基于柔性阵列压感坐垫的人体坐姿检测系统

2021-03-06 08:12张美燕徐祎楠王露晗陈校楠康睿鑫朱启蔚

浙江水利水电学院学报 2021年6期

张美燕，徐祎楠，王露晗，陈校楠，康睿鑫，朱启蔚

(浙江水利水电学院电气工程学院，浙江杭州 310018)

随着现代化社会的发展，电脑普及度越来越高，学习和工作压力越来越大，每天工作时间越来越长。根据相关统计，伏案工作平均每天超过8 h的人越来越多[1]。对于如此高强度的伏案工作，要长期保持端正的坐姿相当困难，很容易出现各种不良坐姿，包括身体斜倾、距离书桌过近、偏头等。长期的不正确坐姿可能使人们患上腰椎病、颈椎病、近视、斜眼等各种疾病，对身心健康造成严重影响。研究表明，由于长时间的坐立及不正确的坐姿，加上缺乏足够运动导致身体各方面素质下降，近70%的人群受到不同程度的腰椎病的折磨[2]。根据对我国5岁以上人群视力情况统计发现，约5亿人存在不同程度的近视和远视，其中近视患者约4.5亿人。高中及大学生的近视率更是高得惊人，均超过70%，且呈逐年增加的趋势，青少年近视率世界第一。为何会有如此高的近视率？究其原因主要是长期坐姿不当、眼睛距桌子过近、用眼过度[3]。综上，实时在线进行坐姿检测并及时提醒纠正异常重要，也是当下急需的一种非常实用的技术。

目前，越来越多的学者研究坐姿检测及提醒纠正的方案。这些方案基本上是通过传感方式实现[4-5]，有些方案采用超声波及红外传感器监测头与桌的距离识别坐姿，有些方案通过在椅子上安装压力传感器，利用压力传感器采集坐立时压力分布数据判断坐姿是否倾斜，有些方案通过在头上套接距离及倾斜传感器实现视觉距离与身体斜倾等检测。上述通过传感器对坐立姿势进行检测的方案优点是数据测量准确度高，缺点是其测量数据过于单一。另外，用户需安装或佩戴传感器，使用不便，成本较高，用户体验感差，存在很多局限性。

另外一种方式是利用图像视觉检测人体坐立姿态[6-11]，虽然需要较复杂的图像数据处理过程，但获取的信息丰富，使用方便，因此是目前的主要研究方向。张宇针对6种常见坐姿行为，提出使用摄像头视觉方式，通过人脸检测和肤色统计实现6种坐姿识别[6]。如果没有视觉深度数据，就很难实现坐姿数据的精准采集与判决，因此目前较多的研究都是基于深度传感器的坐姿检测技术与系统[7-10]。有些复杂方法通过获取人体关键特征点的深度信息来完成对象轮廓的复原，重建三维图像，并采用机器学习的方法对人眼、胸及主要关节、桌面等对象进行识别，提取人体脊椎的骨骼模型并与标准的模型进行比较，判断歪斜、含胸等不同坐姿。基于深度视觉的坐姿检测方法对于不同人的不同姿态泛化能力不强，而且实时性较差。魏华良等利用常规部署的视频监控实现实时性的坐姿检测，但是对处理器的处理能力依赖程度过大[11]。

综上所述，现有的人体坐姿检测技术仍然存在着检测精度不高、可检测的坐姿种类少、算法复杂无法实时进行等缺点。因此，本项目提出了一种基于柔性阵列压感坐垫的人体坐姿实时检测系统，依靠柔性阵列压力传感器和支持向量机判决方法实现了人体坐姿状态数据的采集与处理，应用简单，精度高，实时性强，具有良好的实用性和研究意义。

1 系统设计

本文设计的基于柔性阵列压感坐垫的坐姿检测系统见图1，主要由柔性阵列压感坐垫、嵌入式采集电路和上位机软件3个部分组成。嵌入式采集电路与柔性阵列压感坐垫之间通过排线连接、嵌入式采集电路和上位机软件之间通过Socket网络编程方法实现数据交互。

图1 系统架构

1.1 硬件设计

本系统的硬件电路结构见图2，主要包括压力阵列传感器(16×16和32×32两种规格)、4个多路模拟开关、微处理器、电源变换电路、USB接口和WiFi模块。由于压力阵列传感器的检测点数非常多，因此必须采用4个16路模拟开关进行数据采集切换，才能将数据传输给微处理器。整体系统采用USB供电，USB接口提供了供电和有线数据传输方式。此外，本系统还具有无线WiFi上传坐姿数据的功能。

图2 电路结构

1.2 软件设计

本系统的软件和算法流程见图3，除了接收处理嵌入式采集电路的数据以外，重点采用了支持向量机(support vector machines, SVM)作为坐姿正确与异常的判决器。

图3 软件算法流程图

嵌入式采集电路通过控制多路模拟开关实现柔性压力行列传感器多点数据的高速采集。上位机软件采用逐帧数据接收与处理的方式，每一帧坐姿数据中都包含了开始符、时间戳、行列每个点的压力数据、验证码和结束符。

SVM主要思想是将非线性的数据通过核函数映射到高维空间，并构造优化的分类方法，找到一个能够将数据样本划分的超平面，并且使得样本集中所有数据到该超平面距离最短(距离超平面最近的点就是支持向量)，实现在高维空间的线性聚类，具有良好的泛化性能。超平面方程可以写成

wT+b=0

(1)

假设P(x1,x2,…,xn)为样本中的一点，其中xi为第i个特征变量，则该点到超平面的距离d计算公式为

(2)

式中：‖w‖为超平面的范数；b为常数，类似于直线方程中的截距。

在超平面确定情况下，能找到所有支持向量，计算出间隔边缘margin。每个超平面对应一个margin，找出所有margin中最大的那个值对应的超平面，即可以确定式(1)中的w，b使得margin最大。该优化问题的目标函数可写成

(3)

式中：y表示数据点标签，为-1或1。注意到w，b等比例放大时，d结果不变，因此可通过调整w，b使得上述问题简化为

(4)

为方便计算，等价替换此目标函数为

(5)

针对这一有约束条件的优化问题，用拉格朗日乘子法求解，令

(6)

求式(6)关于w，b求偏导数得

(7)

将式(7)代入式(6)得原问题的对偶问题为

(8)

该对偶问题的KKT条件为

(9)

即通过对偶问题转化,将最开始求w，b的问题转化为求α的问题，最后用smo算法求解。

2 实物与测试

系统整体图是压力阵列传感器及其压力阻值见图4。根据上述电路功能要求和设计方案，设计了嵌入式采集电路PCB图见图4(d)，嵌入式采集电路的实物照见图4(e)。本文设计的上位机软件采用QT软件编写，界面见图5，可以接收嵌入式采集电路的坐姿压力数据，并进行直观图形显示与姿态异常判别。嵌入式采集电路与两种规格压力阵列传感器构成的坐姿检测系统整体图见图6。

图4 系统整体图及主要部件电路图

图5 上位机界面

通过软件采集与判决，本系统对6种坐姿(正常坐姿、左倾、右倾、前倾、后倾、无人坐姿)进行了识别与分类(图6)。通过对每种坐姿情况进行20次数据采集与判决(表1)，统计计算得分类正确率能够达到95%。

表1 测试结果

图6 6种实测坐姿与判断结果

3 结语