CN107038404A - 一种基于bp神经网络的坐姿检测方法及系统 - Google Patents

Abstract

本发明涉及一种基于BP神经网络的坐姿检测方法及系统，其方法包括以下步骤：S1，构建BP神经网络,利用已知的多种坐姿下的坐姿数据对BP神经网络进行训练,得出BP神经网络程序；S2，通过BP神经网络程序对在未知坐姿下的坐姿数据进行辨识，并输出辨识结果，得出未知坐姿的坐姿种类。BP神经网络中的系数不需要手动调节，BP神经网络大大减少了计算量和调节量，对于用户而言，给定一个输入，能得到一个输出就足够，所以神经网络自身是个黑盒，但是其内部工作原理，就是调整系数，然后调用已经确定的系数，进行分类，预测；本发明简化了调节系数的过程，提高了识别度。

Description

一种基于BP神经网络的坐姿检测方法及系统

技术领域

本发明涉及一种坐姿检测方法及系统，具体涉及一种基于BP神经网络的坐姿检测方法及系统。

背景技术

对于坐姿的检测，传统的方法是通过建立数据模型来实现检测的目的，即输入一组数据通过运算输出结果，在运算的过程中，是采用加权和加层，可以达到区分的目的；以六输入两层数据模型为例，如图1所示，图1中的每条线都对应有一个权值K(系数)，通过修改K可以调节系统的识别度，从而对不同的输入，给出不同的输出判别。需要修改的个数为“层数*36+输入个数”，2层需要78个系数，3层需要114个系数……。采用此种方法的识别度在一定范围内可观，但是调整系数的过程，很麻烦，甚至会出现一些无论怎么调整，都分离不开不同输入对应输出的类型的情况，通过试凑法，始终不能完美地分离不同坐姿。

发明内容

本发明所要解决的技术问题是提供一种简化调节系数过程，提高了识别度的基于BP神经网络的坐姿检测方法及系统。

本发明解决上述技术问题的技术方案如下：一种基于BP神经网络的坐姿检测方法，包括以下步骤：

S1，构建BP神经网络,利用已知的多种坐姿下的坐姿数据对BP神经网络进行训练,得出BP神经网络程序；

S2，通过BP神经网络程序对在未知坐姿下的坐姿数据进行辨识，并输出辨识结果，得出未知坐姿的坐姿种类。

本发明的有益效果是：本发明一种基于BP神经网络的坐姿检测方法中构件的BP神经网络中的系数不需要手动调节，BP神经网络大大减少了计算量和调节量，对于用户而言，给定一个输入，能得到一个输出就足够，所以BP神经网络自身是个黑盒，但是其内部工作原理，就是调整系数，然后调用已经确定的系数，进行分类，预测；基于上述原理，本发明一种基于BP神经网络的坐姿检测方法通过构建BP神经网络,利用已知的多种坐姿下的坐姿数据对BP神经网络进行训练,得出BP神经网络程序，然后利用BP神经网络程序对在未知坐姿下的坐姿数据进行辨识，并输出辨识结果，得出未知坐姿的坐姿种类，其简化了调节系数的过程，提高了识别度。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，步骤S1具体为，

S11，采集已知的多种坐姿下的多组压力数据，分别对多组压力数据进行归一化处理并按坐姿进行分类保存，得到每种坐姿下的BP神经网络训练数据；

S12，设置BP神经网络结构，在BP神经网络结构中嵌入BP神经网络算法，通过BP神经网络结构利用BP神经网路算法分别对每种坐姿下的BP神经网络训练数据进行BP神经网络训练，得出BP神经网络程序。

进一步，步骤S11具体为：

S111，在坐姿检测平台上选取一个以上的预设点作为压力检测点；

S112，分别采集不同体型和体重的人在坐姿检测平台上“正坐”、“前倾”、“后倾”、“左倾”和“右倾”时各个压力检测点的压力值；

S113，将每个人在每种坐姿下的各个压力检测点的压力值作为一组数据进行保存，并对每组数据进行归一化处理；

S114，将每个人经过归一化处理后的每组数据按坐姿进行分类保存，得到每种坐姿下的BP神经网络训练数据。

进一步，步骤S12中对BP神经网络训练数据进行BP神经网络训练的具体过程为，

S121，通过BP神经网络结构利用BP神经网路算法分别对每种坐姿下的部分BP神经网络训练数据进行BP神经网络训练，得出初始BP神经网络程序；

S122，利用每种坐姿下的剩余部分BP神经网络训练数据对初始BP神经网络程序进行检测，得出辨识结果，如果辨识结果不在对应的预设坐姿结果的范围之内，则跳转至步骤S121；

S123，循环执行步骤S121和步骤S122，直至辨识结果在对应的预设坐姿结果的范围之内，并保存此时的BP神经网络程序，得到最终用于坐姿检测的BP神经网络程序。

采用上述进一步方案的有益效果是：BP神经网络中的系数不需要手动调节，使用部分数据作为“训练”(教学)，部分数据作为“检测”(检验)，来判断一个神经网络系统是否配置完好，以及识别率的高低；BP神经网络大大减少了计算量和调节量，对于系数的调整，是在“训练”阶段自动完成的；其内部工作原理，就是调整系数，然后调用已经确定的系数，进行分类，预测；其简化了调节系数的过程，提高了识别度。

进一步，在步骤S123中，还包括对最终用于坐姿检测的BP神经网络程序的精度进行计算，其计算的过程具体为，

采集一组以上已知坐姿下且未用于BP神经网络训练和BP神经网络程序检测的压力数据，通过最终用于坐姿检测的BP神经网络程序分别对一组以上已知坐姿下且未用于BP神经网络训练和BP神经网络程序检测的压力数据进行辨识，并输出辨识结果，将输出的辨识结果与对应的预设坐姿结果的范围进行比对，得出BP神经网络程序的精度数值。

进一步，步骤S2具体为，

采集一组未知坐姿下的待测压力数据，通过最终用于坐姿检测的BP神经网络程序对待测压力数据进行辨识，并输出辨识结果，将输出的辨识结果与预设坐姿结果的范围进行比对，得出未知坐姿的坐姿种类。

进一步，所述BP神经网络结构与所述压力检测点的个数相匹配，所述压力检测点设有六个，所述神经网络结构为：6输入，1输出，神经元50层。

进一步，对多组压力数据进行归一化处理的具体过程为，

将每组压力数据中的最小非零数值变为1，每组压力数据中的其余数值以归一化的倍率做等量变换。

采用上述进一步方案的有益效果是：对数据进行归一化的目的是消除不同人之间的数据量范围差异，提高BP神经网络训练的精度。

基于上述一种基于神经网络的坐姿检测方法，本发明还提供一种基于神经网络的坐姿检测系统。

一种基于BP神经网络的坐姿检测系统，利用上述所述的一种基于BP神经网络的坐姿检测方法进行检测，包括BP神经网络模块，所述BP神经网络模块用于利用已知的多种坐姿采样数据对BP神经网络进行训练,得出BP神经网络程序；并通过BP神经网络程序对在未知坐姿下采集的坐姿数据进行辨识，并输出辨识结果，得出未知坐姿的坐姿种类。

本发明的有益效果是：本发明一种基于BP神经网络的坐姿检测系统中构件的BP神经网络中的系数不需要手动调节，BP神经网络大大减少了计算量和调节量，对于用户而言，给定一个输入，能得到一个输出就足够，所以BP神经网络自身是个黑盒，但是其内部工作原理，就是调整系数，然后调用已经确定的系数，进行分类，预测；基于上述原理，本发明一种基于BP神经网络的坐姿检测方法通过构建BP神经网络,利用已知的多种坐姿下的坐姿数据对BP神经网络进行训练,得出BP神经网络程序，然后利用BP神经网络程序对在未知坐姿下的坐姿数据进行辨识，并输出辨识结果，得出未知坐姿的坐姿种类，其简化了调节系数的过程，提高了识别度。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述BP神经网络模块包括坐姿检测平台、压力采集单元、归一化处理单元、分类单元、BP神经网络训练单元、BP神经网络程序检测单元和坐姿检测单元，

所述坐姿检测平台，其用于提供一个以上的预设点作为压力检测点；

所述压力采集单元，其用于分别采集不同体型和体重的人在坐姿检测平台上“正坐”、“前倾”、“后倾”、“左倾”和“右倾”时各个压力检测点的压力值；

所述归一化处理单元，其用于将每个人在每种坐姿下的各个压力检测点的压力值作为一组数据进行保存，并对每组数据进行归一化处理；

所述分类单元，其用于将所有人经过归一化处理后的每组数据按坐姿进行分类保存，得到每种坐姿下的BP神经网络训练数据；

所述BP神经网络训练单元，其用于设置BP神经网络结构，在BP神经网络结构中嵌入BP神经网络算法，通过BP神经网络结构利用BP神经网路算法分别对每种坐姿下的部分BP神经网络训练数据进行BP神经网络训练，得出初始BP神经网络程序；

所述BP神经网络程序检测单元，其用于利用每种坐姿下的剩余部分BP神经网络训练数据对初始BP神经网络程序进行检测，得出辨识结果，如果辨识结果不在对应的预设坐姿结果的范围之内，则跳转至所述BP神经网络训练单元中继续进行BP神经网络训练，直至辨识结果在预设坐姿结果的范围之内，并保存此时的BP神经网络程序，得到最终用于坐姿检测的BP神经网络程序；

所述坐姿检测单元，其用于采集一组未知坐姿下的待测压力数据，通过最终用于坐姿检测的BP神经网络程序对待测压力数据进行辨识，并输出辨识结果，将输出的辨识结果与预设坐姿结果的范围进行比对，得出未知坐姿的坐姿种类。

附图说明

图1为现有技术中采用加权和加层的六输入两层数据模型的结构图；

图2-1为本发明一种基于神经网络的坐姿检测方法的总体流程图；

图2-2为本发明一种基于神经网络的坐姿检测方法中得出BP神经网络程序的具体流程图；

图2-3为本发明一种基于神经网络的坐姿检测方法中得出BP神经网络训练数据的具体流程图；

图2-4为本发明一种基于神经网络的坐姿检测方法中进行BP神经网络训练的具体流程图；

图2-5为本发明一种基于神经网络的坐姿检测方法执行的具体流程图；

图3为本发明一种基于神经网络的坐姿检测方法中坐姿检测平台上6个压力检测点的分布图；

图4为本发明一种基于神经网络的坐姿检测系统的结构框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图2-1所示，一种基于神经网络的坐姿检测方法，包括以下步骤：

一种基于BP神经网络的坐姿检测方法，包括以下步骤，

S1，构建BP神经网络,利用已知的多种坐姿下的坐姿数据对BP神经网络进行训练,得出BP神经网络程序；

S2，通过BP神经网络程序对在未知坐姿下的坐姿数据进行辨识，并输出辨识结果，得出未知坐姿的坐姿种类。

其中步骤S1和步骤S2又分别包括以下具体步骤：

如图2-2所示，步骤S1具体为，

S11，采集已知的多种坐姿下的多组压力数据，分别对多组压力数据进行归一化处理并按坐姿进行分类保存，得到每种坐姿下的BP神经网络训练数据；

S12，设置BP神经网络结构，在BP神经网络结构中嵌入BP神经网络算法，通过BP神经网络结构利用BP神经网路算法分别对每种坐姿下的BP神经网络训练数据进行BP神经网络训练，得出BP神经网络程序。

如图2-3所示，其中，步骤S11具体为：

S111，在坐姿检测平台上选取一个以上的预设点作为压力检测点；

S112，分别采集不同体型和体重的人在坐姿检测平台上“正坐”、“前倾”、“后倾”、“左倾”和“右倾”时各个压力检测点的压力值；

S113，将每个人在每种坐姿下的各个压力检测点的压力值作为一组数据进行保存，并对每组数据进行归一化处理；

S114，将每个人经过归一化处理后的每组数据按坐姿进行分类保存，得到每种坐姿下的BP神经网络训练数据。

如图2-4所示，其中，步骤S12中对BP神经网络训练数据进行BP神经网络训练的具体过程为，

S121，通过BP神经网络结构利用BP神经网路算法分别对每种坐姿下的部分BP神经网络训练数据进行BP神经网络训练，得出初始BP神经网络程序；

S122，利用每种坐姿下的剩余部分BP神经网络训练数据对初始BP神经网络程序进行检测，得出辨识结果，如果辨识结果不在对应的预设坐姿结果的范围之内，则跳转至步骤S121；

S123，循环执行步骤S121和步骤S122，直至辨识结果在对应的预设坐姿结果的范围之内，并保存此时的BP神经网络程序，得到最终用于坐姿检测的BP神经网络程序。

其中，在步骤S123中，还包括对最终用于坐姿检测的BP神经网络程序的精度进行计算，其计算的过程具体为，

采集一组以上已知坐姿下且未用于BP神经网络训练和BP神经网络程序检测的压力数据，通过最终用于坐姿检测的BP神经网络程序分别对一组以上已知坐姿下且未用于BP神经网络训练和BP神经网络程序检测的压力数据进行辨识，并输出辨识结果，将输出的辨识结果与对应的预设坐姿结果的范围进行比对，得出BP神经网络程序的精度数值。

步骤S2具体为，

采集一组未知坐姿下的待测压力数据，通过最终用于坐姿检测的BP神经网络程序对待测压力数据进行辨识，并输出辨识结果，将输出的辨识结果与预设坐姿结果的范围进行比对，得出未知坐姿的坐姿种类。

在本具体实施例中，所述BP神经网络结构与所述压力检测点的个数相匹配，所述压力检测点设有六个，所述神经网络结构为：6输入，1输出，神经元50层。

总结上述各步骤，本发明一种基于神经网络的坐姿检测方法的全程执行过程如图2-5所示，其中，最后的BP神经网络程序应用就是利用保存好的BP神经网络程序进行坐姿检测。

对多组压力数据进行归一化处理的具体过程为，

将每组压力数据中的最小非零数值变为1，每组压力数据中的其余数值以归一化的倍率做等量变换。

在本具体实施例中：

在步骤S111中，分析人体坐骨结构，以及重心等因素，在坐姿检测平台上适当的选取6个预设点，作为压力检测点，6个压力检测点在坐姿检测平台上的分布如图3所示，中间画叉的位置就是6个压力检测点的分布位置；在6个检测点上分别装备薄膜压力传感器，用以检测用户在不同的坐姿下各个点的压力值。

在步骤S112中，邀请不同体型和体重的人进行测试，测出他们在“正坐”“前倾”“后倾”“左倾”“右倾”坐姿下的薄膜压力传感器的压力值；薄膜压力传感器的压力值在在执行下一步前需要将其转换层数字量，形成压力数据，将薄膜压力传感器的压力值变换为数字量形成压力数据采用的方法为：用STM32单片机配合外围滤波电路对薄膜压力传感器采集的压力值进行A/D转换，得到压力数据。

在步骤S113中，保存每次测量的6个压力数据(6个压力数据的排列顺序是固定的)，保存压力数据的格式为txt。对每组压力数据进行归一化处理的具体过程为：将每组压力数据中的最小非零数值变为1，每组压力数据中的其余数值以归一化的倍率做等量变换。例如：测得一个比较胖的人在坐姿检测平台上“正坐”时的六个压力数据为(1.18，1.23，2.34，2.25，1.54，1.68)，归一化的过程为：在这组压力数据中，最小的非零数值是1.18，那么就将1.18变换为1，其余的数值等量变换，即，1.23是1.18的1.04倍，倍率为1.04，那么1.23等量变换后的数值为1*1.04＝1.04，同理，后面的剩下的几个数值也是如此等量变换；再例如：一个比较瘦的人在坐姿检测平台上“正坐”时的六个压力数据为(0.46，0.49，1.34，1.22，0.68，0.86)，归一化的过程为：在这组压力数据中，最小的非零数值是0.46，那么就将0.46变换为1，其余的数值等量变换，即，0.49是0.46的1.06倍，倍率为1.06，那么0.49等量变换后的数值为1*1.06＝1.06，同理，后面的剩下的几个数值也是如此等量变换。归一化处理的目的是消除不同人之间的数据量范围差异，提高后面BP神经网络训练的精度。

在步骤S114中，是将步骤S113中txt里面的压力数据存入到excel表格里(即步骤S114中保存数据的格式是excel)；保存时每行6个数据，作为一组测量值，所有人的某一类坐姿的数据放在一个子表里面(压力数据按坐姿分类)，形成BP神经网络训练数据。

在步骤S12中，设置BP神经网络结构，在BP神经网络结构中嵌入BP神经网络算法，BP神经网络算法采用的是matlab进行编程(matlab软件需要2010以上版本)；Matlab对应的BP神经网络，有专用的工具箱，构建的BP神经网络结构在结构上与图1相似，只是神经元的层数不同且其系数不需要手动调节；

在步骤S121中，构建好的BP神经网络是通过采用部分数据作为“训练”(教学)，部分数据作为“检测”(检验)来自动调整其内部的系数，然后来判断一个BP神经网络系统是否配置完好，以及识别率的高低。BP神经网络大大减少了计算量和调节量，对于系数的调整，是在“训练”阶段自动完成的。对于用户而言，给定一个输入，能得到一个输出就足够，所以BP神经网络自身是个黑盒，但是其内部工作原理，就是自我调整系数，然后调用已经确定的系数，进行分类，预测。

BP神经网络结构的设置是根据压力检测点的个数来设置的，所述BP神经网络结构与所述压力检测点的个数相匹配，即所述神经网络结构为：6输入，1输出，神经元50层。

获得BP神经网络训练数据和BP神经网络构建好后，就可以进行BP神经网络训练和测试；用于BP神经网络训练的部分BP神经网络训练数据占不同坐姿下的全部BP神经网络训练数据的70％，进行BP神经网络程序检测的剩余部分BP神经网络训练数据占不同坐姿下的全部BP神经网络训练数据的30％；即对一种坐姿下的数据进行训练时，只使用这种坐姿下全部数据的70％，另外30％用于测试。

得出最终用于坐姿检测的BP神经网络程序是一个循环的过程，即在训练--测试之间循环，直至最后测试到达要求。循环进行BP神经网络训练所采用的BP神经网络训练数据为原始用于BP神经网络训练的BP神经网络训练数据，循环进行BP神经网络程序测试所采用的BP神经网络训练数据为原始用于BP神经网络程序测试的BP神经网络训练数据。神经网络就像是一个爱学习的孩子，你教她的知识她是不会忘记而且会学以致用的，所以每次采用相同的数据对其进行训练时，都可以得到不同的结果。

在步骤S123中，还包括对最终用于坐姿检测的BP神经网络程序的精度进行计算，其计算的过程具体为，

采集一组以上已知坐姿下且未用于BP神经网络训练和BP神经网络程序检测的压力数据，通过最终用于坐姿检测的BP神经网络程序分别对一组以上已知坐姿下且未用于BP神经网络训练和BP神经网络程序检测的压力数据进行辨识，并输出辨识结果，将输出的辨识结果与对应的预设坐姿结果的范围进行比对，得出BP神经网络程序的精度数值。例如：多次将已知坐姿且未用于训练和测试的压力数据进行辨识，看结果是否正确，判断检测精度；假设我们设定测试输出的结果“0～1.5”为正常坐姿，“1.5～2.5”为左倾坐姿，“2.5～3.5”为右倾坐姿，“3.5～4.5”为前倾坐姿，“4.5～6”为后倾坐姿。如果对于在已知坐姿下验证的输出结果在对应的范围之内，那么检测精度达100％。

BP神经网络也具有初步的自适应与自组织能力，在学习或训练过程中改变突触权重值，以适应周围环境的要求；同一BP神经网络因学习方式及内容不同可具有不同的功能。BP神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境(即输入信号情况)而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。

BP神经网络就像是一个爱学习的孩子，你教她的知识她是不会忘记而且会学以致用的。我们把学习集(Learning Set)中的每个输入加到BP神经网络中，并告诉BP神经网络输出应该是什么分类。在全部学习集都运行完成之后，BP神经网络就根据这些例子总结出她自己的想法，到底她是怎么归纳的就是一个黑盒了；之后我们就可以把测试集(TestingSet)中的测试例子用BP神经网络来分别作测试，如果测试通过(比如80％或90％的正确率)，那么神经网络就构建成功了。我们之后就可以用这个神经网络来判断事务的分类了。本发明就是利用BP神经网络的这一特性行进坐姿检测的。

本发明一种基于神经网络的坐姿检测方法通过设置BP神经网络结构，在BP神经网络结构中嵌入BP神经网络算法，利用已知的多种坐姿下的坐姿数据对BP神经网络进行训练、检测,得出BP神经网络程序，之后就可以用这个训练好的神经网络来判断坐姿的分类，其简化了调节系数的过程，提高了识别度。

基于上述一种基于神经网络的坐姿检测方法，本发明还提供一种基于神经网络的坐姿检测系统。

如图4所示，一种基于神经网络的坐姿检测系统，利用上述所述的一种基于神经网络的坐姿检测方法进行检测，包括BP神经网络模块，所述BP神经网络模块用于利用已知的多种坐姿采样数据对BP神经网络进行训练,得出BP神经网络程序；并通过BP神经网络程序对在未知坐姿下采集的坐姿数据进行辨识，并输出辨识结果，得出未知坐姿的坐姿种类。

具体的：

所述BP神经网络模块包括坐姿检测平台、压力采集单元、归一化处理单元、分类单元、BP神经网络训练单元、BP神经网络程序检测单元和坐姿检测单元，

所述坐姿检测平台，其用于提供一个以上的预设点作为压力检测点；

所述压力采集单元，其用于分别采集不同体型和体重的人在坐姿检测平台上“正坐”、“前倾”、“后倾”、“左倾”和“右倾”时各个压力检测点的压力值；

所述归一化处理单元，其用于将每个人在每种坐姿下的各个压力检测点的压力值作为一组数据进行保存，并对每组数据进行归一化处理；

所述分类单元，其用于将所有人经过归一化处理后的每组数据按坐姿进行分类保存，得到每种坐姿下的BP神经网络训练数据；

所述BP神经网络训练单元，其用于设置BP神经网络结构，在BP神经网络结构中嵌入BP神经网络算法，通过BP神经网络结构利用BP神经网路算法分别对每种坐姿下的部分BP神经网络训练数据进行BP神经网络训练，得出初始BP神经网络程序；

所述BP神经网络程序检测单元，其用于利用每种坐姿下的剩余部分BP神经网络训练数据对初始BP神经网络程序进行检测，得出辨识结果，如果辨识结果不在对应的预设坐姿结果的范围之内，则跳转至所述BP神经网络训练单元中继续进行BP神经网络训练，直至辨识结果在预设坐姿结果的范围之内，并保存此时的BP神经网络程序，得到最终用于坐姿检测的BP神经网络程序；

所述坐姿检测单元，其用于采集一组未知坐姿下的待测压力数据，通过最终用于坐姿检测的BP神经网络程序对待测压力数据进行辨识，并输出辨识结果，将输出的辨识结果与预设坐姿结果的范围进行比对，得出未知坐姿的坐姿种类。

BP神经网络中的系数不需要手动调节，可使用部分数据作为“训练”(教学)，部分数据作为“测试”(检验)，来判断一个神经网络系统是否配置完好，以及识别率的高低；BP神经网络大大减少了计算量和调节量，对于系数的调整，是在“训练”阶段自动完成的；对于用户而言，给定一个输入，能得到一个输出就足够，所以神经网络自身是个黑盒，但是其内部工作原理，就是调整系数，然后调用已经确定的系数，进行分类，预测；基于上述原理，本发明一种基于神经网络的坐姿检测系统通过采集数据，编写BP神经网络算法，设置BP神经网络结构，训练BP神经网络，检测神经网络程序，之后就可以用这个训练好的神经网络来判断坐姿的分类，其简化了调节系数的过程，提高了识别度。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于BP神经网络的坐姿检测方法，其特征在于：包括以下步骤，

S1，构建BP神经网络,利用已知的多种坐姿下的坐姿数据对BP神经网络进行训练,得出BP神经网络程序；

S2，通过BP神经网络程序对在未知坐姿下的坐姿数据进行辨识，并输出辨识结果，得出未知坐姿的坐姿种类。

2.根据权利要求1所述的一种基于BP神经网络的坐姿检测方法，其特征在于：步骤S1具体为，

S11，采集已知的多种坐姿下的多组压力数据，分别对多组压力数据进行归一化处理并按坐姿进行分类保存，得到每种坐姿下的BP神经网络训练数据；

S12，设置BP神经网络结构，在BP神经网络结构中嵌入BP神经网络算法，通过BP神经网络结构利用BP神经网路算法分别对每种坐姿下的BP神经网络训练数据进行BP神经网络训练，得出BP神经网络程序。

3.根据权利要求2所述的一种基于BP神经网络的坐姿检测方法，其特征在于：步骤S11具体为：

S111，在坐姿检测平台上选取一个以上的预设点作为压力检测点；

S112，分别采集不同体型和体重的人在坐姿检测平台上“正坐”、“前倾”、“后倾”、“左倾”和“右倾”时各个压力检测点的压力值；

S113，将每个人在每种坐姿下的各个压力检测点的压力值作为一组数据进行保存，并对每组数据进行归一化处理；

S114，将每个人经过归一化处理后的每组数据按坐姿进行分类保存，得到每种坐姿下的BP神经网络训练数据。

4.根据权利2所述的一种基于BP神经网络的坐姿检测方法，其特征在于：步骤S12中对BP神经网络训练数据进行BP神经网络训练的具体过程为，

S121，通过BP神经网络结构利用BP神经网路算法分别对每种坐姿下的部分BP神经网络训练数据进行BP神经网络训练，得出初始BP神经网络程序；

S122，利用每种坐姿下的剩余部分BP神经网络训练数据对初始BP神经网络程序进行检测，得出辨识结果，如果辨识结果不在对应的预设坐姿结果的范围之内，则跳转至步骤S121；

S123，循环执行步骤S121和步骤S122，直至辨识结果在对应的预设坐姿结果的范围之内，并保存此时的BP神经网络程序，得到最终用于坐姿检测的BP神经网络程序。

5.根据权利要求4所述的一种基于BP神经网络的坐姿检测方法，其特征在于：在步骤S123中，还包括对最终用于坐姿检测的BP神经网络程序的精度进行计算，其计算的过程具体为，

采集一组以上已知坐姿下且未用于BP神经网络训练和BP神经网络程序检测的压力数据，通过最终用于坐姿检测的BP神经网络程序分别对一组以上已知坐姿下且未用于BP神经网络训练和BP神经网络程序检测的压力数据进行辨识，并输出辨识结果，将输出的辨识结果与对应的预设坐姿结果的范围进行比对，得出BP神经网络程序的精度数值。

6.根据权利要求4或5所述的一种基于BP神经网络的坐姿检测方法，其特征在于：步骤S2具体为，

采集一组未知坐姿下的待测压力数据，通过最终用于坐姿检测的BP神经网络程序对待测压力数据进行辨识，并输出辨识结果，将输出的辨识结果与预设坐姿结果的范围进行比对，得出未知坐姿的坐姿种类。

7.根据权利要求3至5任一项所述的一种基于BP神经网络的坐姿检测方法，其特征在于：所述BP神经网络结构与所述压力检测点的个数相匹配，所述压力检测点设有六个，所述神经网络结构为：6输入，1输出，神经元50层。

8.根据权利要求2至5任一项所述的一种基于BP神经网络的坐姿检测方法，其特征在于：对多组压力数据进行归一化处理的具体过程为，

将每组压力数据中的最小非零数值变为1，每组压力数据中的其余数值以归一化的倍率做等量变换。

9.一种基于BP神经网络的坐姿检测系统，其特征在于：利用上述权利要求1至8任一项所述的一种基于BP神经网络的坐姿检测方法进行检测，包括BP神经网络模块，所述BP神经网络模块用于利用已知的多种坐姿采样数据对BP神经网络进行训练,得出BP神经网络程序；并通过BP神经网络程序对在未知坐姿下采集的坐姿数据进行辨识，并输出辨识结果，得出未知坐姿的坐姿种类。

10.根据权利要求9所述的一种基于BP神经网络的坐姿检测系统，其特征在于：所述BP神经网络模块包括坐姿检测平台、压力采集单元、归一化处理单元、分类单元、BP神经网络训练单元、BP神经网络程序检测单元和坐姿检测单元，

所述坐姿检测平台，其用于提供一个以上的预设点作为压力检测点；

所述压力采集单元，其用于分别采集不同体型和体重的人在坐姿检测平台上“正坐”、“前倾”、“后倾”、“左倾”和“右倾”时各个压力检测点的压力值；

所述归一化处理单元，其用于将每个人在每种坐姿下的各个压力检测点的压力值作为一组数据进行保存，并对每组数据进行归一化处理；

所述分类单元，其用于将所有人经过归一化处理后的每组数据按坐姿进行分类保存，得到每种坐姿下的BP神经网络训练数据；

所述BP神经网络训练单元，其用于设置BP神经网络结构，在BP神经网络结构中嵌入BP神经网络算法，通过BP神经网络结构利用BP神经网路算法分别对每种坐姿下的部分BP神经网络训练数据进行BP神经网络训练，得出初始BP神经网络程序；

所述BP神经网络程序检测单元，其用于利用每种坐姿下的剩余部分BP神经网络训练数据对初始BP神经网络程序进行检测，得出辨识结果，如果辨识结果不在对应的预设坐姿结果的范围之内，则跳转至所述BP神经网络训练单元中继续进行BP神经网络训练，直至辨识结果在预设坐姿结果的范围之内，并保存此时的BP神经网络程序，得到最终用于坐姿检测的BP神经网络程序；

所述坐姿检测单元，其用于采集一组未知坐姿下的待测压力数据，通过最终用于坐姿检测的BP神经网络程序对待测压力数据进行辨识，并输出辨识结果，将输出的辨识结果与预设坐姿结果的范围进行比对，得出未知坐姿的坐姿种类。