CN114419676B - 基于人工智能的坐姿分析方法、装置、计算机设备及介质 - Google Patents
基于人工智能的坐姿分析方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN114419676B CN114419676B CN202210082491.3A CN202210082491A CN114419676B CN 114419676 B CN114419676 B CN 114419676B CN 202210082491 A CN202210082491 A CN 202210082491A CN 114419676 B CN114419676 B CN 114419676B
- Authority
- CN
- China
- Prior art keywords
- data
- spine
- stress
- sitting posture
- user
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000006073 displacement reaction Methods 0.000 claims description 78
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000036544 posture Effects 0.000 description 99
- 230000000875 corresponding effect Effects 0.000 description 89
- 238000012549 training Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
- A61B5/4561—Evaluating static posture, e.g. undesirable back curvature
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physical Education & Sports Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明适用于人工智能技术领域，尤其涉及一种基于人工智能的坐姿分析方法、装置、计算机设备及介质。该方法将采集的用户的坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据，将每节脊椎骨的当前相对受力数据输入训练好的目标预测模型，确定预设时间后的脊柱形状数据，将脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为预设时间后用户的脊柱形态，实现根据用户坐姿数据对脊柱受力进行计算，并将脊柱受力的计算结果用于预测脊柱的形变，再结合脊柱的形变判定脊柱的形态，从而准确地预测当前坐姿对用户的脊柱形态的影响，进而实现坐姿监测。
Description
技术领域
本发明适用于人工智能技术领域，尤其涉及一种基于人工智能的坐姿分析方法、装置、计算机设备及介质。
背景技术
目前，越来越多的人在日常办公中都需要久坐，久坐对人体脊柱和颈椎存在一定影响，当人体坐姿不正确时，随着时间越长脊柱和颈椎都会产生形变，甚至出现健康问题。现有的人体工学座椅，虽然是依照人体工学的方式打造，但既能够提供相应的支撑，以减轻用户身体的疲劳度，不能够对用户的坐姿进行校正，而随着传感器技术的发展，传感器可以被用于监测用户的坐姿，由于每个人的身形、体重等存在差异，通过传感器采集的数据不能够准确地判断用户的坐姿是否存在问题，因此，如何准确地对用户的坐姿进行监测成为亟待解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种基于人工智能的坐姿分析方法、装置、计算机设备及介质，以解决对用户的坐姿进行监测的问题。
第一方面，本发明实施例提供一种基于人工智能的坐姿分析方法，所述坐姿分析方法包括：
在检测到用户处于就坐状态时，获取所述用户的坐姿数据；
将所述坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据；
将所述当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据；
将所述脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为所述预设时间后所述用户的脊柱形态。
第二方面，本发明实施例提供一种基于人工智能的坐姿分析装置，所述坐姿分析装置包括：
坐姿数据获取模块，用于在检测到用户处于就坐状态时，获取所述用户的坐姿数据，所述坐姿数据包括所述用户就坐后身体各部位对外的压力数据；
受力数据确定模块，用于将所述坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据；
形状数据预测模块，用于将所述当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据；
脊柱形态确定模块，用于将所述脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为所述预设时间后所述用户的脊柱形态。
第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的坐姿分析方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的坐姿分析方法。
本发明实施例与现有技术相比存在的有益效果是：本发明将采集的用户的坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据，将每节脊椎骨的当前相对受力数据输入训练好的目标预测模型，确定预设时间后的脊柱形状数据，将脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为预设时间后用户的脊柱形态，实现根据用户坐姿数据对脊柱受力进行计算，并将脊柱受力的计算结果用于预测脊柱的形变，再结合脊柱的形变判定脊柱的形态，从而准确地预测当前坐姿对用户的脊柱形态的影响，进而实现坐姿监测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于人工智能的坐姿分析方法的一应用环境示意图；
图2是本发明一实施例提供的一种基于人工智能的坐姿分析方法的流程示意图；
图3是本发明一实施例提供的一种基于人工智能的坐姿分析方法的流程示意图；
图4是本发明一实施例提供的一种基于人工智能的坐姿分析装置的结构示意图；
图5是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明实施例提供的一种基于人工智能的坐姿分析方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端计算机设备、个人数字助理(personal digital assistant，PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，参见图2，是本发明提供的一种基于人工智能的坐姿分析方法的流程示意图，上述坐姿分析方法可以应用于图1中的服务端，服务端对应的计算机设备连接相应的数据库，以获取相应的数据。上述计算机设备还可以连接相应的采集设备，以采集相应的数据。如图2所示，该坐姿分析方法可以包括以下步骤：
步骤S201，在检测到用户处于就坐状态时，获取用户的坐姿数据。
其中，坐姿数据包括用户就坐后身体各部位对外的压力数据，为用户在预先定制的座椅等工具上就坐后，由该座椅上相应传感器采集的数据，如果需要关注用户就坐之后腰部、背部的坐姿，则可以在座椅的腰部支撑和背部支撑中设置相应的压力传感器，以检测用户就坐之后腰部对外的压力数据和背部对外的压力数据，将这些压力数据作为表征该用户坐姿的数据。
本发明中，上述计算机设备连接上述座椅中每个身体部位的压力传感器，从而可以获取每个身体部位对应的压力数据，上述计算机设备通过有线或者无线连接压力传感器，以获取压力传感器检测的数据。在一种实施方式中，在用户就坐后，将压力数据与对应的用户身份标识号(Identity Document，ID)汇总至相应的数据库中存储，上述计算机设备连接该数据库，通过用户ID获取该用户的坐姿数据。
当座椅上相应的传感器检测到压力变大时，即检测到用户处于就坐状态，或者在座椅的底板上设置压力传感器，当该压力传感器检测到压力在一定范围时，判定为用户处于就坐状态。进一步地，用户就坐后可以使用定期采集的方式，周期性的采集用户的坐姿数据。
本发明的座椅上设置微型传感器，是将各类微型传感器与座椅的坐垫和靠背等受力点、受力面相结合，实时检测用户的坐姿受力点。在该座椅上的扶手处可以设置智能芯片，将检测到的用户坐姿数据进行整合，完成对所有传感器的统一管理。
步骤S202，将坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据。
其中，通过作用力与反作用力的关系，将坐姿数据中的压力数据转换为对每个部位的支撑力，并将每个部位的支撑力平移映射到脊柱上，得到整个脊柱的受力，将整个脊柱的受力按照脊椎骨进行分割，得到每节脊椎骨受到的相对作用力(即相对受力数据)。本发明中，预设的脊柱受力模型即是完成将坐姿数据转换为相对受力数据的计算模型。
在建立理论的脊柱受力模型之后，通过上述座椅采集的大量的健康人体就坐后的压力数据，对上述脊柱受力模型进行优化调整，得到预设的脊柱受力模型。上述预设的脊柱受力模型的输入可以是坐姿数据，输出为脊柱上每节脊椎骨的当前相对受力数据。在使用过程中可通过各大医疗及研究机构，对此脊柱受力模型进行优化。
在一种实施方式中，在建立理论的脊柱受力模型时，还将体重数据、身高数据作为变量入参，从而可以使得脊柱受力模型能够适用于不同身高和体重人群。在模型优化时，通过外部输入设备可以输入大量用户的身高数据和体重数据，并结合对应的坐姿数据对脊柱受力模型进行优化，得到预设的脊柱受力模型，该预设的脊柱受力模型的输入包括坐姿数据、体重数据和身高数据，输出为脊柱上每节脊椎骨的当前相对受力数据。在使用时，还可以在座椅上设置压力传感器以检测用户的体重数据，通过外部输入设备输入该用户的身高数据，结合上述坐姿数据和预设的脊柱受力模型，可以确定该用户的每节脊椎骨的当前相对受力数据。
步骤S203，将当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据。
其中，目标预测模型是将脊柱的相对受力作为输入，预测预设时间后脊柱的弯曲、形变等情况，输出在预设时间后的脊柱形状数据。上述脊柱形状数据可以是指脊柱形状二维图、三维图或者脊柱中每节脊椎骨的相对位置关系等。
本发明中，上述目标预测模型可以是基于反向传播(Back-ProPagation，BP)神经网络的模型，其对应的训练集，包括非标准脊柱用户的脊柱形状数据、对应用户在上述座椅上就坐后脊柱的相对受力数据以及对应用户以该坐姿持续就坐的时间，使用训练集对目标预测模型进行训练，得到训练好的目标预测模型，该训练好的目标预测模型的输入为相对受力数据，输出为脊柱形状数据。
训练过程是将非标准脊柱用户在上述座椅上的脊柱的相对受力数据以及对应的非标准脊柱用户坐姿时间作为输入，将该非标准脊柱用户的脊柱形状数据作为目标，直至迭代完毕。训练好的目标预测模型能够对各种坐姿对应的相对受力数据随着时间变化对脊柱形状进行预测。
步骤S204，将脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为预设时间后用户的脊柱形态。
其中，上述数据库存储脊柱形状数据与脊柱形态的映射关系。脊柱形状数据与脊柱形态可以由相应的医生、专家等进行关联标注。例如，脊柱形态数据为脊柱图，脊柱形态包括轻微变形、严重变形和未变形，脊柱图中脊柱形状与标准的脊柱形状差别较大时，对应的脊柱形态可以为严重变形。
本发明中，上述计算机设备连接数据库以获取数据库中的已有脊柱形状数据及其对应的脊柱形态。上述计算机设备从数据库中获取脊柱形状数据并一一与上述得到的脊柱形状数据进行比对，确定差异较小的脊柱形状数据为匹配的已有脊柱形状数据，在根据映射关系从数据库中获取到匹配的已有脊柱形状数据对应的脊柱形态。例如，脊柱形态数据为脊柱中每节脊椎骨与第一节脊椎骨的相对位数据，在匹配时，将用户的脊柱形态数据中的一组相对位置数据与数据库中任一组相对位置数据进行比较，确定相对位置数据的相似度，在相似度小于阈值时确定为匹配。
在一种实施方式中，上述计算机设备将脊柱形状数据发送至数据库，由数据库进行数据相似度匹配操作，将匹配到的脊柱形状数据对应的脊柱形态发送至计算机设备。
本发明中，脊柱形态可以是指未变形形态、已变形形态，其中，已变形形态可以包括轻微变形形态、严重变形形态等。
在匹配到对应的脊柱形状数据之后，在从数据库中确定对应的脊柱形态，该脊柱形态即为预测的脊柱形态，若脊柱形态为变形形态，则可以说明用户的坐姿为非标准坐姿或者有问题的坐姿，若脊柱形态为未变形形态，则可以说明用户的坐姿为标准坐姿或者无问题坐姿，实现对坐姿的分析。
举例说明，在座椅的腰部支撑和背部支撑处座椅竖直中心轴对称设置20个压力传感器，能够检测用户就坐后腰部两侧、背部两侧，共计20个位置的压力值，每个压力传感器都对应有标记，压力值与标记一一对应；将该20个位置的压力值输入预设的脊柱受力模型，输出脊柱中17节脊椎骨(包括胸椎骨和腰椎骨)的相对受力值；根据17个相对受力值输入训练好的目标预测模型，得到脊柱形状数据，将脊柱形状数据与数据库中的脊柱形状数据进行数据相似度匹配，匹配到对应的脊柱形状数据，该脊柱形状数据对应的脊柱形态为变形形态，则可以说明用户的坐姿为有问题坐姿。
本发明实施例将采集的用户的坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据，将每节脊椎骨的当前相对受力数据输入训练好的目标预测模型，确定预设时间后的脊柱形状数据，将脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为预设时间后用户的脊柱形态，实现根据用户坐姿数据对脊柱受力进行计算，并将脊柱受力的计算结果用于预测脊柱的形变，再结合脊柱的形变判定脊柱的形态，从而准确地预测当前坐姿对用户的脊柱形态的影响，进而实现坐姿监测。
在一实施例中，训练好的目标预测模型包括训练好的位移预测模型，步骤S203，即将当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据包括：
将每节脊椎骨的当前相对受力数据与标准形态下对应脊椎骨的标准相对受力数据比对，确定每节脊椎骨的受力差异数据；
将每节脊椎骨的受力差异数据输入训练好的位移预测模型，预测预设时间后的每节脊椎骨的位移量；
将每节脊椎骨的位移量与标准形态下对应脊椎骨的相对位置进行相加，确定相加后的每节脊椎骨的相对位置为预设时间后的用户的脊柱形状数据。
其中，上述目标预测模型包括预处理部分、位移预测部分和融合输出部分，预处理部分是将每节脊椎骨的当前相对受力数据与标准形态下对应脊椎骨的标准相对受力数据进行比对，找到差异，位移预测部分为训练好的位移预测模型，该预测模型用于根据差异来计算预设时间之后的位移量，融合输出部分是根据每节脊椎骨位移量更新标准形态下中每节脊椎骨的位置，从而形成脊柱形状数据。
上述目标预测模型对应的训练集主要针对位移预测部分进行训练，建立标准形态下脊柱中每节脊椎骨的当前相对受力数据，将大量的相对受力数据、不规范坐姿的时间和标注的脊柱位移量作为训练集，其中，标注的脊柱位移量可以通过电子计算机断层扫描(Computed Tomography，CT)设备获取脊柱形状图，并进行位移量的标注，相对受力数据由上述座椅采集并根据预设的脊柱受力模型计算得到。训练的过程是将受力差异数据、时间作为输入，将标注的脊柱位移量作为目标，直至迭代完毕。
本发明实施例将目标预测模型分为三个部分，通过预处理部分找到差异，将差异、时间、标注的脊柱位移量作为训练集对位移预测部分进行训练，降低了整体模型的复杂度。
在一实施例中，上述训练好的位移预测模型中包括训练好的位移参数，位移参数为单位作用力下单位时间内的单位位移值，受力差异数据包括比对后每节脊椎骨的受力值和受力方向，上述将每节脊椎骨的受力差异数据输入训练好的位移预测模型，预测预设时间后的每节脊椎骨的位移量包括：
将每节脊椎骨的受力值分别与预设时间、所述训练好的位移预测模型中单位位移值相乘，确定相乘的结果为对应脊椎骨的位移值；
将每节脊椎骨的受力方向作为对应脊椎骨的位移值的位移方向，确定对应脊椎骨的位移量为对应的位移值和位移方向。
其中，训练好的位移预测模型中相应的参数均已训练完成，包括位移参数，该位移参数为单位作用力下单位时间内单位位移值，例如，单位位移值为3mm/s/N，即在1N作用力下1s的时间位移值为3mm。位移量既包括大小也包括方向，位移值即为位移的大小，而位移的方向与受力的方向相同。
在一实施例中，在步骤S203之前，即在将当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据之前，还包括：
从预测模型库中确定与用户的身高数据匹配的模型，作为目标预测模型。其中，由于不同身高，对应的脊柱长度和受力程度不同，因此，所适用的目标预测模型也不相同。本发明在进行预测脊柱形状数据之前，还获取用户的身高数据，从而为其匹配对应的训练好的目标预测模型。
针对不同的身高数据，设置不同的训练集，训练得到与身高数据相关的预测模型，将训练好的预测模型与身高相对应存入预测模型库，该预测模型库中存储有每个身高对应的预测模型。在使用时，从预测模型库中匹配身高所对应的预测模型为目标预测模型。其中，在预测模型库中一定范围的身高可以对应一个目标预测模型。
本发明实施例结合身高数据对预测模型进行选择，使得目标预测模型可以准确地针对不同身高的用户进行相应的调整，从而提高预测结果的准确性。
在一实施例中，在步骤S203之前，即在将当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据之前，还包括：
从预测模型库中确定与用户的体重数据匹配的模型，作为目标预测模型。其中，由于不同体重，对应的脊柱长度和受力程度不同，因此，所适用的目标预测模型也不相同。本发明在进行预测脊柱形状数据之前，还获取用户的体重数据，从而为其匹配对应的训练好的目标预测模型。
针对不同的体重数据，设置不同的训练集，训练得到与体重数据相关的预测模型，将训练好的预测模型与体重相对应存入预测模型库，该预测模型库中存储有每个体重对应的预测模型。在使用时，从预测模型库中匹配体重所对应的预测模型为目标预测模型。其中，在预测模型库中一定范围的体重可以对应一个目标预测模型。
如果选用身高和体重，则需要对身高和体重进行处理，例如，计算体脂率，一定范围的体脂率对应一个目标预测模型。
本发明实施例结合体重数据对预测模型进行选择，使得目标预测模型可以准确地针对不同体重的用户进行相应的调整，从而提高预测结果的准确性。
在一实施例中，上述坐姿数据包括用户就坐后身体各部位对外的压力数据，在步骤S201之后，即在获取用户的坐姿数据之后，还包括：
将用户就坐后身体各部位对外的压力数据，映射至包括人体结构的模板中对应的人体部位，得到人体受力图像；
将人体受力图像发送给显示设备，显示设备用于展示人体受力图像。
本发明中，在得到用户的坐姿数据之后，可以通过映射等方式将用户就坐后身体各部位对外的压力数据映射至包括人体结构的模板中对应的人体部位，得到人体受力图像，再对其进行展示，形成可视化图像展示。其中，计算机设备与相应的显示设备连接，例如，用户的可穿戴设备、手机等，可以查看用户的实时人体受力图像。
本发明实施例将坐姿对应的压力数据与人体图像进行融合，形成人体受力图像，并将其进行展示，从而可以使用户直观观测到自身坐姿，增加用户体验感。
在一实施例中，在步骤S202之后，即在将坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据之后，还包括：
获取脊柱图像模板，脊柱图像模板包含脊柱的每节脊椎骨及对应的标记框；
将每节脊椎骨的当前相对受力数据写入脊柱图像模板中对应脊椎骨的标记框内，得到脊柱受力图像；
将脊柱受力图像发送给显示设备，显示设备用于展示脊柱受力图像。
本发明中，在得到每节脊椎骨的当前相对受力数据之后，可以通过将相对受力数据写入至脊柱图像模板中对应脊椎骨的标记框内，得到脊柱受力图像，再对其进行展示，形成可视化图像展示。其中，计算机设备与相应的显示设备连接，例如，用户的可穿戴设备、手机等，可以查看用户的实时脊柱受力图像。
本发明实施例将坐姿对应的压力数据与脊柱图像进行融合，形成脊柱受力图像，并将其进行展示，从而可以使用户直观观测到自身坐姿，提高用户对坐姿的管柱程度，从而增加用户体验感。
在一实施例中，参见图3，是本发明提供的一种基于人工智能的坐姿分析方法的流程示意图，如图3所示，该坐姿分析方法可以包括以下步骤：
步骤S301，在检测到用户处于就坐状态时，获取用户的坐姿数据。
步骤S302，将坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据。
步骤S303，将当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据。
步骤S304，将脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为预设时间后用户的脊柱形态。
其中，步骤S301至步骤S304与上述步骤S201至步骤S204的内容相同，可参考步骤S201至步骤S204的描述，在此不再赘述。
步骤S305，在检测到用户的脊柱形态不是目标形态时，输出警示信息。
其中，警示信息可以是指能够被输出至显示设备上，对用户呈现一种警示作用的信息。警示信息中包含相应的编号或者代码，在生成警示信息后，将其存入上述关联型数据库中关联数据对应的行，使得警示信息与关联数据关联。
上述目标形态、标准状态均为基于脊柱所处的形态而定义的，脊柱所处的形态没有发生变形或者严重变形时脊柱的形态为上述目标形态，脊柱所处的形态没有发生变形时脊柱的形态为上述标准状态，本发明中，目标形态与上述标准状态可以为相同的状态。
步骤S306，在检测到警示信息被触发时，输出用户的脊柱形状数据。
将用户的脊柱形态与脊柱形状数据存储至相应的关联型数据库中，形成一组关联数据。上述计算机设备将该警示信息输出至显示设备上，形成一个可以被触发的指令，当用户触发该指令时，根据该指令对应的编号(即警示信息包含的编号)等从上述关联型数据库中找到对应的关联数据，将该关联数据中用户的脊柱形状数据输出至对应的显示设备上进行展示，从而有助于用户知晓其坐姿对脊柱形状的影响。
举例说明，提供一种座椅，该座椅上安装相应的传感器，以检测用户就坐后腰部、背部、颈部、臀部部位的压力数据，座椅上还设置有控制器和可触控显示屏，控制器连接相应的传感器、可触控显示屏和上述计算机设备，控制器将传感器采集的坐姿数据发送给计算机设备，计算机设备执行上述坐姿分析方法的步骤后向控制器输出警示信息，控制器将该警示信息输出至可触控显示屏，用户点击该警示信息形成触发指令，控制器将该触发指令发送至上述计算机设备，计算机设备根据出发指令中包含的编号信息，从数据库中找到对应的关联数据，将该关联数据发送至控制器，控制器经过相应处理将关联数据中用户的脊柱形态与脊柱形状数据输出至可触控显示屏进行展示。
本发明实施例将采集的用户的坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据，将每节脊椎骨的当前相对受力数据输入训练好的目标预测模型，确定预设时间后的脊柱形状数据，将脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为预设时间后用户的脊柱形态，并将脊柱形态与脊柱形状数据以及生成的警示信息关联，将警示信息输出并在被触发时，输出脊柱形态与脊柱形状数据进行展示，能够使用户直观观测到自身的坐姿问题与否，从而可以有助于督促用户形成良好坐姿。
在一实施例中，对应于上文实施例的坐姿分析方法，图4示出了本发明提供的基于人工智能的坐姿分析装置的结构框图，上述坐姿分析装置可以应用于图1中的服务端，服务端对应的计算机设备连接相应的数据库，以获取相应的数据。为了便于说明，仅示出了与本发明实施例相关的部分。
参见图4，该坐姿分析装置包括：
坐姿数据获取模块41，用于在检测到用户处于就坐状态时，获取用户的坐姿数据；
受力数据确定模块42，用于将坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据；
形状数据预测模块43，用于将当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据；
脊柱形态确定模块44，用于将脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为预设时间后用户的脊柱形态。
在一实施例中，训练好的目标预测模型包括训练好的位移预测模型，上述形状数据预测模块43包括：
差异确定单元，用于将每节脊椎骨的当前相对受力数据与标准形态下对应脊椎骨的标准相对受力数据比对，确定每节脊椎骨的受力差异数据；
位移量确定单元，将每节脊椎骨的受力差异数据输入训练好的位移预测模型，预测预设时间后的每节脊椎骨的位移量；
预测单元，用于将每节脊椎骨的位移量与标准形态下对应脊椎骨的相对位置进行相加，确定相加后的每节脊椎骨的相对位置为预设时间后的用户的脊柱形状数据。
在一实施例中，上述训练好的位移预测模型中包括训练好的位移参数，位移参数为单位作用力下单位时间内的单位位移值，受力差异数据包括比对后每节脊椎骨的受力值和受力方向，上述位移量确定单元包括：
位移值计算子单元，用于将每节脊椎骨的受力值分别与预设时间、训练好的位移预测模型中单位位移值相乘，确定相乘的结果为对应脊椎骨的位移值；
位移量确定子单元，用于将每节脊椎骨的受力方向作为对应脊椎骨的位移值的位移方向，确定对应脊椎骨的位移量为对应的位移值和位移方向。
在一实施例中，上述坐姿分析装置还包括：
模型确定模块，用于在将当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据之前，从预测模型库中确定与用户的体重数据和或身高数据匹配的模型，作为目标预测模型。
在一实施例中，上述坐姿分析装置还包括：
模板获取模块，用于在将坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据之后，获取脊柱图像模板，脊柱图像模板包含脊柱的每节脊椎骨及对应的标记框；
第一图像确定模块，用于将每节脊椎骨的当前相对受力数据写入脊柱图像模板中对应脊椎骨的标记框内，得到脊柱受力图像；
第一图像输出模块，用于将脊柱受力图像发送给显示设备，显示设备用于展示脊柱受力图像。
在一实施例中，上述坐姿数据包括用户就坐后身体各部位对外的压力数据，上述坐姿分析装置还包括：
第二图像确定模块，用于将用户就坐后身体各部位对外的压力数据，映射至包括人体结构的模板中对应的人体部位，得到人体受力图像；
第二图像输出模块，用于将人体受力图像发送给显示设备，显示设备用于展示人体受力图像。
在一实施例中，上述坐姿分析装置还包括：
警示输出模块，用于在将脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为预设时间后用户的脊柱形态之后，在检测到用户的脊柱形态不是目标形态时，输出警示信息；
形状数据输出模块，用于在检测到警示信息被触发时，输出用户的脊柱形状数据。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
在一实施例中，图5为本发明提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个坐姿分析方法实施例中的步骤。
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的坐姿分析方法，其特征在于，包括：
在检测到用户处于就坐状态时，获取所述用户的坐姿数据；
将所述坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据；
将所述当前相对受力数据输入训练好的目标预测模型，输出在预设时间后的用户的脊柱形状数据；
将所述脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为所述预设时间后所述用户的脊柱形态。
2.根据权利要求1所述的坐姿分析方法，其特征在于，所述训练好的目标预测模型包括训练好的位移预测模型，所述将所述当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据包括：
将每节脊椎骨的当前相对受力数据与标准形态下对应脊椎骨的标准相对受力数据比对，确定每节脊椎骨的受力差异数据；
将每节脊椎骨的受力差异数据输入训练好的位移预测模型，预测预设时间后的每节脊椎骨的位移量；
将每节脊椎骨的位移量与标准形态下对应脊椎骨的相对位置进行相加，确定相加后的每节脊椎骨的相对位置为预设时间后的用户的脊柱形状数据。
3.根据权利要求2所述的坐姿分析方法，其特征在于，所述训练好的位移预测模型中包括训练好的位移参数，所述位移参数为单位作用力下单位时间内的单位位移值，所述受力差异数据包括比对后每节脊椎骨的受力值和受力方向，所述将每节脊椎骨的受力差异数据输入训练好的位移预测模型，预测预设时间后的每节脊椎骨的位移量包括：
将每节脊椎骨的受力值分别与预设时间、所述训练好的位移预测模型中单位位移值相乘，确定相乘的结果为对应脊椎骨的位移值；
将每节脊椎骨的受力方向作为对应脊椎骨的位移值的位移方向，确定对应脊椎骨的位移量为对应的位移值和位移方向。
4.根据权利要求1至3任一项所述的坐姿分析方法，其特征在于，在所述将所述当前相对受力数据输入训练好的目标预测模型，得到预设时间后的用户的脊柱形状数据之前，还包括：
从预测模型库中确定与用户的体重数据和/或身高数据匹配的模型，作为所述目标预测模型。
5.根据权利要求1所述的坐姿分析方法，其特征在于，在所述将所述坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据之后，还包括：
获取脊柱图像模板，所述脊柱图像模板包含脊柱的每节脊椎骨及对应的标记框；
将每节脊椎骨的当前相对受力数据写入所述脊柱图像模板中对应脊椎骨的标记框内，得到脊柱受力图像；
将所述脊柱受力图像发送给显示设备，所述显示设备用于展示所述脊柱受力图像。
6.根据权利要求1所述的坐姿分析方法，其特征在于，所述坐姿数据包括所述用户就坐后身体各部位对外的压力数据；在所述获取所述用户的坐姿数据之后，还包括：
将所述用户就坐后身体各部位对外的压力数据，映射至包括人体结构的模板中对应的人体部位，得到人体受力图像；
将所述人体受力图像发送给显示设备，所述显示设备用于展示所述人体受力图像。
7.根据权利要求1所述的坐姿分析方法，其特征在于，在所述将所述脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为所述预设时间后所述用户的脊柱形态之后，还包括：
在检测到所述用户的脊柱形态不是目标形态时，输出警示信息
在检测到所述警示信息被触发时，输出所述用户的脊柱形状数据。
8.一种基于人工智能的坐姿分析装置，其特征在于，所述坐姿分析装置包括：
坐姿数据获取模块，用于在检测到用户处于就坐状态时，获取所述用户的坐姿数据，所述坐姿数据包括所述用户就坐后身体各部位对外的压力数据；
受力数据确定模块，用于将所述坐姿数据输入预设的脊柱受力模型，确定脊柱上每节脊椎骨的当前相对受力数据；
形状数据预测模块，用于将所述当前相对受力数据输入训练好的目标预测模型，输出在预设时间后的用户的脊柱形状数据；
脊柱形态确定模块，用于将所述脊柱形状数据与数据库中的已有脊柱形状数据进行数据相似度匹配，确定匹配的已有脊柱形状数据对应的脊柱形态为所述预设时间后所述用户的脊柱形态。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的坐姿分析方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的坐姿分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210082491.3A CN114419676B (zh) | 2022-01-24 | 2022-01-24 | 基于人工智能的坐姿分析方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210082491.3A CN114419676B (zh) | 2022-01-24 | 2022-01-24 | 基于人工智能的坐姿分析方法、装置、计算机设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114419676A CN114419676A (zh) | 2022-04-29 |
| CN114419676B true CN114419676B (zh) | 2024-09-17 |
Family
ID=81276940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210082491.3A Active CN114419676B (zh) | 2022-01-24 | 2022-01-24 | 基于人工智能的坐姿分析方法、装置、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419676B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12190715B2 (en) * | 2020-07-02 | 2025-01-07 | John Pellegrini | Device for facilitating correcting of a posture of a user |
| CN116595388A (zh) * | 2023-04-19 | 2023-08-15 | 爱梦睡眠(珠海)智能科技有限公司 | 一种人物识别系统以及方法 |
| CN118873124A (zh) * | 2024-07-05 | 2024-11-01 | 湖北省疾病预防控制中心（湖北省预防医学科学院） | 一种用于保护学生群体脊柱健康的传感系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102268667B1 (ko) * | 2020-09-16 | 2021-06-23 | 조민우 | 사용자 맞춤형 자세 교정 쿠션, 자세 교정 시스템 및 이의 동작 방법 |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100992102B1 (ko) * | 2008-12-05 | 2010-11-04 | 한국생산기술연구원 | 자세 제어 장치 및 방법 |
| JP5344401B2 (ja) * | 2009-02-23 | 2013-11-20 | 公立大学法人高知工科大学 | 椎間板負荷の測定装置および測定方法 |
| WO2015157790A1 (en) * | 2014-04-15 | 2015-10-22 | Monash University | System and method for monitoring user posture |
| CN105761454A (zh) * | 2016-03-22 | 2016-07-13 | 宁波元鼎电子科技有限公司 | 一种智能坐姿矫正器 |
| US20180140245A1 (en) * | 2016-11-19 | 2018-05-24 | Keijo Tapio Videman | Systems and methods for identification and prediction of structural spine pain |
| TWI637729B (zh) * | 2016-11-22 | 2018-10-11 | 亞梭傢俬國際股份有限公司 | 坐姿評估系統及方法 |
| KR102082510B1 (ko) * | 2017-11-23 | 2020-02-27 | 울산대학교 산학협력단 | 앉은 자세를 측정 및 평가하여 피드백하는 방법 및 장치 |
| KR101952240B1 (ko) * | 2018-02-21 | 2019-02-26 | (주)모어이즈모어 | 사용자 자세 인식을 통한 사용자 인터랙션 시스템 |
| JP6741305B2 (ja) * | 2018-11-07 | 2020-08-19 | 株式会社スペースビジョン | 脊椎骨姿勢推定装置 |
| CN109730682A (zh) * | 2018-12-26 | 2019-05-10 | 广州贝利尔医疗有限公司 | 人体脊柱健康的分析方法及装置 |
| CN110037706B (zh) * | 2019-03-27 | 2022-02-22 | 东南大学 | 一种穿戴式背部姿态检测装置及检测方法 |
| CN110292386B (zh) * | 2019-06-24 | 2020-09-04 | 中国地质大学（武汉） | 一种基于视频信息和压电信息的人体坐姿检测系统及方法 |
| CN110353687A (zh) * | 2019-07-04 | 2019-10-22 | 东喜和仪(珠海市)数据科技有限公司 | 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 |
| CN110353688A (zh) * | 2019-07-04 | 2019-10-22 | 东喜和仪(珠海市)数据科技有限公司 | 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 |
| CN110946584A (zh) * | 2019-10-18 | 2020-04-03 | 沈阳大学 | 一种利用压阻式薄膜压力传感器组对人体坐姿识别方法 |
| CN111158494B (zh) * | 2020-01-15 | 2023-10-03 | 山东师范大学 | 姿势矫正装置及姿势矫正方法 |
| CN112101124B (zh) * | 2020-08-20 | 2023-12-08 | 深圳数联天下智能科技有限公司 | 一种坐姿检测方法及装置 |
| CN112069933B (zh) * | 2020-08-21 | 2024-11-19 | 董秀园 | 基于体态识别和人体生物力学的骨骼肌肉受力估计方法 |
| CN112190258B (zh) * | 2020-09-30 | 2021-07-20 | 珠海格力电器股份有限公司 | 座椅角度调节方法、装置、存储介质及电子设备 |
| CN112773356B (zh) * | 2020-11-16 | 2023-05-09 | 深圳数联天下智能科技有限公司 | 一种坐姿检测方法、系统、终端和存储介质 |
| CN112617818B (zh) * | 2020-12-17 | 2023-05-09 | 深圳数联天下智能科技有限公司 | 坐姿评估方法、装置、计算机设备和存储介质 |
| CN113297938B (zh) * | 2021-05-17 | 2024-05-24 | 深圳市优必选科技股份有限公司 | 坐姿监控的方法、装置、电子设备及存储介质 |
| CN113361342B (zh) * | 2021-05-20 | 2022-09-20 | 杭州好学童科技有限公司 | 一种基于多模态的人体坐姿检测方法及装置 |
| CN113397532A (zh) * | 2021-07-01 | 2021-09-17 | 吴志龙 | 基于智能背带监测及预防人体脊柱曲度变形的方法及系统 |
-
2022
- 2022-01-24 CN CN202210082491.3A patent/CN114419676B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102268667B1 (ko) * | 2020-09-16 | 2021-06-23 | 조민우 | 사용자 맞춤형 자세 교정 쿠션, 자세 교정 시스템 및 이의 동작 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114419676A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114419676B (zh) | 基于人工智能的坐姿分析方法、装置、计算机设备及介质 | |
| CN112132955B (zh) | 人体骨骼的数字孪生体构建方法 | |
| US20220366321A1 (en) | System and method for class specific deep learning | |
| US11547324B2 (en) | System and method for human motion detection and tracking | |
| Rosero-Montalvo et al. | Intelligent system for identification of wheelchair user’s posture using machine learning techniques | |
| JP2022517769A (ja) | 三次元ターゲット検出及びモデルの訓練方法、装置、機器、記憶媒体及びコンピュータプログラム | |
| US11771327B2 (en) | System and method for human motion detection and tracking | |
| Reyes et al. | Automatic digital biometry analysis based on depth maps | |
| CN117838097B (zh) | 一种基于关键点检测的脊柱畸形分析系统 | |
| Cai et al. | Automatic detection of compensatory movement patterns by a pressure distribution mattress using machine learning methods: a pilot study | |
| US20030153817A1 (en) | Pattern analysis system and method | |
| CN113077875B (zh) | Ct影像的处理方法及装置 | |
| Dobratulin et al. | The efficiency of deep learning algorithms for detecting anatomical reference points on radiological images of the head profile | |
| CN115268531B (zh) | 一种智能浴缸的水流调温控制方法、装置、设备及存储介质 | |
| WO2023110477A1 (en) | A computer implemented method and a system | |
| EP1676095A1 (en) | Computer simulation model for determining damage to the human central nervous system | |
| US11564634B2 (en) | Determining health state of individuals | |
| EP4053793A1 (en) | System and method for human motion detection and tracking | |
| CN113870996A (zh) | 一种足部疾病健康分析方法 | |
| Villi et al. | Spine pathologies detections: users’ requirements, technological development and first results. | |
| Kulon et al. | Rule-based algorithm for the classification of sitting postures in the sagittal plane from the Cardiff Body Match measurement system | |
| EP4485372A1 (en) | Computer-implemented method for posture determination and computing system | |
| Morales-Nolasco et al. | A method for complex posture recognition during long-term sitting using neural networks and pressure mapping systems | |
| US11806130B2 (en) | Predicting the probability of a brain injury of a subject resulting from a fall | |
| CN118823462B (zh) | 一种基于先验信息的数据分类方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220928 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |