CN108961447B - 判断座椅是否有人的方法、座椅系统、考勤方法 - Google Patents

Abstract

本发明提供一种判断座椅是否有人的方法、座椅系统、考勤方法，属于考勤技术领域，其可至少部分解决现有的打卡机存在代打可能，且无法确定打卡后员工去向的问题。本发明的判断座椅是否有人的方法包括：获取座椅的实测压力数据，从中得到多个实测样本；利用多个实测样本和抖动模型判断实测压力数据是否由人造成，以确定座椅是否有人。

Description

判断座椅是否有人的方法、座椅系统、考勤方法

技术领域

本发明属于考勤技术领域，具体涉及一种判断座椅是否有人的方法、座椅系统、考勤方法。

背景技术

考勤系统用于记录公司员工上下班的时间。现有考勤系统多为打卡机形式，如工作证打卡、指纹打卡等。

但是，工作证打卡存在为他人代打的可能；而随着指纹膜的诞生，指纹打卡的可靠性也大幅降低。另外，打卡机只能保证在打卡瞬间员工在公司，而无法知道员工在打卡后是否私自离开。

发明内容

本发明至少部分解决现有的打卡机存在代打可能，且无法确定打卡后员工去向的问题，提供一种可避免代打，并可实时监控员工是否在公司的判断座椅是否有人的方法、座椅系统、考勤方法。

解决本发明技术问题所采用的技术方案是一种判断座椅是否有人的方法，其包括：

获取座椅的实测压力数据，从中得到多个实测样本；

利用多个实测样本和抖动模型判断实测压力数据是否由人造成，以确定座椅是否有人。

优选的是，在采集座椅的实测压力数据前，还包括：

通过深度神经网络算法建立抖动模型。

进一步优选的是，所述通过深度神经网络算法建立抖动模型包括：

将多个训练样本输入深度神经网络中训练得到中间模型；

用多个测试样本对中间模型进行测试，若未通过则对中间模型进行修正。

进一步优选的是，所述将多个训练样本输入深度神经网络中训练得到中间模型包括：

从带有标签的训练压力数据中得到多个训练样本，标签表明训练压力数据是否由人造成；

将多个训练样本输入深度神经网络中训练，调整中间模型，以使根据调整后的中间模型做出的判断结果与标签相同。

进一步优选的是，所述用多个测试样本对中间模型进行测试，若未通过则对中间模型进行修正包括：

从带有标签的测试压力数据中得到多个测试样本，标签表明测试压力数据是否由人造成；

利用多个测试样本和中间模型判断测试压力数据是否由人造成，若判断结果与标签不一致，则对测试样本进行傅里叶频率分离，得到多个频段的测试样本，将每个频段中各测试样本的能量加在一起，作为该频段的重要程度，将带有重要程度的多个测试样本输入深度神经网络对中间模型进行修正，以使根据修正后的中间模型做出的判断结果与标签相同。

优选的是，所述样本为预定时间间隔内的压力梯度。

进一步优选的是，所述利用多个样本和模型判断压力数据是否由人造成包括：

计算多个样本与模型间的欧式距离并将其归一化；

判断归一化后的欧式距离是否超过阈值，若是则判断压力是由人造成的，若否则判断压力不是由人造成的。

解决本发明技术问题所采用的技术方案是一种考勤方法，其包括：

通过上述判断座椅是否有人的方法判断被测者的座椅是否有人，认为被测者的座椅有人时到岗。

解决本发明技术问题所采用的技术方案是一种座椅系统，其包括：

座椅；

压力传感器，用于获取座椅所受的压力；

计算单元，用于获取座椅的实测压力数据，从中得到多个实测样本；以及利用多个实测样本和抖动模型判断实测压力数据是否由人造成，以确定座椅是否有人。

优选的是，所述计算单元还用于通过深度神经网络算法建立抖动模型。

附图说明

图1为本发明的实施例的采集的压力数据的示意图；

图2为深度神经网络的结构示意图；

图3为本发明的实施例的一种判断座椅是否有人的方法的流程示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

实施例1：

本实施例提供一种判断座椅是否有人的方法，其包括：

获取座椅的实测压力数据，从中得到多个实测样本。

利用多个实测样本和抖动模型判断实测压力数据是否由人造成，以确定座椅是否有人。

本实施例的方法中，将座椅所受的压力与预先得到的抖动模型进行比较，从而判断出座椅上是否有人。由于人坐在座椅上时压力必然满足特定条件，而这种条件单靠在座椅上放置重物等难以模拟，故通过以上方法可准确的判断出座椅上是否有人，也就是判断出员工是否在公司，其可靠性很高；而且，以上判断可持续进行，从而可持续的监控员工是否在公司，随时避免员工私自外出；另外，一个人只能坐在一个座椅上，故这有效避免了他人代打卡的问题。

实施例2：

如图1至图3所示，本实施例提供一种判断座椅是否有人的方法。

显然，当座椅上没有人时，其所受的压力(包括椅面所受的压力、椅背所受的压力等)必然为0，而如果是有将重物等放在座椅上，则座椅所受压力应当是一个固定值；而当有人坐在座椅上时，由于人不可避免的存在一定的微小活动，故即使人在座椅上坐着不动，座椅所受的压力(即压力值随时间的变化)也会如图1所示呈波动变化，虽然不同人、不同时刻该压力变化不完全一样，但人实际导致的压力变化都符合一个大致的规律。因此，本实施例的方法中，可通过判断座椅的压力是否符合以上大致规律(抖动模型)来判断座椅上是否有人。

优选的，本实施例中提到的压力数据的样本为预定时间间隔内的压力梯度。

由于不同人的体重、坐姿习惯等不同，故其导致的压力的绝对值、压力绝对值与时间的关系曲线等可能有较大差别，不便于直接用于判断。为此，可在得到压力数据后，根据其算出多个不同时间的压力梯度，作判断中使用的样本(本实施例中均以此为例)。

具体的，压力梯度表示一定时间内压力的标化率，例如为两个时间点处的压力值的差除以两个时间点的间隔所得的值。例如，可按照50ms的周期不断采集压力，并设置统计间隔(如每个统计间隔为250ms，包含5个相邻的周期)，再对统计间隔内的多个压力数据进行统计，以它们的均值作为该统计间隔的有效压力，之后，继续根据相邻统计间隔的有效压力的差和统计间隔的时长(如250ms)计算出对应各统计间隔的压力梯度(样本)。

优选的，本实施例中的利用多个样本和模型判断压力数据是否由人造成包括：计算多个样本与模型间的欧式距离并将其归一化；判断归一化后的欧式距离是否超过阈值，若是则判断压力是由人造成的，若否则判断压力不是由人造成的。

也就是说，可根据公式计算多个样本与模型间的欧式距离，其中x为各样本(如实测样本)的压力梯度，而y为模型(如抖动模型)的压力梯度。

之后可根据公式：对欧式距离d进行归一化，其中dmax和dmin分别为d可能出现的最大值和最小值。

最后，将该归一化后的欧式距离score与预设的阈值(如0.8)比较，若其超过阈值则判断压力是由人造成的，若小于阈值则判断压力不是由人造成的。

S1、通过深度神经网络算法建立抖动模型。

也就是说，如图2所示，可预先利用深度神经网络算法，建立判断用的抖动模型。

本步骤具体可包括：将多个训练样本输入深度神经网络中训练得到中间模型；以及，对多个测试样本对中间模型进行测试，若未通过则对中间模型进行修正。

也就是说，可先根据已有的压力数据建立初步的模型(中间模型)。之后，为测试中间模型的泛化能力，可利用已有的压力数据验证该中间模型是否可进行正确的判断，若其判断结果不准确则继续对其进行修正，以得到最终正确的抖动模型。其中：

S11、将多个训练样本输入深度神经网络中训练得到中间模型。本步骤具体包括：

S111、从带有标签的训练压力数据中得到多个训练样本，标签表明训练压力数据是否由人造成。

也就是说，首先在实际观察座椅的情况下测量其压力，并将所得压力分为多个训练压力数据。由于此过程中一直在观察奏议，故每个训练压力数据对应的时间段内座椅是否有人(可为是否整体有人，即该时间段内的大部分时间座椅是否有人)是可知的，而该是否有人的状态即为该训练压力数据的标签。

之后，从每个训练压力数据中得到多个训练样本，即根据压力计算得到多个压力梯度。

S112、将多个训练样本输入深度神经网络中训练，调整中间模型，以使根据调整后的中间模型做出的判断结果与标签相同。

也就是说，将一个训练压力数据的多个训练样本(压力梯度)输入深度神经网络中进行训练，即告知深度神经网络这些训练样本对应的是有人或无人的状况，以供深度神经网络调整中间模型的参数，最终保证根据调整后的中间模型和训练样本可做出正确的判断。

S113、重复S112步骤，直到用所有训练压力数据都进行了训练。

S12、用多个测试样本对中间模型进行测试，若未通过则对中间模型进行修正。本步骤具体包括：

S121、从带有标签的测试压力数据中得到多个测试样本，标签表明测试压力数据是否由人造成。

也就是说，再次采集一些确定有人或无人的压力数据作为测试压力数据，并得出相应的测试样本(压力梯度)。

当然，此时的测试压力数据与之前的训练压力数据不能相同。例如，可连续测量3小时内的压力数据，以每10分钟内的压力数据为一组数据，其中前6组数据作为6个训练压力数据，后12组数据作为12个测试压力数据。

S122、利用多个测试样本和中间模型判断测试压力数据是否由人造成。

也就是说，实际将一个测试压力数据的测试样本(压力梯度)与当前的中间模型进行比较，根据当前的中间模型做出该测试压力数据是否是由人导致的判断结果，并将判断结果与标签比较，以测试当前中间模型的判断结果是否准确。

S123、若判断结果与标签一致，则表示本次测试通过。

S124、若判断结果与标签不一致，则对测试样本进行傅里叶频率分离，得到多个频段的测试样本，将每个频段中各测试样本的能量加在一起，作为该频段的重要程度，将带有重要程度的多个测试样本输入深度神经网络对中间模型进行修正，以使根据修正后的中间模型做出的判断结果与标签相同。

也就是说，当判断结果与标签不一致时，则表示针对该测试压力数据，当前的中间模型的判断会出现错误，故需要对其进行修正。具体的，为使深度神经网络可更好的处理测试样本，可对测试样本进行傅里叶(Fourier Transform)频率分离，从而得到多个频段(frequency band)的测试样本，并将每个频段中各测试样本的能量(压力梯度数据)加在一起，以所得数值作为各频段的重要程度，之后再将测试样本输入深度神经网络对中间模型进行修正，得到修正后的中间模型。

S125、重复S122至S124步骤，直到完成对所有测试压力数据的测试，以此时的中间模型作为抖动模型(最优模型)。

S2、获取座椅的实测压力数据，从中得到多个实测样本。

也就是说，在建立好抖动模型后，可在座椅上实际测量得到压力数据(如10分钟内的压力数据)。

S3、利用多个实测样本和抖动模型判断实测压力数据是否由人造成，以确定座椅是否有人。

也就是说，根据以上实测压力数据的实测样本(压力梯度)和抖动模型判断该实测压力数据的时间范围内，座椅上是否有人，最为实际的判断结果(即不再是测试)。

实施例2：

本实施例提供一种考勤方法，其包括：

通过上述方法判断被测者的座椅是否有人，并在被测者的座椅有人时判断被测者到岗。

也就是说，可根据以上方法确定座椅是否有人，若座椅有人则认为座椅的主人正坐在座椅上，已到公司，并以此作为考勤的依据。

当然，即使员工到了公司也不可能一直坐在椅子上，同时也会出现员工临时坐在其它人座椅上等情况，因此，最终的考勤情况应根据较长时间内座椅是否有人的结果综合确定，例如，若1小时内有50分钟以上的时间座椅有人，则可认为该时间段内员工一直在公司。

实施例2：

本实施例提供一种座椅系统，其包括：

座椅；

压力传感器，用于获取座椅所受的压力；

计算单元(其可为公司的服务器)，用于获取座椅的实测压力数据(如通过蓝牙、wifi等方式)，从中得到多个实测样本；以及利用多个实测样本和抖动模型判断实测压力数据是否由人造成，以确定座椅是否有人。

优选的，计算单元还用于通过深度神经网络算法建立抖动模型。

本实施例的座椅系统可执行上述方法，从而可判断出座椅上是否有人，并可作为考勤依据。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (6)

1.一种判断座椅是否有人的方法，其特征在于，包括：

获取座椅的实测压力数据，从中得到多个实测样本；

利用多个实测样本和抖动模型判断实测压力数据是否由人造成，以确定座椅是否有人；

在采集座椅的实测压力数据前，还包括：

通过深度神经网络算法建立抖动模型；

所述通过深度神经网络算法建立抖动模型包括：

将多个训练样本输入深度神经网络中训练得到中间模型；

用多个测试样本对中间模型进行测试，若未通过则对中间模型进行修正；

所述用多个测试样本对中间模型进行测试，若未通过则对中间模型进行修正包括：

从带有标签的测试压力数据中得到多个测试样本，标签表明测试压力数据是否由人造成；

利用多个测试样本和中间模型判断测试压力数据是否由人造成，若判断结果与标签不一致，则对测试样本进行傅里叶频率分离，得到多个频段的测试样本，将每个频段中各测试样本的能量加在一起，作为该频段的重要程度，将带有重要程度的多个测试样本输入深度神经网络对中间模型进行修正，以使根据修正后的中间模型做出的判断结果与标签相同。

2.根据权利要求1所述的判断座椅是否有人的方法，其特征在于，所述将多个训练样本输入深度神经网络中训练得到中间模型包括：

从带有标签的训练压力数据中得到多个训练样本，标签表明训练压力数据是否由人造成；

将多个训练样本输入深度神经网络中训练，调整中间模型，以使根据调整后的中间模型做出的判断结果与标签相同。

3.根据权利要求1至2中任意一项所述的判断座椅是否有人的方法，其特征在于，

所述样本为预定时间间隔内的压力梯度。

4.根据权利要求3所述的判断座椅是否有人的方法，其特征在于，所述利用多个实测样本和模型判断压力数据是否由人造成包括：

计算多个实测样本与模型间的欧式距离并将其归一化；

判断归一化后的欧式距离是否超过阈值，若是则判断压力是由人造成的，若否则判断压力不是由人造成的。

5.一种考勤方法，其特征在于，包括：

通过权利要求1至4中任意一项所述的判断座椅是否有人的方法判断被测者的座椅是否有人，并在被测者的座椅有人时判断被测者到岗。

6.一种座椅系统，其特征在于，包括：

座椅；

压力传感器，用于获取座椅所受的压力；

计算单元，用于获取座椅的实测压力数据，从中得到多个实测样本；以及利用多个实测样本和抖动模型判断实测压力数据是否由人造成，以确定座椅是否有人；

所述计算单元还用于通过深度神经网络算法建立抖动模型；

所述通过深度神经网络算法建立抖动模型包括：

将多个训练样本输入深度神经网络中训练得到中间模型；

用多个测试样本对中间模型进行测试，若未通过则对中间模型进行修正；

所述用多个测试样本对中间模型进行测试，若未通过则对中间模型进行修正包括：

从带有标签的测试压力数据中得到多个测试样本，标签表明测试压力数据是否由人造成；

利用多个测试样本和中间模型判断测试压力数据是否由人造成，若判断结果与标签不一致，则对测试样本进行傅里叶频率分离，得到多个频段的测试样本，将每个频段中各测试样本的能量加在一起，作为该频段的重要程度，将带有重要程度的多个测试样本输入深度神经网络对中间模型进行修正，以使根据修正后的中间模型做出的判断结果与标签相同。