基于模式识别的高校课桌椅安全人机工程学评价与设计

作者/邢浩然、周亮，安徽理工大学能源与安全学院

基于模式识别的高校课桌椅安全人机工程学评价与设计

作者/邢浩然、周亮，安徽理工大学能源与安全学院

为了对高校课桌椅安全人机匹配功能进行评价，在确立了8个评价指标的基础上，通过建立改进的BP神经网络模型对大样本数据进行机器学习和模式识别。将模型应用到实际高校课桌椅评价中，利用安全人机工程学原则对有关参数进行了改进设计并进行了评价验证。结果表明，模型具有较高的识别效率和准确度，证明了实际应用的可行性。

安全人机工程；课桌椅；模式识别；BP神经网络；改进设计

引言

课桌椅作为学生日常使用最频繁的学习用具，其设计是否符合安全人机工程学原理，是否具有良好的人机协调性能对学生的学习效率与身体健康都有着重要影响。研究表明[1,2]，学生长时间学习的过程中，课桌椅与学生人机匹配不当，会导致坐姿不良，引起学生疲劳，久而久之导致其脊柱变形，视力下降，对身体造成严重损害。

有调查显示[3]，有80%以上的大学生对学校课桌椅不满意，认为其设计存在问题，人机匹配性差。对高校课桌椅是否符合人机工程要求进行评价，结合评价结果对课桌椅进行改进设计，从而提高人机匹配性成为教育与家具行业亟需解决的问题。

目前对于高校课桌椅舒适性评价[4]多是出于主观调查方法进行判断，这种方法成本高、耗费时间长、结果差异性大、客观性差。为了增强评价的客观性和适用性，提高评价效率，本文采用人工神经网络方法对高校课桌椅进行评价。

1. 现状调查

对于高校课桌椅的设计，我国已经出台了相应的规范，有研究学者也给出了符合人机工程学的设计要求。高等院校的课桌椅分为固定式和非固定式两种，本文选择非固定式课桌椅作为研究对象。对于课桌椅评价指标，还未形成统一的标准，参考其他办公座椅、汽车座椅的评价指标，有学者[5,6]采用体压分布、温度分布、测试者人体结构参数等作为评价指标，有的[4]根据国家有关标准和基于人机工程学所计算出的功能尺寸进行评析。考虑到高校课桌椅的使用量大，使用人群范围广等特点，评价方法与评价指标选取要在操作上要经济可行，适用面广。而国家、行业等产品标准的制定，往往经过了大量的调查、实验和计算，其对于产品设计参数的规定可以满足使用者的相关需求。根据课桌椅有关标准[7,8]与课桌椅人体工程设计的研究成果，本文选取了桌面高h1、桌下净空高h2，桌面深和桌下净空深t1、桌下净空宽b2、座面高h4、靠背上缘距座面高h5、座面有效深t4、座面宽b3等8个设计参数作为评价指标，设计参数具体见图[7]1～3。

图1 课桌尺寸

图2 整体翻盖式课桌尺寸

图3 课椅尺寸

对于所选的8个设计参数指标，每个参数具体取值范围都是在对人体生理尺寸研究的基础上给出的。考虑到全国高校师生规模庞大，实际设计过程中人体静态尺寸与动态尺寸的选取需要考虑到适用度的问题，即设计产品在尺寸上能满足多少人的使用要求，通常以适合使用的人数占使用者群体百分比表示。产品的设计目标与用途的不同，人体尺寸的百分位和适用度的选取也不同。同时考虑到在实际使用过程中，人的可能动作、着装等所需要的设计裕度，即功能修正量（f∆）和为了消除人的不舒适心理感受，或满足其心理需求而附加必要心理空间尺寸，即心理修正量（p∆）。设计时，产品最佳功能尺寸(oS)是在考虑这三者基础上给出的，即：

式中Sα为第α百分位的人体尺寸。

标准中所给的尺寸是满足人的最基本需求的尺寸，根据所选功能修正量和心理修正量的不同及设计和制造时存在的允许误差，课桌椅设计参数具体取值存在着一定的冗余，但总体上位于一定的取值范围内。对于每个评价指标，设计参数位于此范围内的数据可以认为其具有良好的人机匹配性能，舒适性较好。为了对高校课桌椅人机协调性进行准确的评价，本文将各参数的取值范围内的不同值作为输入，构建BP神经网络进行机器学习，结合具体调查实例，利用训练好的BP神经网络对其进行评价并进行改进设计。

2. 基于BP神经网络评价模型的建立

2.1 BP神经网络原理

BP（Back Propagation）网络是目前应用最广泛的神经网络之一，其是一种按误差反向传播算法训练的多层前馈网络。按一定方式对样本输入与输出进行学习，通过网络实际输出与样本实际输出误差的反向传播不断调整网络的权值或阈值，首先调整隐含层与输出层之间的权值，继续调整输入层与隐含层之间的权值，使得整个神经网络的误差平方和最小，即

式中W是模型所有参数向量，f为神经网络通过非线性逼近求解的隐函数。

典型的 BP 神经网络模型结构为三层，包括输入层（input layer）、隐含层（hidden layer）、输出层（output layer），每一层又由若干独立神经元构成。BP 网络算法具有较强的非线性映射能力，研究表明[9]，三层 BP 神经网络理论上能够逼近任意的有理连续函数，其在模式识别问题中应用广泛。

2.2 BP神经网络的改进

BP神经网络存在易陷入局部极小和存在收敛速度慢等问题，将附加动量法和自适应学习速率法[10]引入神经网络对其进行改进以解决BP神经网络的缺陷。

2.2.1 附加动量法

附加动量法是在误差反向传播基础上，在每一个权值的变化上加上一项正比于权值的变化量，来确定新的权值，即：

式中k为训练次数，cm为动量因子，η为学习速率，∇f( w( k))为误差函数梯度。

通过此方法可以防止最后一次权值变化量为0，可使神经网络从局部极小值中跳出。

2.2.2 自适应学习速率法

自适应学习速率法是学习速率根据误差的变化而自适应调整，增加收敛速度以提高网络的稳定性。过程可表示为：

2.2 神经网络结构的构建

对高校课桌椅评价的神经网络模型由三层结构构成，前面所选的8个设计参数作为输入层神经元，根据输入层神经元的个数，确定隐含层神经元个数为15个，输出为二输出，即桌椅是否符合规范要求，构建BP神经网络，如图4。

图4 神经网络结构图

2.3 训练样本的产生

对所选8个设计参数指标，符合规范的每个设计参数指标都有一定范围的取值区间。在各个参数的取值区间内，利用随机函数对每个参数各生成300组符合数据要求的数据和300组不符合设计规范要求的数据，符合标准的输出用“01”表示，不符合的输出用“10”表示，将这5400个数据作为神经网络的训练样本。

2.4 神经网络的训练与建立

将训练样本输入所建立的神经网络模型，在对数据进行归一化处理后，选取70%为训练样本，15%为验证样本，15%为测试样本，对神经网络进行训练，训练结果如图5所示。从图中可以看出对所选样本的分类准确率达到了99.6%，神经网络达到了满意的训练效果。

3. 实例分析

3.1 对高校课桌椅人机评价

通过对安徽某高校教室非固定式桌椅的实地测量，得到的尺寸设计参数如表1所示。

表1 课桌椅设计参数实测尺寸

图5 训练分类结果

将此8个数值作为输入，利用已建立的神经网络模型对其进行仿真预测。神经网络的输出结果为“10”，即所测的课桌椅不满足安全人机工程学的要求，需要对其进行改进设计。将所测的数据与实际标准进行比较，结合对学生舒适性调查，人机匹配性差，可见此神经网络模型对实际问题进行了较好的识别。

3.2 人机工程学改进设计

根据神经网络的分类识别结果，需要对课桌椅有关参数进行改进设计。通过与设计参数标准比较，可以得出桌下净空高h2偏低，桌面深、桌面净空深t1偏高，座面高h4偏大，座面有效深度t4偏大。结合安全人机工程学设计准则和公式（1）对上述参数进行改进设计。

3.2.1 桌下净空高

合适的桌下净空高能提供给学生舒适的容膝空间，保证一定的下肢活动范围，根据标准[3]中规定，桌下净空高应不小于600mm，而测量值仅为581mm。结合人机匹配的原则，利用人体测量学数据[11]，Sα为坐姿大腿厚、小腿加足高的男性第95百分位之和，其值为599mm，考虑到着装等因素，功能修正量f∆取20mm，心理修正量p∆取30mm，所以容膝空间改进为649mm。

3.2.2 桌面深、桌面净空深

课桌的深度为学生上肢手臂提供一定活动范围，以成年男性前臂长第95百分位258mm和手长第95百分位196mm，再加上功能修正量15mm，心理修正量15mm来进行设计，其取值为484mm。

3.2.3 座面高

座面高度的设计为了避免压迫腿部，维持坐姿时身体的稳定舒适。主要根据坐姿腘窝高和坐姿肘高的第95百分位进行设计，其值与标准中[7]给出的座面高410±10mm相似，所以应在原有的基础上降低20mm。

3.2.4 座面有效深

座椅的深度设计应满足臀部支撑、腰部与靠背支撑和小腿一定活动范围，以人体尺寸坐深作为尺寸依据，取女性第5百分位数401mm。为满足要求，将实际座面深度改进为400mm。

3.3 改进设计评价

将改进的设计参数和原始满足要求的设计参数作为所建立的神经网络模型的输入，利用机器学习进行模式识别。模型输出结果为“0 1”，说明改进设计符合标准的要求。

4. 结论

本研究选取了8个设计参数作为评价课桌椅人机协调性的指标，采用数值模拟方法，利用构造的大数据样本对其进行评价，提高了评价结果的准确性。

通过构建BP神经网络模型进行模式识别，结果表明识别准确率可达99.6%。

将模型应用到实际高校课桌椅评价中，得出评价结果不满足标准要求。本文结合安全人机工程学和相关标准对课桌椅进行了改进设计，并用神经网络模型进行了评价验证。

此模型可进一步应用到大样本数据的评价中，以提高评价的效率和客观性，并为设计出符合安全人机工程学的产品提供改进方向。

＊ [1]李美琴,何涛,吕约芳.高校课桌椅的结构、配置和布局研究[J]. 中国教育技术装备, 2015(2):1—4.

＊ [2]徐丹妮.中小学生课桌椅的设计研究与实践[D]. 武汉:武汉理工大学, 2013.

＊ [3]田炜,马广韬.高校课桌椅的人性化设计研究[J]. 艺术与设计:理论版, 2010(10X):195—197.

＊ [4]牛美玲,张孟辉.基于安全人机工程学的高校课桌椅评析[J].统计与管理, 2016(8):132—133.

＊ [5]耿跃峰,王武,王红玲.遗传优化神经网络的驾驶椅舒适度评价[J]. 机械设计与制造, 2009(11):204—206.

＊ [6]黄蒙.基于BP神经网络的办公椅舒适性评价方法研究[D].南京:南京林业大学, 2016.

＊ [7]GB/T 3976—2014学校课桌椅功能尺寸及要求[S]

＊ [8]GB/T 4071 课桌椅[S]

＊ [9]乔俊飞,韩红桂.前馈神经网络分析与设计[M].北京:科学出版社,2013.01.

＊ [10]Sun Y J, Shen Z, Miao C X, et al. Improved BP Neural Netwo rk for Transformer Fault Diagnosis[J]. International Journal of Mining Science and Technology, 2007, 17(1):138—142.