AT525830A1 - Verfahren zum Erkennen eines Lebewesens, insbesondere einer Person - Google Patents

Verfahren zum Erkennen eines Lebewesens, insbesondere einer Person Download PDF

Info

Publication number
AT525830A1
AT525830A1 ATA50098/2022A AT500982022A AT525830A1 AT 525830 A1 AT525830 A1 AT 525830A1 AT 500982022 A AT500982022 A AT 500982022A AT 525830 A1 AT525830 A1 AT 525830A1
Authority
AT
Austria
Prior art keywords
seat
pressure distribution
time
pressure
living
Prior art date
Application number
ATA50098/2022A
Other languages
English (en)
Original Assignee
Sarah Riedmann
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 Sarah Riedmann filed Critical Sarah Riedmann
Priority to ATA50098/2022A priority Critical patent/AT525830A1/de
Publication of AT525830A1 publication Critical patent/AT525830A1/de

Links

Classifications

    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47C—CHAIRS; SOFAS; BEDS
    • A47C7/00—Parts, details, or accessories of chairs or stools
    • A47C7/62—Accessories for chairs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/1036—Measuring load distribution, e.g. podologic studies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • A61B5/1171—Identification of persons based on the shapes or appearances of their bodies or parts thereof
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1093—Calendar-based scheduling for persons or groups
    • G06Q10/1095—Meeting or appointment
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47C—CHAIRS; SOFAS; BEDS
    • A47C31/00—Details or accessories for chairs, beds, or the like, not provided for in other groups of this subclass, e.g. upholstery fasteners, mattress protectors, stretching devices for mattress nets
    • A47C31/12—Means, e.g. measuring means for adapting chairs, beds or mattresses to the shape or weight of persons
    • A47C31/126—Means, e.g. measuring means for adapting chairs, beds or mattresses to the shape or weight of persons for chairs
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47C—CHAIRS; SOFAS; BEDS
    • A47C7/00—Parts, details, or accessories of chairs or stools
    • A47C7/02—Seat parts
    • A47C7/021—Detachable or loose seat cushions
    • A47C7/0213—Detachable or loose seat cushions detachably secured to seats, e.g. by ties or hook and loop straps
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/04—Arrangements of multiple sensors of the same type
    • A61B2562/046—Arrangements of multiple sensors of the same type in a matrix array
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording 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, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/4571—Evaluating the hip
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Psychiatry (AREA)
  • Fuzzy Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Economics (AREA)

Abstract

Computerimplementiertes Verfahren zum Erkennen eines bestimmten Lebewesens, insbesondere einer Person, das auf einer Sitzfläche (2) eines Sitzplatzes (1) sitzt oder gesessen ist, wobei mehrere Sitzplätze (1) vorgesehen sind und jeder Sitzplatz über eine Sitzfläche (2) verfügt, umfassend folgende Verfahrensschritte in der angegebenen Reihenfolge: - Erfassen zumindest einer ersten Druckverteilung über eine Sitzfläche (2) eines Sitzplatzes (1) während einer ersten Zeitspanne, - Abspeichern dieser Druckverteilung als erstes historisches Profil, - nach der ersten Zeitspanne Erfassen zumindest einer zweiten Druckverteilung über eine Sitzfläche (2) eines Sitzplatzes (1) während einer zweiten Zeitspanne, - Abspeichern dieser Druckverteilung als zweites historisches Profil, - Vergleichen des zweiten historischen Profils mit zumindest einem ersten historischen Profil mit Hilfe von maschinellem Lernen; - bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile Zuordnen des ersten und des zweiten historischen Profils zum gleichen Lebewesen, mit Hilfe von maschinellem Lernen.

Description

15
20
25
30
35
SOO0365AT
Beschreibung
Verfahren zum Erkennen eines Lebewesens, insbesondere einer
Person
GEBIET DER ERFINDUNG
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Erkennen eines bestimmten Lebewesens, insbesondere einer Person, das auf einer Sitzfläche eines Sitzplatzes sitzt oder gesessen ist, wobei mehrere Sitzplätze vorgesehen sind und Jeder Sitzplatz über eine Sitzfläche verfügt. Die Erfindung betrifft weiters eine entsprechende Vorrichtung sowie ein
Computerprogrammprodukt.
Die Erfindung ist hauptsächlich zum Erkennen von Menschen, also von einer bestimmten Person, gedacht. Es ist aber nicht ausgeschlossen, dass auch ein bestimmtes Tier, z.B. ein
Säugetier, wie ein Hund oder eine Katze, erkannt werden.
STAND DER TECHNIK
Aus der CN 104367037 A ist ein intelligentes Sitzkissen bekannt, das mit Hilfe von Luftdruckmessung im Sitzkissen und einem Prozessor die Zeit bestimmt, welche eine Person auf dem Sitzkissen sitzt, sowie das ungefähre Gewicht der Person, und die ermittelten Daten über eine drahtlose Datenverbindung an einen weiteren Rechner übermittelt. Die CN 104367037 A zeigt aber nicht, dass eine Verteilung des Gewichts über die
Sitzfläche des Sitzkissens ermittelt wird.
Aus der CN 204256912 U ist ein Sitzkissen zur Erkennung und Korrektur der Sitzhaltung und zur Müdigkeitserkennung bekannt. Dabei umfasst das Sitzkissen vier Drucksensoren sowie einen Prozessor und eine Datenübertragungseinheit zur
drahtlosen Übertragung von Daten des Sitzkissens. Aus der
15
20
25
30
35
SOO0365AT
Druckverteilung auf die vier Sensoren wird der Schwerpunkt der sitzenden Person ermittelt und wie weit diese geneigt sitzt. Mittels maschinellem Lernen in einem externen Computer
kann ermittelt werden, ob Müdigkeit vorliegt.
In der CN 106942941 A ist eine Vorrichtung zur Überwachung der Anwesenheit am Arbeitsplatz und der Gesundheitsdaten gezeigt. Diese umfasst ein intelligentes Sitzkissen mit mehreren Drucksensoren, einem Prozessor und einer Datenübertragungseinheit zum drahtlosen Übertragen von Daten an einen weiteren Rechner (Server) mit einer Datenbank. In einem ersten maschinellen Lernschritt wird zuerst die Sitzposition der sitzenden Person erfasst und einer bestimmten Kategorie von mehreren vorgegebenen Kategorien zugeordnet, wie aufrecht sitzend, nach vorne gebeugt sitzend, nach hinten gebeugt sitzend. In einem zweiten maschinellen Lernschritt wird mit Hilfe von Deep Learning die Wahrscheinlichkeit errechnet, mit welcher die Sitzpositionen gewechselt werden. Diese Daten werden als historisches Profil abgespeichert. Bei der Personenidentifizierung wird dann aufgrund einer aktuellen Messung am Sitzkissen in der Datenbank Nachschau gehalten, ob schon ein Datensatz mit diesen, oder sehr ähnlichen, Sitzpositionen bzw. diesen, oder sehr ähnlichen, Wechseln zwischen den Sitzpositionen abgespeichert ist. Wenn es eine große Übereinstimmung zwischen dem historischen Profil und dem aktuell gemessenen Profil gibt, dann handelt es sich um die gleiche sitzende Person. Nachteilig ist hier, dass zur Identifizierung nur wenige vorbestimmte Sitzpositionen herangezogen werden und
somit die Anzahl der zu erkennenden Personen beschränkt ist.
Die WO 2018/145250 Al zeigt eine Vorrichtung zur Überwachung der Sitzhaltung und von Bewegungen, wobei ein Sitzkissen mit mehreren Drucksensoren, einem Prozessor und einer Datenübertragungseinheit zum drahtlosen Übertragen von Daten an einen weiteren Prozessor zur Auswertung der Daten vorgesehen ist. Eine Identifizierung unterschiedlicher Personen wird in der WO 2018/145250 Al nicht gezeigt.
15
20
25
30
35
SOO0365AT
AUFGABE DER ERFINDUNG
Es ist eine Aufgabe der vorliegenden Erfindung, ein Verfahren zur Verfügung zu stellen, mit welchem ein auf einer Sitzfläche befindliches Lebewesen, insbesondere eine sitzende Person, aus einer Vielzahl von auf einer Sitzfläche befindlich gewesenen Lebewesen, insbesondere aus einer Vielzahl von früher auf einer Sitzfläche gesessenen Personen,
erkannt werden kann.
DARSTELLUNG DER ERFINDUNG
Diese Aufgabe wird durch ein Verfahren nach Anspruch 1 unter Verwendung eines Computers gelöst. Das computerimplementierte Verfahren zum Erkennen eines bestimmten Lebewesens, insbesondere einer Person, das auf einer Sitzfläche eines Sitzplatzes sitzt oder gesessen ist, wobei mehrere Sitzplätze vorgesehen sind und jeder Sitzplatz über eine Sitzfläche verfügt, umfasst folgende Verfahrensschritte in der angegebenen Reihenfolge:
- Erfassen zumindest einer ersten Druckverteilung über eine Sitzfläche eines Sitzplatzes während einer ersten Zeitspanne des Sitzens eines Lebewesens,
- Abspeichern dieser während einer ersten Zeitspanne des Sitzens erfassten Druckverteilung eines Sitzplatzes, insbesondere in einer Datenbank, als erstes historisches Profil, gemeinsam mit einer Identifikation des Sitzplatzes und dem Zeitpunkt des Erfassens der ersten Druckverteilung,
- nach der ersten Zeitspanne Erfassen zumindest einer zweiten Druckverteilung über eine Sitzfläche eines Sitzplatzes während einer zweiten Zeitspanne des Sitzens eines Lebewesens,
- Abspeichern dieser während einer zweiten Zeitspanne des Sitzens erfassten Druckverteilung eines Sitzplatzes,
insbesondere in einer Datenbank, als zweites historisches
15
20
25
30
35
SOO0365AT
Profil, gemeinsam mit einer Identifikation des Sitzplatzes und dem Zeitpunkt des Erfassens der zweiten Druckverteilung, - Vergleichen des zweiten historischen Profils mit zumindest einem ersten historischen Profil mit Hilfe von maschinellem Lernen;
- bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile Zuordnen des ersten und des zweiten historischen Profils zum gleichen Lebewesen, welches nach dem Erfassen der zweiten Druckverteilung als jenes Lebewesen erkannt wird, das sich zum Zeitpunkt der Messung der ersten Druckverteilung am Sitzplatz der ersten Druckverteilung befunden hat, mit Hilfe von maschinellem
Lernen.
Dadurch, dass eine Druckverteilung über die Sitzfläche, und somit über einen Großteil der Sitzfläche bzw. mit Hilfe einer entsprechend hohen Anzahl an Druckmesspunkten über die Sitzfläche, gemessen wird, ist es möglich, eine bestimmte menschliche Person oder ein entsprechend großes Tier, das aufgrund seiner Größe sein Gewicht über die Sitzfläche bzw. die Druckmesspunkte verteilen wird, zu erkennen. Dies ist mit einigen wenigen Drucksensoren, welche im Stand der Technik vorgeschlagen werden um etwa bestimmte Sitzpositionen zu
erkennen, nicht möglich.
Beim Vergleichen des zweiten historischen Profils mit zumindest einem ersten historischen Profil wird das zweite historische Profil in der Regel mit allen abgespeicherten historischen Profilen verglichen, die früher erstellt worden sind. Nur wenn dabei zumindest ein früher erstelltes historisches Profil gefunden wird, das den vorbestimmten Grad an Übereinstimmung erfüllt, kommt es zu einer Zuordnung der beiden Profile zum gleichen Lebewesen. Wenn entsprechend viele frühere historische Profile vorliegen, kann es auch zu einer Übereinstimmung mit mehreren historischen Profilen kommen. Daraus kann dann - entsprechend diesen mehreren übereinstimmenden historischen Profilen - geschlossen werden,
dass ein bestimmtes Lebewesen sich zu einem ersten Zeitpunkt
15
20
25
30
35
SOO0365AT
auf einem ersten Sitzplatz befunden hat, zu einem zweiten Zeitpunkt auf einem zweiten Sitzplatz und zu einem dritten Zeitpunkt auf einem dritten Sitzplatz (oder auch wieder auf
dem ersten oder zweiten Sitzplatz), und so weiter.
Über das Lebewesen an sich ergibt sich durch das erfindungsgemäße Verfahren außer einer Druckverteilung (samt Identifikation des Sitzplatzes und Zeit der Messung) keine weitere Angabe. Insofern liegt jedenfalls eine anonymisierte Verarbeitung von Daten vor, weil ja z.B. kein Name einer
Person oder eines Tieres erfasst wird.
Die historischen Profile werden vorzugsweise in einer Datenbank, insbesondere alle in einer gemeinsamen Datenbank, abgespeichert. Als Datenbank wird hier jede Art der Zusammenstellung und Speicherung von Daten verstanden, die es erlaubt, mittels Computer ausgelesen zu werden, insbesondere Dateien oder mittels eigener Datenbankprogramme erstellter und verwalteter Datensammlungen. Es ist auch möglich, auf Basis von vielen früher gemessenen historischen Profilen auf Basis von maschinellem Lernen ein Modell zu trainieren, in welches dann - auch ohne Abspeichern in einer (gemeinsamen) Datenbank - ein weiteres (zweites) historisches Profil eingespielt wird, welches Modell dann das Vergleichen des weiteren historischen Profils mit den im Modell enthaltenen
früher gemessenen historischen Profilen übernimmt.
Die Identifikation des Sitzplatzes kann hier im einfachsten Fall durch ein eindeutiges Kennzeichen, z.B. mittels einer eigenen Bezeichung, einem Code oder einer Nummer, für jeden Sitzplatz erfolgen. Die Identifikation der Sitzfläche erfolgt vorzugsweise über eine eindeutige Kennung des lokalen Prozessors (UUID), der an oder in jeder Sitzfläche vorhanden ist, wie im Folgenden noch erläutert wird. Über diese Kennung des lokalen Prozessors (UUID) werden dann die Messwerte, also die Druckverteilungen, und etwaige Metadaten zugeordnet. Eine weitere Identifikation des Sitzplatzes, insbesondere für die
erleichterte Konfiguration der Datenübertragung, kann z.B.
15
20
25
30
35
SOO0365AT
durch einen OR-Code an der Außenseite der Sitzfläche oder ein
NFC-Tag an oder in der Sitzfläche erfolgen.
Dieses der Identifikation des Sitzplatzes dienende Kennzeichen kann dann in einer Datenbank mit weiteren, für diesen Sitzplatz spezifischen Daten, sogenannten Meta-Daten, verknüpft sein, welche zusätzlich für die Zuordnung von historischen Profilen zu bestimmten Lebewesen verwendet werden können. Die Meta-Daten können aber auch für weitere Auswertungen verwendet werden, etwa für Bewegungsprofile eines bestimmten Lebewesens. So kann vorgesehen werden, dass die Identifikation des Sitzplatzes mit dem geografischen Ort des Sitzplatzes verknüpft ist. Einem bestimmten Sitzplatz wird in diesem Fall also sein geografischer Ort zugeordnet. Der geografische Ort kann, mit unterschiedlicher Genauigkeit, z.B. durch seine geografischen Koordinaten bestimmt werden. Zusätzlich können auch Meta-Daten des geografischen Orts abgespeichert werden, z.B. der Name des Gebäudes, der Name eines Raums in einem Gebäude oder ein Ereignis, das an diesem Ort stattfindet oder stattgefunden hat. Auch die Meta-Daten des geografischen Orts können für weitere Auswertungen
herangezogen werden.
Die Meta-Daten können insbesondere auch mit einbezogen werden, wenn es darum geht, den vorbestimmten Grad an Übereinstimmung von zwei historischen Profilen zu bestimmen: wurden zwei ähnliche historischen Profile am selben geografischen Ort gemessen, so ist die Wahrscheinlichkeit, dass die beiden Profile derselben Person zuzuordnen sind, höher als wenn die beiden historischen Profile an weit voneinander entfernten geografischen Orten gemessen wurden, weil man davon ausgehen kann, dass eine Person sich eher öfter am gleichen Ort aufhält als an weit voneinander
entfernten Orten. Das Erfassen der Druckverteilungen über eine Sitzfläche eines
Sitzplatzes wird mittels einer entsprechenden Einrichtung zur
Erfassung der Druckverteilung in der Sitzfläche erfolgen,
15
20
25
30
35
SOO0365AT
welche die Messwerte dann an eine Datenbank zum Abspeichern weiterleitet. Diese Datenbank wird in der Regel als zentrale Datenbank die Daten für alle Sitzplätze erfassen, wird in der Regel von den einzelnen Sitzplätzen entfernt sein und mit den Einrichtungen zur Erfassung der Druckverteilung über eine,
insbesondere drahtlose, Datenverbindung verbunden sein.
Für das Erfassen der Messwerte und gegebenenfalls das Übertragen an eine gemeinsame zentrale Datenbank wird jede Sitzfläche in der Regel über einen eigenen lokalen Prozessor verfügen. Dieser kann dann lokal am Sitzplatz, etwa am hinteren Rand der Sitzfläche und/oder in der Sitzfläche,
vorgesehen sein.
Es ist aber nicht ausgeschlossen, dass einige oder alle Sitzflächen jeweils eine eigene Datenbank aufweisen, wo die Messwerte dieser Sitzfläche gespeichert werden und dann an die gemeinsame zentrale Datenbank übermittelt werden. Dieser hierzu notwendige lokale Prozessor ist in der Regel ohnehin in Jeder Sitzfläche zur Erfassung der Messwerte vorhanden. Diese dem jeweiligen Sitzplatz zugeordneten Datenbanken können dann wieder mit einer gemeinsamen Datenbank über eine, insbesondere drahtlose, Datenverbindung verbunden sein. Es ist auch nicht ausgeschlossen, dass einige oder alle Sitzflächen Jeweils eine eigene Datenbank und einen eigenen lokalen Prozessor aufweisen, wobei der lokale Prozessor das Vergleichen des zweiten historischen Profils mit zumindest dem ersten historischen Profil mit Hilfe von maschinellem Lernen durchführt und der lokale Prozessor mit Hilfe von maschinellem Lernen bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile das erste und das zweite historische Profil zum gleichen Lebewesen zuordnet, welches nach dem Erfassen der zweiten Druckverteilung als jenes Lebewesen erkannt wird, das sich zum Zeitpunkt der Messung der ersten Druckverteilung am
Sitzplatz der ersten Druckverteilung befunden hat.
15
20
25
30
35
SOO0365AT
Das Vergleichen der historischen Profile und gegebenenfalls das Zuordnen des ersten und des zweiten historischen Profils zum gleichen Lebewesen findet vorzugsweise durch einen gemeinsamen zentralen Prozessor statt, der hierfür über Programme zum maschinellen Lernen verfügt. Hier kommen insbesondere folgende Arten von Programmen zum maschinellen
Lernen in Frage:
Bei Verwendung von vielen Druckmesspunkten pro Sitzfläche, z.B. bei 64 Messpunkten, werden einzelne Druckverteilungen, also einzelne Messwerte, und/oder mehrere zeitlich aufeinanderfolgende Druckverteilungen einer Zeitspanne, sogenannte Messreihen, vorzugsweise einer Dimensionsreduktion unterzogen, um eine kompakte und optimierte Repräsentation der Daten zu erstellen. Dies kann beispielsweise mit Autoencodern oder mit Convolutional Neural Networks (könnte auch ein vortrainiertes Netz sein - z.B. VGG16) durchgeführt werden. Für die Verarbeitung von Messreihen könnte zusätzlich auch noch ein Recurrent Neural Network verwendet werden um die zeitliche Abfolge der Messwerte in die Repräsentation
miteinzubeziehen.
Mit der Repräsentation der Daten, also dem im Anspruch genannten zweiten - abstrahierten - historischen Profil, wird dann ein Vergleich zu allen bisher gespeicherten Messungen oder Messreihen angestellt, also mit vielen oder allen ersten historischen Profilen. Auch von diesen bisher gespeicherten Daten wird spätestens dann eine Repräsentation erzeugt, bzw. könnte diese auch vorher schon erstellt worden sein, und kann gemeinsam mit der Druckverteilung gespeichert werden bzw. worden sein. Der Vergleich der Messwerte oder Messreihen kann beispielsweise über eine Klassifikation mit einem Neuronalen Netz erfolgen. Dafür würden sich Algorithmen des Deep Learning anbieten, da mit einem Neuronalen Netz Ähnlichkeiten zwischen Datenpunkten genutzt werden können um zu
generalisieren.
15
20
25
30
35
SOO0365AT
Alternativ könnte auch mit einem Verfahren zum sogenannten unüberwachten Lernen (unsupervised learning), z.B. einer automatischen Segmentierung (Clustering), erkannt werden, ob es sich um einen neuen Messwert/Messreihe (also eine neuen Person) handelt oder ob der Messwert einem bestehenden Cluster (Person) zugeordnet werden kann. Es ist auch denkbar, dass diese beiden Alternativen in zwei Schritten kombiniert werden, sodass zunächst mit einem Clustering-Verfahren ermittelt wird, ob es sich um eine neue Person handelt oder nicht. Sollte es sich (mit großer Wahrscheinlichkeit) um eine bereits bekannte Person handeln, könnte mit einem Klassifikations-Verfahren ermittelt werden um welche Person
es sich handelt.
Zum Erkennen einer bestimmten Person oder eines bestimmten Tiers kann, insbesondere wenn ein zuvor trainiertes Modell (etwa ein vortrainiertes Netz) verwendet wird, bereits eine einzige Messung einer ersten und eine einzige Messung einer zweiten Druckverteilung ausreichen, also gleichsam jeweils eine Druckverteilungs-Fotografie. Das heißt, ist eine bestimmte Person ein erstes Mal während einer ersten Zeitspanne auf irgendeiner erfindungsgemäß zur Messung der Druckverteilung ausgerüsteten Sitzfläche gesessen und wurde während dieser ersten Zeitspanne einmal eine erste Druckverteilung gemessen und in einer Datenbank gespeichert, so kann diese Person wiedererkannt werden, wenn sie sich später ein zweites Mal auf die gleiche oder eine andere entsprechend ausgerüstete Sitzfläche setzt und wieder eine einzige Messung der - dann zweiten - Druckverteilung vorgenommen, abgespeichert und mit der ersten Druckverteilung
verglichen wird.
Um eine höhere Sicherheit bei der Erkennung zu erreichen, kann vorgesehen sein, dass beim Erfassen zumindest einer ersten Druckverteilung über eine Sitzfläche eines Sitzplatzes während einer ersten Zeitspanne des Sitzens eines Lebewesens mehrere zeitlich aufeinanderfolgende Druckverteilungen
erfasst werden, und dass diese während einer ersten
15
20
25
30
35
SOO0365AT 10
Zeitspanne des Sitzens erfassten, zeitlich aufeinanderfolgenden Druckverteilungen eines Sitzplatzes, insbesondere in einer Datenbank, als erstes historisches Profil abgespeichert werden, gemeinsam mit der Identifikation des Sitzplatzes und dem Zeitpunkt des Erfassens der ersten
Druckverteilung.
Bei dieser Ausführungsform wird also während einer ersten Messung einer Person oder eines Lebewesens gleichsam nicht nur eine Druckverteilungs-Fotografie, sondern ein
Druckverteilungs-Film erstellt.
Entsprechend kann auch bei einer späteren zweiten Messung, die mit der ersten Messung verglichen wird, ein solcher Druckverteilungs-Film erstellt werden. Es kann also vorgesehen sein, dass beim Erfassen zumindest einer zweiten Druckverteilung über eine Sitzfläche eines Sitzplatzes während einer zweiten Zeitspanne des Sitzens eines Lebewesens mehrere zeitlich aufeinanderfolgende Druckverteilungen erfasst werden, und dass diese während einer zweiten Zeitspanne des Sitzens erfassten, zeitlich aufeinanderfolgenden Druckverteilungen eines Sitzplatzes, insbesondere in einer Datenbank, als zweites historisches Profil abgespeichert werden, gemeinsam mit der Identifikation des Sitzplatzes und dem Zeitpunkt des Erfassens der zweiten
Druckverteilung.
Vorzugsweise werden aber sowohl in der ersten als auch in der zweiten Zeitspanne Jeweils mehrere Messungen der Druckverteilung gemacht, was aufgrund der größeren Datenmenge die größte Sicherheit bei der Erkennung bietet. Es ergeben
sich dann insbesondere die folgenden beiden Varianten:
Die erste Variante sieht vor, dass mehrere, insbesondere alle Druckverteilungen einer ersten Zeitspanne jeweils mit mehreren, insbesonderen allen Druckverteilungen der zweiten Zeitspanne verglichen werden. Es werden also einzelne
Messungen (das entspricht einzelnen Sitzabdrücken oder
15
20
25
30
35
SOO0365AT 11
einzelnen Druckverteiungs-Fotografien) einer Messreihe einer Person mit einzelnen Messungen (einzelnen Sitzabdrücken = einzelnen Druckverteiungs-Fotografien) einer zweiten Messreihe einer (anderen) Person verglichen. Für mehr Sicherheit können innerhalb von zwei Messreihen n:m Vergleiche durchgeführt werden, also jede einzelne Messung einer Messreihe mit jeder einzelnen Messung der anderen
Messreihe verglichen werden.
Die zweite Variante sieht vor, dass mehrere, insbesondere alle Druckverteilungen einer ersten Zeitspanne, in zeitlicher Abfolge im Sinne eines Bewegungsmusters zusammengefasst, mit mehreren, insbsondere allen Druckverteilungen einer zweiten Zeitspanne, in zeitlicher Abfolge im Sinne eines Bewegungsmusters zusammengefasst, miteinander verglichen werden. Es wird hier also für jede der beiden Messreihen durch Miteinbeziehen der zeitlichen Abfolge ein Bewegungsmuster abgeleitet und die beiden Bewegungsmuster werden miteinander verglichen. Das Bewegungsmuster sagt aus, wie sich eine Person auf der Sitzfläche, z.B. einem Sitzkissen, bewegt. Dadurch entsteht eine Art Film, ähnlich der Handbewegung beim handschriftlichen Schreiben - die Bewegung zum Schreiben einer 4 unterscheidet sich von der beim Schreiben einer 2. Diese beiden Druckverteilungs-Filme
werden dann miteinander verglichen.
Werden in einer Zeitspanne mehrere Messungen der Druckverteilung durchgeführt, so kann vorgesehen sein, dass die Intervalle zwischen den zeitlich aufeinanderfolgenden Messungen der Druckverteilung am Beginn der Zeitspanne kleiner sind als am Ende der Zeitspanne. Damit können zu Beginn bereits die für eine Person typischen Druckverteilungen erfasst werden, während spätere Messungen nur zur Bestätigung dieser typischen Druckverteilungen verwendet werden. Damit kann die Datenmenge geringer gehalten werden. Selbstverständlich ist auch denkbar, dass die Intervalle zwischen den zeitlich aufeinanderfolgenden
Messungen der Druckverteilung konstant sind.
15
20
25
30
35
SOO0365AT 12
Das erfindungsgemäße Verfahren kann zusätzlich dazu verwendet werden, um für eine bestimmte Gruppe von Sitzplätzen, insbesondere in einem Wartebereich, z.B. einer Arztpraxis, die Auslastung zu bestimmen. Dabei kann vorgesehen sein, dass das Verfahren weiters den folgenden Schritt umfasst:
- Berechnen einer Auslastung eines definierten Raumbereichs, der mit mehreren Sitzplätzen ausgestattet ist, durch Bestimmen der Anzahl der besetzten Sitzplätze, die durch das
Vorhandensein einer Druckverteilung gekennzeichnet sind.
Das erfindungsgemäße Verfahren kann auch dazu verwendet werden, um die Wartezeit in einem Wartebereich zu prognostizieren. Dabei kann vorgesehen sein, dass zum Bestimmen einer Wartezeit für Lebewesen im einem definierten Raumbereich, der mit mehreren Sitzplätzen ausgestattet ist, zusätzlich folgender Schritt ausgeführt wird:
- Berechnen einer künftigen Wartezeit im Raumbereich auf Basis der Anzahl der besetzten Sitzplätze im Raumbereich, die durch das Vorhandensein einer Druckverteilung gekennzeichnet sind, sowie auf Basis der historischen Profile der Sitzplätze
in diesem Raumbereich, mit Hilfe von maschinellem Lernen.
Durch das erfindungsgemäße Verfahren sind Jene Sitzplätze im Wartebereich bekannt, die besetzt sind, weil diese eine Druckverteilung aufweisen. Zudem ist bekannt, wie lange die einzelnen Sitzplätze bisher besetzt waren. Aus diesen Erfahrungswerten kann mittels maschinellem Lernen bestimmt werden, wie lange eine nun neu hinzugekommene Person warten, d.h. auf einem der freien Sitzplätze sitzen würde. Für Personen, die bereits auf einem der Sitzplätze sitzen und erkannt werden, können frühere Wartezeiten dieser Person in
die Berechnung der Wartezeit einfließen.
Mit einer Ausführungsvariante der Erfindung ist es auch möglich, ein Bewegungsprofil einer bestimmten Person zu erstellen, also eine Bewegung der Person zwischen
verschiedenen Sitzplätzen. Dabei ist vorgesehen, dass im
15
20
25
30
35
SOO0365AT 13
Falle des Zuordnens zumindest eines ersten und eines zweiten historischen Profils zum gleichen Lebewesen an Hand der geografischen Orte der Sitzplätze und der Zeitpunkte der Erfassung der Druckverteilungen ein Bewegungsprofil des
Lebewesens im definierten Raumbereich erstellt wird.
Wenn also entsprechend viele Sitzplätze mit einer Sitzfläche erfindungsgemäß erfasst sind, z.B. in einem Einkaufszentrum, dann kann ein Bewegungsprofil einer Person, die nacheinander auf verschiedenen dieser Sitzflächen Platz nimmt, erstellt
werden.
Um alle relevanten Körperstellen eines Lebewesens zu erfassen, kann vorgesehen sein, dass die Druckmesspunkte zum Erfassen der Druckverteilung in regelmäßigen Abständen zueinander, insbesondere rasterförmig, angeordnet sind. Insbesondere sind z.B. rasterförmige Anordnungen von 5 mal 5, 6 mal 6, 7/7 mal 7, 7 mal 9, 8 mal 8, 8 mal 9, 9 mal 9, 9 mal 10, 10 mal 10 oder viele weitere Anordnungen von
Druckmesspunkten denkbar.
Um eine Druckverteilung mit ausreichender Auflösung zu erzielen, kann vorgesehen sein, dass pro Sitzfläche zumindest 25, vorzugsweise zumindest 40, besonders vorzugsweise zumindest 60 Druckmesspunkte zum Erfassen der Druckverteilung vorgesehen sind. Diese können z.B. eben rasterförmig
angeordnet werden.
Jeder Druckmesspunkt kann dabei in der Regel viele unterschiedliche Druckwerte messen bzw. auflösen, insbesondere mehrere hundert oder sogar mehrere tausend
Druckwerte.
Gemäß einer Ausführungsform der Erfindung ist vorgesehen, dass (z.B. in einer Datenbank) zumindest ein Bewegungsmuster in Form von bestimmten, zeitlich aufeinanderfolgenden Druckverteilungen festgelegt ist (z.B. in der Datenbank
abgespeichert ist), welches Bewegungsmuster absichtlich von
15
20
25
30
35
SOO0365AT 14
einem Lebewesen auf einer Sitzfläche ausgeführt werden kann, um ein Signal zur Kommunikation abzusenden. Es könnte somit z.B. festgelegt werden, dass ein rasch hintereinander ausgeführtes fünfmaliges Verlagern des Gewichts von einer Seite auf die andere bedeutet, dass der Sitzende Hilfe braucht, und dies könnte vom Prozessor an eine entsprechende
Stelle weitergeleitet werden.
Diese Ausführungsform der Erfindung kann auch unabhängig vom erfindungsgemäßen Verfahren zur Personenerkennung ausgeführt werden. Es ist lediglich zumindest eine Sitzfläche mit einer Einrichtung zum Erfassen einer Druckverteilung notwendig, welche über einen Prozessor, der mit der Einrichtung zur Erfassung der Druckverteilung verbunden ist, mit einer Datenübertragungseinheit verbunden ist, welche das Signal zur
Kommunikation an einen Empfänger sendet.
Die Erfindung betrifft auch eine Vorrichtung zur Durchführung des erfindungsgemäßen Verfahrens, welche umfasst:
- mehrere Sitzflächen, die jeweils mit einer Einrichtung zum Erfassen einer Druckverteilung über die Sitzfläche ausgestattet sind, und
—- zumindest einen Prozessor, der mit zumindest einer Einrichtung zur Erfassung einer Druckverteilung verbunden ist, wobei der Prozessor zusätzlich mit einer Datenbank für historische Profile verbunden ist und/oder über ein mit Hilfe einer Datenbank für historische Profile trainiertes Modell
verfügt.
Dabei ist vorgesehen, dass der Prozessor so konfiguriert ist, dass er unter Verwendung der Datenbank und der darin abgelegten historischen Profile und/oder unter Verwendung des trainierten Modells die Schritte des erfindungsgemäßen
Verfahrens nach einem der Ansprüche 1 bis 13 ausführt.
Dabei bieten sich grundsätzlich folgende Ausführungsvarianten
an:
15
20
25
30
35
SOO0365AT 15
Erstens können mehrere, insbesondere alle Sitzflächen jeweils über einen lokalen Prozessor verfügen, der mit der Einrichtung zur Erfassung einer Druckverteilung dieser Sitzfläche verbunden ist, sodass die Druckverteilungen dieses Sitzplatzes in der lokalen Datenbank und/oder dem trainierten Modell abspeicherbar sind. Es können also einige oder alle Sitzflächen jeweils eine eigene Datenbank und/oder ein eigenes trainiertes Modell aufweisen, wo die Messwerte dieser Sitzfläche gespeichert werden, wobei diese dann optional an eine gemeinsame Datenbank übermittelt werden können. Dieser lokale Prozessor mit der lokalen Datenbank bzw. dem trainierten Modell kann dann lokal am Sitzplatz, etwa am hinteren Rand der Sitzfläche oder in der Sitzfläche, angebracht sein. Diese dem jeweiligen Sitzplatz gegebenenfalls zugeordnete Datenbank kann dann wieder mit einer gemeinsamen Datenbank über eine, insbesondere drahtlose, Datenverbindung verbunden sein, damit dort die Daten gesammelt etwa zum Trainieren für das maschinelle
Lernen zur Verfügung stehen.
In dem Fall, wo eine lokale Datenbank und/oder ein trainiertes Modell vorhanden sind, kann der lokale Prozessor zusätzlich ausgebildet sein, die folgenden Schritte auszuführen:
- Vergleichen des zweiten historischen Profils mit zumindest einem ersten historischen Profil (aus der Datenbank oder dem trainierten Modell) mit Hilfe von maschinellem Lernen;
- bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile Zuordnen des ersten und des zweiten historischen Profils zum gleichen Lebewesen, welches nach dem Erfassen der zweiten Druckverteilung als jenes Lebewesen erkannt wird, das sich zum Zeitpunkt der Messung der ersten Druckverteilung am Sitzplatz der ersten Druckverteilung befunden hat, mit Hilfe von maschinellem
Lernen.
Es weisen also einige oder alle Sitzflächen jeweils eine
eigene lokale Datenbank und/oder ein trainiertes Modell sowie
15
20
25
30
35
SOO0365AT 16
einen eigenen lokalen Prozessor auf, wobei der lokale Prozessor das Vergleichen eines zweiten historischen Profils mit zumindest einem ersten historischen Profil mit Hilfe von maschinellem Lernen durchführt und der Prozessor mit Hilfe von maschinellem Lernen bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile das erste und das zweite historische Profil zum gleichen Lebewesen zuordnet. Der lokale Prozessor hat hierfür zumindest jene historischen Profile zur Verfügung, die in der lokalen Datenbank bzw. dem trainierten Modell gespeichert sind, also mit der Sitzfläche dieses Sitzplatzes erfasst worden sind. Es wäre auch denkbar, dass der lokale Prozessor Zugriff auf eine zentrale Datenbank hat, um auch historische Profile mit in die Auswertung einzubeziehen, die von anderen
Sitzflächen stammen.
Wenn der lokale Prozessor eine Zuordnung durchführt, ist es vorteilhaft, wenn er zur Auswertung über ein Modell auf Basis von maschinellem Lernen verfügt, das durch eine Vielzahl an Druckverteilungen bereits trainiert worden ist. Hierzu könnte ein zentraler Prozessor die Druckverteilungen mehrerer, insbesondere aller Sitzflächen zum Trainieren verwenden und ein entsprechendes Modell erstellen, das dann an die lokalen Prozessoren übergeben wird. Die Druckverteilungen von vielen Sitzflächen könnten dazu in einer zentralen Datenbank gesammelt und für den zentralen Prozessor zur Verfügung gestellt werden. Wenn der lokale Prozessor die Zuordnung mit Hilfe des, durch maschinelles Lernen erstellten, Modells
durchführt, ist eine lokale Datenbank nicht nötig.
Zweitens kann vorgesehen sein, dass mehrere Sitzflächen Jeweils über einen lokalen Prozessor verfügen, der mit der Einrichtung zur Erfassung einer Druckverteilung dieser Sitzfläche verbunden ist, wobei der lokale Prozessor so ausgebildet ist, dass die Druckverteilungen dieses Sitzplatzes über eine Datenübertragungseinheit an eine zentrale Datenbank übermittelt werden und zumindest ein
zentraler Prozessor vorgesehen ist, der ausgebildet ist um
15
20
25
30
35
SOO0365AT 17
die folgenden Schritte auszuführen:
- Vergleichen des zweiten historischen Profils mit zumindest einem ersten historischen Profil mit Hilfe von maschinellem Lernen;
- bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile Zuordnen des ersten und des zweiten historischen Profils zum gleichen Lebewesen, welches nach dem Erfassen der zweiten Druckverteilung als Jenes Lebewesen erkannt wird, das sich zum Zeitpunkt der Messung der ersten Druckverteilung am Sitzplatz der ersten Druckverteilung befunden hat, mit Hilfe von maschinellem
Lernen.
Die Messwerte der Einrichtung zum Erfassen einer Druckverteilung über die Sitzfläche werden dann von mehreren, insbesondere allen Sitzflächen an die zentrale Datenbank zum Abspeichern weiterleitet. Diese zentrale Datenbank ist mit zumindest einem zentralen Prozessor verbunden, der dann die Auswertung der Daten für mehrere, insbesondere alle Sitzflächen übernimmt. Der lokale Prozessor kann die Messwerte optional auch bereits aufbereiten, z.B. eine
Dimensionsreduktion vornehmen.
Mit „zumindest ein zentraler Prozessor“ ist nicht zwangsläufig eine konkrete physische Einheit gemeint, sondern es kann sich um mehrere, sogar wechselnde physische Einheiten handeln, die aber jeweils insgesamt die Daten von mehreren
Sitzflächen bearbeiten, etwa im Rahmen von Cloud Computing.
In einer Ausführungsvariante der Vorrichtung ist vorgesehen, dass die Druckmesspunkte der Einrichtung zum Erfassen der Druckverteilung in regelmäßigen Abständen zueinander,
insbesondere rasterförmig, angeordnet sind.
In einer Ausführungsvariante der Vorrichtung ist vorgesehen, dass die Einrichtung zum Erfassen der Druckverteilung zumindest 25, vorzugsweise zumindest 40, besonders
vorzugsweise zumindest 60 Druckmesspunkte aufweist.
15
20
25
30
35
SOO0365AT 18
Da das erfindungsgemäße Verfahren in der Regel unter Verwendung zumindest eines Computers ausgeführt wird, umfasst die gegenständliche Erfindung auch ein Computerprogrammprodukt, welches ein Programm umfasst, das direkt in zumindest einen Prozessor eines Computers ladbar ist, mit Programm-Mitteln, um alle Schritte des erfindungsgemäßen Verfahrens auszuführen, wenn das Programm vom zumindest einen Prozessor ausgeführt wird. Das Computerprogrammprodukt kann beispielsweise ein Datenträger sein, auf welchem ein entsprechendes Computerprogramm gespeichert ist, oder es kann ein Signal oder Datenstrom sein, der über eine Datenverbindung in den zumindest einen Prozessor geladen werden kann. Das Programm kann in der Praxis aus mehreren verschiedenen Programmen und Anwendungen
bestehen, die zusammenwirken und/oder nacheinander ablaufen.
Das Computerprogrammprodukt kann in einer lokalen Variante ein Programm umfassen, das von einem lokalen Prozessor einer Sitzfläche ausgeführt wird:
- Erfassen zumindest einer ersten Druckverteilung über die Sitzfläche des Sitzplatzes durch den lokalen Prozessor dieses Sitzplatzes während einer ersten Zeitspanne des Sitzens eines Lebewesens, also Einlesen der Messwerte in den lokalen Prozessor,
- Abspeichern dieser während einer ersten Zeitspanne des Sitzens erfassten Druckverteilung eines Sitzplatzes in der lokalen Datenbank als erstes historisches Profil, gemeinsam mit einer Identifikation des Sitzplatzes und dem Zeitpunkt des Erfassens der ersten Druckverteilung,
(Alternativ kann statt der ersten beiden Schritte ein Modell verwendet werden, das auf Basis von maschinellem Lernen aus vielen ersten historischen Profilen erstellt worden ist.)
- nach der ersten Zeitspanne Erfassen zumindest einer zweiten Druckverteilung über die Sitzfläche des Sitzplatzes während einer zweiten Zeitspanne des Sitzens eines Lebewesens, also erneutes Einlesen der Messwerte in den lokalen Prozessor,
- Abspeichern dieser während einer zweiten Zeitspanne des
15
20
25
30
35
SOO0365AT 19
Sitzens erfassten Druckverteilung des Sitzplatzes in der lokalen Datenbank als zweites historisches Profil, gemeinsam mit einer Identifikation des Sitzplatzes und dem Zeitpunkt des Erfassens der zweiten Druckverteilung,
(Alternativ zu diesem Schritt wird bei Verwendung des trainierten Modells das zweite historische Profil dem trainierten Modell zugeführt.)
- Vergleichen des zweiten historischen Profils mit zumindest einem ersten historischen Profil mit Hilfe von maschinellem Lernen;
- bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile Zuordnen des ersten und des zweiten historischen Profils zum gleichen Lebewesen, welches nach dem Erfassen der zweiten Druckverteilung als jenes Lebewesen erkannt wird, das sich zum Zeitpunkt der Messung der ersten Druckverteilung am Sitzplatz der ersten Druckverteilung befunden hat, mit Hilfe von maschinellem
Lernen.
Das Computerprogrammprodukt kann in einer zentralen Variante ein Programm umfassen, das von zumindest einem zentralen Prozessor ausgeführt wird, der in Datenverbindung mit mehreren lokalen Prozessoren von Sitzflächen steht:
- Erfassen zumindest einer ersten Druckverteilung über die Sitzfläche eines Sitzplatzes durch den zentralen Prozessor während einer ersten Zeitspanne des Sitzens eines Lebewesens, also Einlesen der Messwerte in den lokalen Prozessor,
- Abspeichern dieser während einer ersten Zeitspanne des Sitzens erfassten Druckverteilung eines Sitzplatzes in der zentralen Datenbank als erstes historisches Profil, gemeinsam mit einer Identifikation des Sitzplatzes und dem Zeitpunkt des Erfassens der ersten Druckverteilung,
- nach der ersten Zeitspanne Erfassen zumindest einer zweiten Druckverteilung über die Sitzfläche eines Sitzplatzes während einer zweiten Zeitspanne des Sitzens eines Lebewesens, also erneutes Einlesen der Messwerte in den zentralen Prozessor,
- Abspeichern dieser während einer zweiten Zeitspanne des
Sitzens erfassten Druckverteilung des Sitzplatzes in der
15
20
25
30
35
SOO0365AT 20
zentralen Datenbank als zweites historisches Profil, gemeinsam mit einer Identifikation des Sitzplatzes und dem Zeitpunkt des Erfassens der zweiten Druckverteilung,
- Vergleichen des zweiten historischen Profils mit zumindest einem ersten historischen Profil mit Hilfe von maschinellem Lernen;
- bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile Zuordnen des ersten und des zweiten historischen Profils zum gleichen Lebewesen, welches nach dem Erfassen der zweiten Druckverteilung als Jenes Lebewesen erkannt wird, das sich zum Zeitpunkt der Messung der ersten Druckverteilung am Sitzplatz der ersten Druckverteilung befunden hat, mit Hilfe von maschinellem
Lernen.
Insbesondere ist es denkbar, dass zuerst die zentrale Variante zum Erstellen eines trainierten Modells auf Basis von historischen Profilen verwendet wird, welches trainierte Modell dann auf die einzelnen lokalen Prozessoren gespielt wird, welche dann in der laufenden Anwendung die lokale
Variante mit dem trainierten Modell verwenden.
KURZE BESCHREIBUNG DER FIGUREN
Die Erfindung wird nun anhand von Ausführungsbeispielen näher erläutert. Diese sind beispielhaft und sollen den Erfindungsgedanken zwar darlegen, ihn aber keinesfalls
einengen oder gar abschließend wiedergeben. Dabei zeigt
Fig. 1 den schematischen Aufbau einer erfindungsgemäßen Vorrichtung,
Fig. 2 ein Ablaufdiagramm des erfindungsgemäßen Verfahrens.
WEGE ZUR AUSFÜHRUNG DER ERFINDUNG
15
20
25
30
35
SOO0365AT 21
Fig. 1 zeigt links oben eine Sitzbank mit vier Sitzplätzen 1, wobei pro Sitzplatz 1 eine Sitzfläche 2 vorgesehen ist. Diese Sitzfläche 2 ist hier als Sitzkissen ausgeführt und links unten vergrößert dargestellt, mit Blick auf das Sitzkissen von unten. Das Sitzkissen weist dort Mittel zur Befestigung am Sitzplatz 1 auf, hier in Form von zwei Klettstreifen 17, die mit entsprechenden Gegenstücken am Sitzplatz 1 bedingen, dass das Sitzkissen nicht verrutscht. Am hinteren Abschnitt 18 der Sitzfläche 2, der hier in der Darstellung oben angeordnet ist, ist ein Kennzeichen 3 zur leichteren Konfiguration des Sitzplatzes 1 (etwa zur Einbindung in ein WLAN oder zur Abfrage von Metadaten) vorgesehen, hier ein ORCode. Dieser hintere Abschnitt 18 der Sitzfläche 2 ist im Betriebszustand beim hinteren Ende des Sitzplatzes 1 angeordnet und enthält die elektronischen Einheiten, die zur Ausführung der Erfindung benötigt werden: einen lokalen Prozessor 4, vorzugsweise mit einer eigenen lokalen Datenbank, eine Datenübertragungseinheit 9 und einen Akku 10. Der Akku 10 kann mit einem Ladekabel 12 mit Strom versorgt
oder aufgeladen werden.
Durch die Anordnung der elektronischen Einheiten im hinteren Abschnitt 18 der Sitzfläche 2 wird sichergestellt, dass eine Person ihr Gesäß beim Sitzen nicht auf die elektronischen Einheiten platziert. Der hintere Abschnitt 18 kann mit einem Reißverschluss 11 versehen sein, um Zugriff auf die
elektronischen Einheiten zu haben.
Der Großteil der Sitzfläche 2, hier des Sitzkissens, ist mit einer Einrichtung 5 zur Erfassung einer Druckverteilung ausgestattet, siehe die Darstellung in Fig. 1 rechts unten, wo das Sitzkissen geöffnet in Draufsicht dargestellt ist, mit Blick auf die Einrichtung 5, sowie darunter im Querschnitt. Die Einrichtung 5 zur Erfassung einer Druckverteilung nimmt einen Großteil der Sitzfläche 2 ein, ist aber nicht im hinteren Abschnitt 18 der Sitzfläche 2 vorgesehen. Sie ist hier als Sensormatrix mit rasterförmig angeordneten
Druckmesspunkten ausgebildet.
15
20
25
30
35
SOO0365AT 22
Die Sitzfläche 2, also das Sitzkissen mit seinem hinteren Abschnitt 18, besteht aus zwei Schichten Schaumstoff 16, die gemeinsam von einem, z.B. textilen, Überzug umschlossen sind. Eine Schicht aus Schaumstoff 16 befindet sich unter der Einrichtung 5 zur Erfassung einer Druckverteilung, also unter der Sensormatrix, eine darüber mit Ausschnitt für die elektronischen Einheiten, die z.B. in einem gemeinsamen Elektronikgehäuse untergebracht sein können. Die Sensormatrix liegt zwischen den zwei Schichten Schaumstoff 16 und besteht auch aus zwei Schichten. Die untere Schicht hat horizontal verlaufende, gerade, konstant voneinander beabstandete untere Leiterbahnen 7, hier acht Kupferbahnen, und die obere Schicht vertikal verlaufende, gerade, konstant voneinander beabstandete obere Leiterbahnen 6, hier acht Kupferbahnen. Die beiden Schichten mit Leiterbahnen 6, 7 sind durch einen druckempfindlichen, elektrisch leitenden Kunststoff 8 voneinander getrennt, etwa durch eine druckempfindliche, elektrisch leitende Polymer-Folie, z.B. Velostat. Zwischen den Leiterbahnen 6, 7, also in der gleichen Ebene wie die Kupferbahnen, befinden sich bei beiden Schichten nicht elektrisch leitende Plastikfolien. Die normal zueinandner verlaufenden Leiterbahnen 6, 7 bilden ein Raster, hier mit acht mal acht gleich 64 Rasterpunkten und daher 64 Druckmesspunkten. Im unbelasteten Zustand berühren einander die Leiterbahnen 6, 7 praktisch nicht. Erst bei Belastung durch das Gewicht eines Lebewesens werden die Leiterbahnen 6, 7 an den Gitterpunkten durch den elektrisch leitenden Kunststoff 8 leitend miteinander verbunden und der elektrische Widerstand der einzelnen Leiterbahnen 6, 7 ändert sich mit steigender Druckbelastung. Entsprechend lassen sich pro Gitterpunkt viele unterschiedliche Werte des elektrischen Widerstands, und damit des Drucks, messen, z.B. im Wertebereich von [0; 4095].
Die Sensormatrix-Schichten sind über jeweils acht (also pro
Leiterbahn mit einem) Kabel, z.B. über einen Multiplexer, mit
dem lokalen Prozessor 4, einem Mikrocontroller, verbunden.
15
20
25
30
35
SOO0365AT 23
Auf einer Platine im gemeinsamen Elektronikgehäuse befinden sich unter anderem der Mikrokontroller (hier aus der ESP32Familie), auf welchem das Programm zur Datenverarbeitung und gegebenenfalls auch eine lokale Datenbank läuft. Das Elektronikgehäuse enthält weiters eine Batterie-Einheit, hier z.B. für zwei Lithium-Akkus 10. Eine Datenübertragungseinheit 9 sorgt dafür, dass der lokale Prozessor 4, vorzugsweise drahtlos, mit zumindest einem zentralen Prozessor 13 in Datenverbindung steht. Der zentrale Prozessor 13 ist in der Regel entfernt von den einzelnen Sitzplätzen 1 angeordnet und steht mittels vorzugsweise drahtloser Datenverbindung mit mehreren oder allen erfindungsgemäßen Sitzflächen 2 in Verbindung. Der zentrale Prozessor 13 kann mittels Cloud Computing verwirklicht werden. Der zentrale Prozessor 13 ist weiters mit einer zentralen Datenbank 14 sowie mit einer Einrichtung zur Datenübertragung mit den Sitzflächen 2 ausgestattet, hier z.B. mit einem MOTT-Server 15 oder einem REST-Server. MOTT steht für Message Queuing Telemetry Transport und ist ein offenes Netzwerkprotokoll für Machine-
to-Machine-Kommunikation (M2M).
Die Datenübertragungseinheit 9 kann beispielsweise als WiFiEinheit ausgebildet sein, um die Daten über WLAN und/oder gegebenenfalls weitere Einrichtungen, z.B. über das Internet, an den zentralen Prozessor 13 zu übertragen. Alternativ können die Daten unter Verwendung des Mobilfunknetzes oder von LoRa oder ein Low-Power-Wide-Area-Network an den zentralen Prozessor 13 übertragen werden. Selbstverständlich sind auch andere drahtlose Datenverbindungen und/oder auch
drahtgebundene Datenverbindungen möglich.
Der Ablauf des erfindungsgemäßen Verfahrens unter Verwendung der Vorrichtung aus Fig. 1 ist in Fig. 2 dargestellt. In diesem Beispiel liegen pro Sitzfläche 64 Messpunkte vor. Wenn sich eine Person auf die Sitzfläche 2 setzt, werden mehrere zeitlich aufeinanderfolgende Druckverteilungen erfasst und einer Dimensionsreduktion unterzogen, um eine kompakte und
optimierte Repräsentation der Daten zu erstellen. Mit der
15
20
25
30
35
SOO0365AT 24
Repräsentation der Daten, also dem zweiten abstrahierten historischen Profil, wird dann ein Vergleich zu allen bisher gespeicherten Messungen oder Messreihen angestellt, also mit allen ersten historischen Profilen. Auch von diesen bisher gespeicherten Daten wird spätestens dann eine Repräsentation erzeugt, bzw. könnte diese auch vorher schon erstellt worden sein, und kann gemeinsam mit der Druckverteilung gespeichert werden. Der Vergleich der Messwerte oder Messreihen wird hier mit einem sogenannten unsupervised Verfahren, dem Clustering, oder mit Klassifikation durchgeführt und es wird untersucht, ob diese Person bereits erfasst ist. Wenn ja, dann wäre dieser Person bereits ein bestimmtes Kennzeichen, z.B. eine sogenannte ID, zugeordnet und die neue Druckverteilung würde dieser bestehenden ID zugeordnet und entsprechend abgespeichert werden. Wenn nein, dann handelt es sich um eine neue Person, es wird eine neue ID angelegt und die neue
Druckverteilung dieser neuen ID zugeordnet.
Bezugszeichenliste:
1 Sitzplatz
2 Sitzfläche
3 Kennzeichen
4 lokaler Prozessor
5 Einrichtung zur Erfassung einer Druckverteilung 6 obere Leiterbahn
7 untere Leiterbahn
8 elektrisch leitender Kunststoff
9 Datenübertragungseinheit
10 Akku
11 Reißverschluss
12 Ladekabel
13 zentraler Prozessor 14 zentrale Datenbank 15 MOTT-Server
16 Schaumstoff
17 Klettstreifen 18 hinterer Abschnitt der Sitzfläche 2

Claims (10)

15 20 25 30 35 SOO0365AT 25 Patentansprüche
1. Computerimplementiertes Verfahren zum Erkennen eines bestimmten Lebewesens, insbesondere einer Person, das auf einer Sitzfläche (2) eines Sitzplatzes (1) sitzt oder gesessen ist, wobei mehrere Sitzplätze (1) vorgesehen sind und jeder Sitzplatz über eine Sitzfläche (2) verfügt, umfassend folgende Verfahrensschritte in der angegebenen Reihenfolge:
- Erfassen zumindest einer ersten Druckverteilung über eine Sitzfläche (2) eines Sitzplatzes (1) während einer ersten Zeitspanne des Sitzens eines Lebewesens,
- Abspeichern dieser während einer ersten Zeitspanne des Sitzens erfassten Druckverteilung eines Sitzplatzes (1), insbesondere in einer Datenbank (14), als erstes historisches Profil, gemeinsam mit einer Identifikation des Sitzplatzes (1) und dem Zeitpunkt des Erfassens der ersten Druckverteilung,
- nach der ersten Zeitspanne Erfassen zumindest einer zweiten Druckverteilung über eine Sitzfläche (2) eines Sitzplatzes (1) während einer zweiten Zeitspanne des Sitzens eines Lebewesens,
- Abspeichern dieser während einer zweiten Zeitspanne des Sitzens erfassten Druckverteilung eines Sitzplatzes (1), insbesondere in einer Datenbank (14), als zweites historisches Profil, gemeinsam mit einer Identifikation des Sitzplatzes (1) und dem Zeitpunkt des Erfassens der zweiten Druckverteilung,
- Vergleichen des zweiten historischen Profils mit zumindest einem ersten historischen Profil mit Hilfe von maschinellem Lernen;
- bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile Zuordnen des ersten und des zweiten historischen Profils zum gleichen Lebewesen, welches nach dem Erfassen der zweiten Druckverteilung als jenes Lebewesen erkannt wird, das
sich zum Zeitpunkt der Messung der ersten Druckverteilung
15
20
25
30
35
SOO0365AT 26
am Sitzplatz (1) der ersten Druckverteilung befunden hat,
mit Hilfe von maschinellem Lernen.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass beim Erfassen zumindest einer ersten Druckverteilung über eine Sitzfläche (2) eines Sitzplatzes (1) während einer ersten Zeitspanne des Sitzens eines Lebewesens mehrere zeitlich aufeinanderfolgende Druckverteilungen erfasst werden, und dass diese während einer ersten Zeitspanne des Sitzens erfassten, zeitlich aufeinanderfolgenden Druckverteilungen eines Sitzplatzes (1), insbesondere in einer Datenbank (14), als erstes historisches Profil abgespeichert werden, gemeinsam mit der Identifikation des Sitzplatzes (1) und dem Zeitpunkt des Erfassens der
ersten Druckverteilung.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass beim Erfassen zumindest einer zweiten Druckverteilung über eine Sitzfläche (2) eines Sitzplatzes (1) während einer zweiten Zeitspanne des Sitzens eines Lebewesens mehrere zeitlich aufeinanderfolgende Druckverteilungen erfasst werden, und dass diese während einer zweiten Zeitspanne des Sitzens erfassten, zeitlich aufeinanderfolgenden Druckverteilungen eines Sitzplatzes (1), insbesondere in einer Datenbank (14), als zweites historisches Profil abgespeichert werden, gemeinsam mit der Identifikation des Sitzplatzes (1) und dem Zeitpunkt des Erfassens der
zweiten Druckverteilung.
4, Verfahren nach Anspruch 2 und 3, dadurch gekennzeichnet, dass mehrere, insbesondere alle Druckverteilungen einer ersten Zeitspanne jeweils mit mehreren, insbesonderen allen Druckverteilungen der zweiten Zeitspanne verglichen
werden.
5. Verfahren nach Anspruch 2 und 3, dadurch gekennzeichnet, dass mehrere, insbesondere alle Druckverteilungen einer
ersten Zeitspanne, in zeitlicher Abfolge im Sinne eines
Bewegungsmusters zusammengefasst, mit mehreren, insbsondere allen Druckverteilungen einer zweiten Zeitspanne, in zeitlicher Abfolge im Sinne eines Bewegungsmusters zusammengefasst, miteinander verglichen
5 werden.
6. Verfahren nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass die Intervalle zwischen den zeitlich aufeinanderfolgenden Messungen der Druckverteilung am Beginn der Zeitspanne kleiner sind als am Ende der
10 Zeitspanne.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Identifikation des Sitzplatzes (1) mit dem geografischen Ort des Sitzplatzes (1) verknüpft ist.
15
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass im Falle des Zuordnens zumindest eines ersten und eines zweiten historischen Profils zum gleichen Lebewesen an Hand der geografischen Orte der Sitzplätze (1) und der Zeitpunkte der Erfassung der Druckverteilungen ein
20 Bewegungsprofil des Lebewesens im definierten Raumbereich
erstellt wird.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Verfahren weiters den folgenden Schritt umfasst:
25 - Berechnen einer Auslastung eines definierten Raumbereichs, der mit mehreren Sitzplätzen (1) ausgestattet ist, durch Bestimmen der Anzahl der besetzten Sitzplätze, die durch das Vorhandensein einer
Druckverteilung gekennzeichnet sind.
30
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zum Bestimmen einer Wartezeit für Lebewesen im einem definierten Raumbereich, der mit mehreren Sitzplätzen (1) ausgestattet ist,
zusätzlich folgender Schritt ausgeführt wird:
15
20
25
30
35
SOO0365AT 28
- Berechnen einer künftigen Wartezeit im Raumbereich auf Basis der Anzahl der besetzten Sitzplätze (1) im Raumbereich, die durch das Vorhandensein einer Druckverteilung gekennzeichnet sind, sowie auf Basis der historischen Profile der Sitzplätze (1) in diesem
Raumbereich, mit Hilfe von maschinellem Lernen.
11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Druckmesspunkte zum Erfassen der Druckverteilung in regelmäßigen Abständen
zueinander, insbesondere rasterförmig, angeordnet sind.
12. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass pro Sitzfläche (2) zumindest 25, vorzugsweise zumindest 40, besonders vorzugsweise zumindest 60 Druckmesspunkte zum Erfassen der
Druckverteilung vorgesehen sind.
13. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zumindest ein Bewegungsmuster in Form von bestimmten, zeitlich aufeinanderfolgenden Druckverteilungen festgelegt ist, welches Bewegungsmuster absichtlich von einem Lebewesen auf einer Sitzfläche (2) ausgeführt werden kann, um ein
Signal zur Kommunikation abzusenden.
14, Vorrichtung zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 13, umfassend - mehrere Sitzplätze (1) mit jeweils einer Sitzfläche (2), die Jeweils mit einer Einrichtung (5) zum Erfassen einer Druckverteilung über die Sitzfläche (2) ausgestattet sind, und —- zumindest einen Prozessor (4, 13), der mit zumindest einer Einrichtung (5) zur Erfassung einer Druckverteilung verbunden ist, wobei der Prozessor (4, 13) zusätzlich mit einer Datenbank (14) für historische Profile verbunden ist und/oder über ein mit Hilfe einer Datenbank (14) für historische Profile trainiertes Modell verfügt, dadurch
gekennzeichnet, dass der Prozessor (4, 13) so
15
20
25
30
35
SOO0365AT 29
konfiguriert ist, dass er unter Verwendung der Datenbank (14) und der darin abgelegten historischen Profile und/oder unter Verwendung des trainierten Modells die Schritte des Verfahrens nach einem der Ansprüche 1 bis 13
ausführt.
15. Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, dass mehrere Sitzflächen (2) Jeweils über einen lokalen Prozessor (4) mit lokaler Datenbank und/oder mit einem trainierten Modell verfügen, der mit der Einrichtung (5) zur Erfassung einer Druckverteilung dieser Sitzfläche (2) verbunden ist, sodass die Druckverteilungen dieses Sitzplatzes (2) in der lokalen Datenbank und/oder dem
trainierten Modell abspeicherbar sind.
16. Vorrichtung nach Anspruch 15, dadurch gekennzeichnet, dass der lokale Prozessor (4) ausgebildet ist um die folgenden Schritte auszuführen:
- Vergleichen des zweiten historischen Profils mit zumindest einem ersten historischen Profil mit Hilfe von maschinellem Lernen;
- bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile Zuordnen des ersten und des zweiten historischen Profils zum gleichen Lebewesen, welches nach dem Erfassen der zweiten Druckverteilung als jenes Lebewesen erkannt wird, das sich zum Zeitpunkt der Messung der ersten Druckverteilung am Sitzplatz (1) der ersten Druckverteilung befunden hat,
mit Hilfe von maschinellem Lernen.
17. Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, dass mehrere Sitzflächen (2) Jeweils über einen lokalen Prozessor (4) verfügen, der mit der Einrichtung (5) zur Erfassung einer Druckverteilung dieser Sitzfläche (2) verbunden ist, wobei der lokale Prozessor (4) so ausgebildet ist, dass die Druckverteilungen dieses Sitzplatzes (1) über eine Datenübertragungseinheit (9) an eine zentrale Datenbank (14) übermittelt werden und
zumindest ein zentraler Prozessor (13) vorgesehen ist,
15
20
25
30
SOO0365AT
18.
19.
20.
30
der ausgebildet ist um die folgenden Schritte auszuführen:
- Vergleichen des zweiten historischen Profils mit zumindest einem ersten historischen Profil mit Hilfe von maschinellem Lernen;
- bei Erreichen eines vorbestimmten Grads an Übereinstimmung der beiden historischen Profile Zuordnen des ersten und des zweiten historischen Profils zum gleichen Lebewesen, welches nach dem Erfassen der zweiten Druckverteilung als jenes Lebewesen erkannt wird, das sich zum Zeitpunkt der Messung der ersten Druckverteilung am Sitzplatz (1) der ersten Druckverteilung befunden hat,
mit Hilfe von maschinellem Lernen.
Vorrichtung nach einem der Ansprüche 14-17, dadurch gekennzeichnet, dass die Druckmesspunkte der Einrichtung (5) zum Erfassen der Druckverteilung in regelmäßigen Abständen zueinander, insbesondere rasterförmig,
angeordnet sind.
Vorrichtung nach einem der Ansprüche 14-18, dadurch gekennzeichnet, dass die Einrichtung (5) zum Erfassen der Druckverteilung zumindest 25, vorzugsweise zumindest 40, besonders vorzugsweise zumindest 60 Druckmesspunkte
aufweist.
Computerprogrammprodukt, welches ein Programm umfasst, das direkt in zumindest einen Prozessor (4, 13) eines Computers ladbar ist, mit Programm-Mitteln, um alle Schritte des Verfahrens nach einem der Ansprüche 1 bis 13 auszuführen, wenn das Programm vom zumindest einen
Prozessor (4, 13) ausgeführt wird.
ATA50098/2022A 2022-02-14 2022-02-14 Verfahren zum Erkennen eines Lebewesens, insbesondere einer Person AT525830A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
ATA50098/2022A AT525830A1 (de) 2022-02-14 2022-02-14 Verfahren zum Erkennen eines Lebewesens, insbesondere einer Person

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
ATA50098/2022A AT525830A1 (de) 2022-02-14 2022-02-14 Verfahren zum Erkennen eines Lebewesens, insbesondere einer Person

Publications (1)

Publication Number Publication Date
AT525830A1 true AT525830A1 (de) 2023-08-15

Family

ID=87556581

Family Applications (1)

Application Number Title Priority Date Filing Date
ATA50098/2022A AT525830A1 (de) 2022-02-14 2022-02-14 Verfahren zum Erkennen eines Lebewesens, insbesondere einer Person

Country Status (1)

Country Link
AT (1) AT525830A1 (de)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003111646A (ja) * 2001-10-03 2003-04-15 Ergo Seating Kk 身体圧分布の基本特性測定・解析システムおよび身体圧分布の経時的変化予測・評価システム
CN106942941A (zh) * 2017-05-08 2017-07-14 皖西学院 一种基于智能坐垫的员工考勤及健康提醒系统
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
US20190282012A1 (en) * 2018-03-15 2019-09-19 Thermogenesis Group, Inc. Standing desk mat
WO2019233470A1 (zh) * 2018-06-07 2019-12-12 京东方科技集团股份有限公司 判断座椅上是否有人的方法、座椅系统和考勤方法
CN112773356A (zh) * 2020-11-16 2021-05-11 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003111646A (ja) * 2001-10-03 2003-04-15 Ergo Seating Kk 身体圧分布の基本特性測定・解析システムおよび身体圧分布の経時的変化予測・評価システム
CN106942941A (zh) * 2017-05-08 2017-07-14 皖西学院 一种基于智能坐垫的员工考勤及健康提醒系统
US20190282012A1 (en) * 2018-03-15 2019-09-19 Thermogenesis Group, Inc. Standing desk mat
WO2019233470A1 (zh) * 2018-06-07 2019-12-12 京东方科技集团股份有限公司 判断座椅上是否有人的方法、座椅系统和考勤方法
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
CN112773356A (zh) * 2020-11-16 2021-05-11 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MATUSKA S. et al. A smart system for sitting posture detection based on force sensors and mobile application. Mobile Information Systems, 2020, Art. ID 6625797. <DOI:10.1155/2020/6625797> *
RIENER A., FERSCHA A. Supporting implicit human-to-vehicle interaction: Driver identification from sitting postures. In: 1st International ICST Symposium on Vehicular Computing Systems. 2010. <DOI:10.4108/ICST.ISVCS2008.3545> <URL (PDF):https://eudl.eu/pdf/10.4108/ICST.ISVCS2008.3545> *
TLILI F. et al. A Survey on sitting posture monitoring systems. In: 2018 9th International Symposium on Signal, Image, Video and Communications (ISIVC). IEEE, 2018. S. 185-190. <DOI:10.1109/ISIVC.2018.8709239> <URL (PDF):https://core.ac.uk/download/pdf/212229826.pdf> *
YAMADA M. et al. Soft authentication and behavior analysis using a chair with sensors attached: hipprint authentication. Pattern Analysis and Applications, Vol. 12, Nr. 3, 2009, S. 251-260. <DOI:10.1007/s10044-008-0124-z> <URL (PDF):https://www.researchgate.net/publication/220654617> *

Similar Documents

Publication Publication Date Title
DE102017116017A1 (de) Kraftfahrzeug-Sensorvorrichtung mit mehreren Sensoreinheiten und mehreren neuronalen Netzen zum Erzeugen einer kombinierten Repräsentation einer Umgebung
DE102018130752A1 (de) Sitzempfehlungssysteme und -verfahren für gemeinsam genutzte fahrzeuge
DE102013215208A1 (de) Verfahren und Vorrichtung zur Einparkunterstützung eines Fahrzeuges
DE112018001819B4 (de) Messen eines menschenstroms durch türdurchgänge unter verwendung von leicht installierbaren ir-arraysensoren
DE112017005651T5 (de) Vorrichtung zur Klassifizierung von Daten
DE112017005640T5 (de) Informationsverarbeitungsvorrichtung und Informationsverarbeitungsverfahren
DE102018111887A1 (de) Verfahren und System zum Bereitstellen einer Fahrführung
EP3245943A1 (de) Verfahren zur berührungslosen ermittlung und aufbereitung von schlafbewegungsdaten
DE102013213534A1 (de) Elektroimpedanztomographie-Gerät und -Verfahren
DE102017219282A1 (de) Verfahren und Vorrichtung zum automatischen Erzeugen eines künstlichen neuronalen Netzes
AT523727B1 (de) Computerimplementiertes Verfahren zur Analyse des Innenraums eines Fahrzeugs
DE102019100065A1 (de) Verkehrsinformationsbereitstellungssystem und Verkehrsinformationsbereitstellungsverfahren
DE112015002824T5 (de) Fusionsbasiertes Objekt-Erkennungssystem
EP3629305A1 (de) Vorrichtung und verfahren zur erkennung eines ist-zustandes eines innenraums eines peoplemovers
AT525830A1 (de) Verfahren zum Erkennen eines Lebewesens, insbesondere einer Person
DE112018005455T5 (de) Vorrichtung zur unterstützung der gesundheitsvorsorge, verfahren und programm
DE102020211849A1 (de) Trainieren eines maschinellen lernmodells unter verwendung eines batch-basierten aktiven lernansatzes
EP1227425B1 (de) Vorrichtung zum Auffinden der Auslöser anfallsartig auftretender Krankheiten
DE102019213931A1 (de) Verfahren und Computerprogrammprodukt zur Identifizierung eines Fahrzeugnutzers und Steuergerät für automatisierte Fahrfunktionen
DE112018005890T5 (de) Informationverarbeitungsvorrichtung, verfahren und programm
EP3739592A1 (de) Dezentralisiert gesteuerte bildgebungsbasierte patientendatengewinnung
DE102021127176A1 (de) Medizinisches durchfahr-behandlungssystem und medizinisches durchfahr-behandlungsverfahren
DE102017126553A1 (de) Erfassungssystem
DE112021001560T5 (de) Benachrichtigungsvorrichtung, Benachrichtigungsverfahren und -programm
DE102020203311A1 (de) System und Verfahren zur Identifizierung von Informationen eines lebenden Körpers

Legal Events

Date Code Title Description
REJ Rejection

Effective date: 20240615