姿；
若判定所述与所述当前坐姿类别相同的预设坐姿类别属于非正常坐姿，则判定所述当前坐姿类别属于非正常坐姿。
4.根据权利要求1所述的方法，其特征在于，所述方法包括对所述神经网络模型进行训练过程如下：
根据所述用户的历史人体坐姿数据，生成历史三维立体坐姿画像；
以所述历史三维立体坐姿画像作为输入，进行神经网络模型训练，得到所述训练后的神经网络模型。
5.根据权利要求1所述的方法，其特征在于，在所述将所述当前人体坐姿数据映射到三维坐标上，生成当前三维坐标数据之前，还包括：
对所述当前人体坐姿数据进行清洗和过滤，得到处理后的当前人体坐姿数据。
6.根据权利要求1所述的方法，其特征在于，基于所述预设正常坐姿进行座椅角度调节之后，还包括：
重新采集座椅角度调节之后的当前人体坐姿数据，并基于所述座椅角度调节之后的当前人体坐姿数据和所述神经网络模型对所述座椅角度进行调节，直到判定所述用户的当前坐姿类别属于正常坐姿。
7.一种座椅角度调节装置，其特征在于，所述装置包括：
采集单元，用于采集用户的当前人体坐姿数据，包括：通过压力传感器和红外线传感器采集用户的当前人体坐姿数据，所述当前人体坐姿数据包括基于所述人体不同部位的压力值构建的压力向量集和基于所述人体不同部位与所述座椅之间的不同距离构建的距离向量集；
生成单元，用于根据所述当前人体坐姿数据，生成当前三维立体坐姿画像，包括：将所述当前人体坐姿数据映射到三维坐标上，生成当前三维坐标数据；根据所述当前三维坐标数据，建立所述当前三维立体坐姿画像；
识别单元，用于根据训练后的神经网络模型对所述当前三维立体坐姿画像进行坐姿类别识别，得到当前坐姿类别；所述神经网络模型通过所述用户的历史人体坐姿数据训练得到；
判断单元，用于根据预设坐姿类别集判断所述当前坐姿类别是否属于正常坐姿；所预设坐姿类别集包括所述神经网络模型基于所述历史人体坐姿数据识别得到的所有坐姿类别，所述所有坐姿类别包括预设正常坐姿和预设非正常坐姿；
调节单元，用于若判定所述当前坐姿类别属于非正常坐姿，则从所述预设坐姿类别集中找寻与所述当前坐姿类别最相似的预设正常坐姿，并基于所述预设正常坐姿进行座椅角度调节。
8.一种存储介质，其特征在于，该存储介质存储的计算机程序，可被一个或多个处理器执行，可用来实现如权利要求1~6任意一项所述的座椅角度调节方法。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，所述存储器和所述处理器之间互相通信连接，该计算机程序被所述处理器执行时，执行如权利要求1~6任意一项所述的座椅角度调节方法。
CN202011063832.XA 2020-09-30 2020-09-30 座椅角度调节方法、装置、存储介质及电子设备 Active CN112190258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011063832.XA CN112190258B (zh) 2020-09-30 2020-09-30 座椅角度调节方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011063832.XA CN112190258B (zh) 2020-09-30 2020-09-30 座椅角度调节方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112190258A CN112190258A (zh) 2021-01-08
CN112190258B true CN112190258B (zh) 2021-07-20

Family

ID=74014342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011063832.XA Active CN112190258B (zh) 2020-09-30 2020-09-30 座椅角度调节方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112190258B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114065800A (zh) * 2021-10-09 2022-02-18 珠海格力电器股份有限公司 情绪检测方法及装置
CN114304980A (zh) * 2021-12-28 2022-04-12 阿波罗智联(北京)科技有限公司 气囊调节方法、装置、电子设备和介质
CN114419676B (zh) * 2022-01-24 2024-09-17 深圳平安智慧医健科技有限公司 基于人工智能的坐姿分析方法、装置、计算机设备及介质
CN114572068A (zh) * 2022-01-28 2022-06-03 中国第一汽车股份有限公司 一种基于卷积神经网络的电动座椅调节方法、装置及车辆

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107319818A (zh) * 2017-09-05 2017-11-07 湖州健凯康复产品有限公司 一种坐姿矫正椅
CN108549834A (zh) * 2018-03-08 2018-09-18 佛山市顺德区中山大学研究院 一种基于柔性传感器的人体坐姿识别方法及其系统
CN109793384A (zh) * 2019-03-25 2019-05-24 联想(北京)有限公司 坐姿调整装置和坐姿调整方法
CN109820373A (zh) * 2019-03-28 2019-05-31 重庆邮电大学 基于智能座椅的坐姿自适应调整方法
WO2019164100A1 (ko) * 2018-02-21 2019-08-29 (주)모어이즈모어 사용자 자세 인식을 통한 사용자 인터랙션 방법 및 시스템
CN111178313A (zh) * 2020-01-02 2020-05-19 深圳数联天下智能科技有限公司 一种监督用户坐姿的方法及设备
CN111639574A (zh) * 2020-05-22 2020-09-08 广东小天才科技有限公司 坐姿纠正方法及电子设备、存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096801A (zh) * 2009-12-14 2011-06-15 北京中星微电子有限公司 一种坐姿检测方法及装置
US9855005B2 (en) * 2015-04-22 2018-01-02 Samsung Electronics Co., Ltd. Wearable posture advisory system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107319818A (zh) * 2017-09-05 2017-11-07 湖州健凯康复产品有限公司 一种坐姿矫正椅
WO2019164100A1 (ko) * 2018-02-21 2019-08-29 (주)모어이즈모어 사용자 자세 인식을 통한 사용자 인터랙션 방법 및 시스템
CN108549834A (zh) * 2018-03-08 2018-09-18 佛山市顺德区中山大学研究院 一种基于柔性传感器的人体坐姿识别方法及其系统
CN109793384A (zh) * 2019-03-25 2019-05-24 联想(北京)有限公司 坐姿调整装置和坐姿调整方法
CN109820373A (zh) * 2019-03-28 2019-05-31 重庆邮电大学 基于智能座椅的坐姿自适应调整方法
CN111178313A (zh) * 2020-01-02 2020-05-19 深圳数联天下智能科技有限公司 一种监督用户坐姿的方法及设备
CN111639574A (zh) * 2020-05-22 2020-09-08 广东小天才科技有限公司 坐姿纠正方法及电子设备、存储介质

Also Published As

Publication number Publication date
CN112190258A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN112190258B (zh) 座椅角度调节方法、装置、存储介质及电子设备
KR102264014B1 (ko) 신체 사이즈 측정용 사진 획득 방법 및 이를 이용한 신체 사이즈 측정 방법, 서버 및 프로그램
CN113412086B (zh) 超声扫描控制方法及系统、超声扫描设备及存储介质
CN1316416C (zh) 基于四个特征点的头部动作测定方法
CN113297938A (zh) 坐姿监控的方法、装置、电子设备及存储介质
CN107486863A (zh) 一种基于感知的机器人主动交互方法
CN113158272A (zh) 个性化服装定制的自动打版方法和系统
CN110136153A (zh) 一种图像处理方法、设备及存储介质
CN109101983A (zh) 一种基于深度学习的鞋样及足迹关键点检测方法
CN111134613A (zh) 一种基于图像识别的角膜塑形镜验配方法及系统
CN112101124A (zh) 一种坐姿检测方法及装置
US20230271325A1 (en) Industrial internet of things systems for monitoring collaborative robots with dual identification, control methods and storage media thereof
CN103838963A (zh) 一种文胸压力舒适性评价方法
CN114237427B (zh) 一种高灵敏度触控压力检测方法及系统
CN110164545A (zh) 数据辅助处理方法、装置、计算机设备及存储介质
CN109241822A (zh) 一种基于mtcnn的多方位人脸检测方法及系统
CN112465773A (zh) 一种基于人脸面部肌肉运动特征的面部神经麻痹疾病检测方法
CN110007764B (zh) 一种手势骨架识别方法、装置、系统及存储介质
CN110608753A (zh) 口腔区域识别方法、装置、计算机设备和存储介质
AU2018456044B2 (en) Anthropometric data portable acquisition device and method of collecting anthropometric data
CN112617817B (zh) 坐姿检测方法、装置、计算机设备及存储介质
CN109064511B (zh) 一种人体重心高度测量方法、装置及相关设备
CN106940793A (zh) 一种基于口腔清洁装置的姿态处理方法及系统
CN106803065A (zh) 一种基于深度信息的瞳距测量方法以及系统
CN117830566A (zh) 一种基于机器视觉的曲面枕个性化定制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant