CN111028488A - 一种基于pso-svm的智能久坐提醒的方法 - Google Patents

Abstract

本发明公开了一种基于PSO‑SVM的智能久坐提醒的方法，包括：获取被测对象指定部位的加速度数据、角速度数据以及各数据对应的时间点，并对加速度数据和角速度数据进行预处理；对预处理后的角速度数据进行姿态解算得到欧拉角；基于探测算法提取预处理后的加速度数据中的波峰数据和波谷数据，根据提取的波峰数据和波谷数据计算被测对象动作前后指定部位的高度差；将欧拉角和高度差作为特征值输入至预训练的PSO‑SVM分类模型中，识别被测对象当前的动作状态，并根据识别得到的动作状态进行久坐提醒处理。本发明的基于PSO‑SVM的智能久坐提醒的方法，对被测对象进行准确的动作状态识别，根据动作状态实现智能久坐计时和提醒处理。

Description

一种基于PSO-SVM的智能久坐提醒的方法

技术领域

本申请属于计算机识别技术领域，具体涉及一种基于PSO-SVM的智能久坐提醒的方法。

背景技术

自进入互联网时代以来，人类将越来越多的时间花在学习和工作上，这也造成了久坐的现象越来越普遍。国内外临床研究发现，长时间的久坐不仅会造成人的肌肉和韧带处于紧张状态，极易导致颈肩腰的酸疼，长此以往还会导致人体受压部位的血液循环减慢，加剧心脏的负荷，增加了引发心血管疾病发生的风险。因此对于长期久坐群体而言，智能的久坐提醒很有必要。

对于久坐提醒比较传统的解决方案是利用周期性固定时间进行久坐提醒。这类解决方案非常原始粗糙，无法适应用户的状态改变。尽管目前随着智能新技术的利用，但是对通过动作智能识别进行久坐计时和提醒的方法还是较为稀少。

现有技术如专利申请号为CN201710643444.0的“一种久坐提醒方法、装置和手腕式久坐提醒器”的中国发明专利，该发明通过合成加速度判断是否为空闲和非空闲状态，若为空闲状态则累计久坐时间，若判断为走路计步状态，则为非空闲的状态并将久坐时间清零。该发明简单的将人体的运动归类于空闲状态和非空闲状态，并且直接将空闲状态直接视为坐姿状态，导致无法识别站立、弯腰、起身、落座等动作和状态，难以满足对运动场景的智能识别，进而实现智能久坐提醒的目的。

又如专利申请号为CN201810168483.4的“一种久坐智能提醒方法和系统”的中国发明专利，该发明基于图像识别技术通过摄像头对电脑前的用户的状态进行多帧图像的采集，当识别为落座状态则进行久坐计时，若超过久坐时长则进行纠正提醒。这类基于图像识别的智能久坐提醒技术虽然比前者专利方案更加智能，但是因为图像识别技术不仅容易受到环境光线的影响，还会因为摄像头安装固定导致使用场所单一，无法满足学生群体进行纠正提醒。此外，还因为摄像头需要进行连续的图像采集，对用户的个人隐私存在巨大的安全隐患。

发明内容

本申请的目的在于提供一种基于PSO-SVM的智能久坐提醒的方法，对被测对象进行准确的动作状态识别，根据动作状态实现智能久坐计时和提醒处理。

为实现上述目的，本申请所采取的技术方案为：

一种基于PSO-SVM的智能久坐提醒的方法，用于根据被测对象的动作状态进行智能久坐提醒，所述动作状态包括起身动作和落座动作，所述基于PSO-SVM的智能久坐提醒的方法，包括：

步骤S1、获取被测对象指定部位的加速度数据、角速度数据以及各数据对应的时间点，并对角速度数据进行预处理；

步骤S2、对预处理后的角速度数据进行姿态解算得到欧拉角；

步骤S3、基于探测算法提取加速度数据中的波峰数据和波谷数据，包括：

提取的波峰数据满足以下关系式：

F(x)≥F(x-1)&&F(x)＞F(x+1)

提取的波谷数据满足以下关系式：

F(x)≤F(x-1)&&F(x)＜F(x+1)

式中，F(x)表示加速度数据中的第x个数据，F(x-1)表示加速度数据中的第x-1个数据，F(x+1)表示加速度数据中的第x+1个数据；

步骤S4、对提取的波峰数据和波谷数据进行预处理，并根据预处理后的波峰数据和波谷数据计算被测对象指定部位的动作前后的高度差；

步骤S5、将欧拉角和高度差作为特征值输入至预训练的PSO-SVM分类模型中，识别被测对象当前的动作状态，并根据识别得到的动作状态进行久坐提醒处理。

作为优选，所述根据预处理后的波峰数据和波谷数据计算被测对象指定部位的动作前后的高度差，包括：

根据波峰数据和波谷数据对应的加速度计算动作开始时的初速度v_intial如下：

其中，t_max为动作过程中加速度最大值对应的时间点，a_y(t)为时间点t对应的加速度在y轴上的分量；

根据初速度v_intial计算被测对象在动作结束后的高度Height如下：

其中，ξ、ψ为预设系数，v_intial为动作开始时的初速度，t_E为动作持续时长的一半值，g为重力加速度，h₀为动作过程中的初始高度，默认h₀取值为0，Height为动作过程前后的高度差。

作为优选，所述预训练的PSO-SVM分类模型的建立过程，包括：

通过非线性映射，将样本空间映射至高维的特征空间中，在高维的特征空间中实现线性分类，构建SVM分类模型；

利用训练样本的特征值通过PSO算法对SVM分类模型中的惩罚因子C和核函数参数σ进行优化，将获得的最优的惩罚因子C和核函数参数σ输入至SVM分类模型中，得到预训练的PSO-SVM分类模型；

其中所述PSO算法的学习因子c₁和c₂通过如下公式动态赋值：

其中，c_1int和c_2int分别为学习因子c₁和c₂的初始值，c_1fin和c_2fin的分别为c₁和c₂的迭代终值，d_max为PSO算法的最大迭代次数；d为PSO算法的当前迭代次数。

作为优选，所述被测对象的指定部位包括人体上半身不同高度的两个部位；所述将欧拉角和高度差作为特征值输入至预训练的PSO-SVM分类模型中，包括：

两个部位解算得到同一时间点的两个不同欧拉角，对每一时间点的两个欧拉角进行加减处理得到该时间点下被测对象上半身的弯曲幅度；

将该组弯曲幅度和高度差输入至预训练的PSO-SVM分类模型中。

作为优选，所述根据识别得到的动作状态进行久坐提醒处理，包括：

若识别得到的动作状态为起身动作，则停止久坐计时，并记录当前久坐计时的累计时长t_j＝t₁；

若识别得到的动作状态为落座动作，则获取上次起身动作的时间点，若上次起身动作的时间点为空，则从t_j＝0开始进行久坐计时；若上次起身动作的时间点不为空，则计算上次起身动作与本次落座动作之间的时间间隔Δt，若时间间隔Δt大于阈值M₁，则从t_j＝0开始重新进行久坐计时；否则从上次起身动作记录的累计时长t_j＝t₁开始继续累计久坐计时；

比较当前久坐计时的累计时长t_j与久坐提醒阈值M₂，若当前久坐计时的累计时长t_j大于久坐提醒阈值M₂，则产生报警信号，提醒被测对象久坐时间过长；否则继续累计本次久坐计时。

本申请提供的基于PSO-SVM的智能久坐提醒的方法，利用双惯性传感器提高了数据采集的精度，通过改进的探测算法提高了对起身和动作片段信息的采样，相比传统的方法相比，数据采集的范围和深度都有较大的提高。并且利用改进后的PSO算法优化SVM分类模型，得到寻优能力和效率更高的PSO-SVM分类模型，与现有技术中的PSO-SVM分类模型相比，提高了分类器的敏感度，使动作状态识别更加精准，以便于对被测对象进行准确的久坐计时。

附图说明

图1为本申请的PSO-SVM的智能久坐提醒的方法的流程图；

图2为本申请的根据动作状态进行久坐提醒处理的流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

如图1所示，其中一个实施例中，公开了一种基于PSO-SVM的智能久坐提醒的方法，用于根据被测对象的动作状态进行智能久坐提醒，克服了当前久坐提醒无法准确识别被测对象的动作状态的问题，提高了久坐提醒的准确率和有效性。

从活动状态来看，在办公或学习场景下，人体的日常活动状态包括：站、坐、走等活动状态。对于久坐提醒而言，站与走可归属于同一状态，坐归属于另一状态，因此，本实施例的久坐提醒主要识别的动作状态包括起身动作和落座动作。

人体在起身开始阶段，需要产生一个向上的加速度，从而使身体能够离开座椅表面，进而站立起来，因此起身的加速度峰值产生于动作的前半段时间；人体在落座过程中，身体与座椅表面接触，会因力的相互作用产生一个加速度，这个加速度的峰值产生于落座动作过程的后半段。并且人体站立和坐姿状态下高度和身体躯干的倾角不同，因此，可根据起身动作和落座动作的动作特征区分两者。

基于起身动作和落座动作的动作特征，本实施例建立的基于PSO-SVM的智能久坐提醒的方法，包括：

步骤S1、获取被测对象指定部位的加速度数据、角速度数据以及各数据对应的时间点，并对角速度数据进行预处理。由于在人体动作变化过程中，上半身的变化较大，故本实施例中将指定部位设置在人体的上半身。在指定部位的数量设定时，指定部位可以是上半身的一个部位，或上半身的两个部位，或者上半身两个以上部位。

在动作过程中，脊柱的胸椎和颈椎部位的变化较大也便于采集数据，故本实施例中被测对象的指定部位包括脊柱的胸椎和颈椎部位。

在数据采集时，本实施例采用双惯性传感器对指定部位进行数据采集。在其他实施例中，也可以使用独立的加速度计和陀螺仪分别进行数据采集。

人体日常活动的频率通常小于20Hz，加速度范围主要是[12g～12g]，腰部的位置的加速度量程为[-6g～6g]。故在进行数据预处理时，根据人体活动特征的正常范围对采集的原数据进行去噪处理，过滤干扰信号，完成预处理。

步骤S2、对预处理后的角速度数据进行姿态解算得到欧拉角。

为了便于后续计算，本实施例中采用四元数解算的方法分别解算出传感器X、Y、Z轴的欧拉角。

步骤S3、基于探测算法提取加速度数据中的波峰数据和波谷数据。

探测算法能够对动作的开始、结束以及动作中间停滞状态的开始有良好的识别精度，其原理来源于一些曲线变化趋近于零的点，从离散角度来说，波峰数据(Peak)应该满足：

波谷数据(Trough)应该满足：

式中，F(x)表示加速度数据中的第x个数据，F(x-1)表示加速度数据中的第x-1个数据，F(x+1)表示加速度数据中的第x+1个数据。

但是，传统的Peak和Trough的探测算法无法满足梯形类型的波峰和波谷，因此本实施例在传统的探测算法基础上进行改进，对探测算法改进后能够对起身和落座的动作过程中的波峰数据和波谷数据进行有效的探测。

改进后的探测算法提取的波峰数据满足以下关系式：

F(x)≥F(x-1)&&F(x)＞F(x+1) (3)

改进后的探测算法提取的波谷数据满足以下关系式：

F(x)≤F(x-1)&&F(x)＜F(x+1) (4)

式中，F(x)表示加速度数据中的第x个数据，F(x-1)表示加速度数据中的第x-1个数据，F(x+1)表示加速度数据中的第x+1个数据。

步骤S4、对提取的波峰数据和波谷数据进行预处理，并根据预处理后的波峰数据和波谷数据计算被测对象指定部位的动作前后的高度差。

在对原数据进行预处理时，若先对加速度数据进行预处理，然后再利用探测算法提取波峰数据和波谷数据时可能会造成有效数据的损失。故本实施例中采用先对加速度数据提取，后对提取的波峰数据和波谷数据进行预处理，以提高去躁处理的效果，并最大程度保留有效数据。预处理仍根据人体活动特征的正常范围进行去噪处理。

需要说明的是，由于角速度数据不存在根据数据关系提取数据片段的过程，故本实施例中在处理角速度数据时，直接先进行预处理，再进行姿态解算。

基于加速度信号的高度估计思想来源于物理学中利用加速度测量距离的原理。在本实施例中通过对加速度信号的预处理，并通过对动作片段的信号截取估计被测对象动作后的高度差，作为判断被测对象当前动作状态的依据。由于在动作过程中两个部位的高度变化一致，故可根据其中一个部位的加速度数据进行高度差计算。具体的，高度差计算包括：

根据波峰数据和波谷数据对应的加速度计算动作开始时的初速度v_intial如下：

其中，t_max为动作过程中加速度最大值对应的时间点，a_y(t)为时间点t对应的加速度在y轴上的分量。

根据初速度v_intial计算被测对象在动作结束后的高度Height如下：

其中，ξ、ψ为预设系数，v_intial为动作开始时的初速度，t_E为动作持续时长的一半值，g为重力加速度，h₀为动作过程中的初始高度。

则Height减去h₀得到的即为高度差，默认h₀取值为0，Height视为动作过程前后的高度差。

理想状态下，由于两个不同部位均位于人体的上半身，故在人体动作前后，两个部分的高度变化应相同，即具有相同的高度差。因此为了降低计算时间，可采用一个部位的加速度数据来计算高度差。但在实施中可能由于人体部位不同、动作过程的复杂性造成两个部位的高度变化不同，此时可分别根据每个部位的加速度数据计算每个部位对应的高度差，若两个高度差的差值小于阈值，则可取任意一个高度差作为动作判断依据；反之对两个高度差进行处理，例如取两个高度差的均值作为动作判断依据。

步骤S5、将欧拉角和高度差作为特征值输入至预训练的PSO-SVM分类模型中，识别被测对象当前的动作状态，并根据识别得到的动作状态进行久坐提醒处理。

本实施例基于欧拉角和高度差作为PSO-SVM分类模型的输入，从而得到最终的动作状态。分类时可采用现有的PSO-SVM分类模型，在一个实施例中为了得到更好的分类效果，重新构建PSO-SVM分类模型，其中，预训练的PSO-SVM分类模型的建立过程，包括：

1)通过非线性映射，将样本空间映射至高维的特征空间中，在高维的特征空间中实现线性分类，构建SVM分类模型。

本实施例的非线性映射采用高斯核函数实现，最终得到的SVM分类模型的数学表达公式如下：

其中，sgn为函数符号，

为高斯核函数；σ核函数参数，x_j为函数的中心点。

2)因为核函数的参数选取对分类器的识别精度会产生较大的影响，因此本实施例采用PSO算法实现对SVM分类模型的参数进行优化，进而提高分类识别的准确度。

粒子群优化算法(Particle Swarm Optimization，简称PSO)在优化参数领域是一种常用的优化算法。PSO算法通过个体间的协作与竞争，实现复杂空间中最优解的搜索。每个粒子在解空间中运动，并由一个速度确定其方向和距离。通常粒子追随当前的最优粒子而动，并经逐代搜索得到最优解。在每一代中粒子跟踪两个极值，一个为粒子本身迄今找到的最优解pbest，另一为全种群迄今找到的最优解gbest。

对于每个粒子，v_i＝(v₁,v₂,...,v_iD),i＝1,2,...,m，m表示粒子个数，表示粒子i的飞行速度的矢量，p_pbest＝(p_i1,p_i2,...,p_iD),i＝1,2,...,m表示粒子i的经验最优位置，p_gbest＝(p_g1,p_g2,...,p_gD)表示整个种群搜索到的经验最优位置。

在粒子群搜索的每一次迭代更新中，粒子会通过公式(9)来更新自己的速度与位置：

其中，i＝1,2,...,m；w控制了历史速度对当前的影响，表示惯性权重；c₁和c₂为学习因子，分别代表个体经验值对速度的影响和群体经验值对速度的影响；rand()产生[0,1]的随机数。

PSO算法需要对公式(9)中的学习因子c₁和c₂的取值进行设定，现有技术中一般根据经验提前进行参数设定(一般在0～4之间)，但这种做法会使PSO算法的寻优能力造成损失。本实施例对PSO算法的寻优能力有高需求，因此本实施例提出结合工程实际对PSO算法的学习因子c₁和c₂的进行动态赋值。

对学习因子c₁和c₂的进行动态赋值能够对传统的PSO算法进行改进，使PSO算法在开始阶段具有较强的自我学习能力，减缓寻优速度，加强全局优化能力，使优化过程更容易找到全局最优解。

PSO算法的学习因子c₁和c₂通过如下公式动态赋值：

其中，c_1int和c_2int分别为学习因子c₁和c₂的初始值，c_1fin和c_2fin的分别为c₁和c₂的迭代终值，d_max为PSO算法的最大迭代次数；d为PSO算法的当前迭代次数。本实例中结合实际需求，为了取得更好的效果对学习因子的初始值c_1int与c_2int和迭代终值c_1fin与c_2fin进行预设。

3)得到较优的PSO算法后，利用训练样本的特征值通过PSO算法对SVM分类模型中的惩罚因子C和核函数参数σ进行优化，得到改进型PSO-SVM模型，包括：

3.1)令每一个PSO粒子代表SVM分类模型的一组参数，并将该组参数下的SVM分类模型的分类准确度作为粒子的适应度函数，则可得其公式如下：

其中，f_fitness为适应度函数，n为训练样本的数量。

3.2)生成训练样本集和测试样本集，可按照LIBSVM软件包的要求搭建分类器进行数据分类识别所需要的训练样本集和测试样本集。

3.3)PSO算法的参数初始化，设PSO算法参数w＝0.8，c_1int＝2.5，c_2int＝0.5，种群规模为50，最大迭代次数d_max＝500，解二维空间，惩罚因子c∈[0.01,500]和核函数参数σ∈[0.01,10]。

3.4)设置随机粒子的初始速度和位置：，并将每个粒子的p_pbest设为当前位置，p_gbest设为群体中位置最好的粒子位置。

3.5)采用训练样本集训练SVM分类模型，并根据适应度函数更新粒子的适应度值。

3.6)将粒子的适应度值与p_pbesti和p_gbest进行比较，得到粒子位置的优劣，并根据比较结果按照公式(9)更新速度和位置以替换较为劣势的位置。

3.7)如果未满足算法终止的条件，则返回步骤3.4继续迭代；否则输出最优解，即最优的惩罚因子C和核函数参数σ。

注：算法的终止条件为达到最大迭代次数d_max。

将获得的最优的惩罚因子C和核函数参数σ输入至SVM分类模型中，利用测试样本集验证PSO-SVM分类模型是否满足要求，若满足要求则得到预训练的PSO-SVM分类模型；否则继续利用训练样本的特征值通过PSO算法对SVM分类模型中的惩罚因子C和核函数参数σ进行优化。

本实施例基于PSO-SVM的智能久坐提醒的方法应用在要求不高的场合时，可采用现有的PSO-SVM分类模型进行动作状态识别，但优选采用本实施例的改进型PSO-SVM分类模型，即利用学习因子c₁和c₂为动态赋值的PSO算法优化的SVM分类模型。

当采用PSO-SVM分类模型得到分类结果后，根据识别得到的动作状态进行久坐提醒处理，久坐提醒处理可采用现有技术中常用的方式，例如：在检测到落座动作开始计时，在检测到起身动作清空并停止计时，并在开始计时后判断计时累计时长是否超过阈值，若超过则进行报警提醒；否则继续监测。

如图2所示，为了达到更合理的久坐提醒处理，在一个实施例中，提供一种久坐提醒处理方式，包括：

若识别得到的动作状态为起身动作，则停止久坐计时，并记录当前久坐计时的累计时长t_j＝t₁。

若识别得到的动作状态为落座动作，则获取上次起身动作的时间点，若上次起身动作的时间点为空，则从t_j＝0开始进行久坐计时；若上次起身动作的时间点不为空，则计算上次起身动作与本次落座动作之间的时间间隔Δt，若时间间隔Δt大于阈值M₁，则从t_j＝0开始重新进行久坐计时；否则从上次起身动作记录的累计时长t_j＝t₁开始继续累计久坐计时。

比较当前久坐计时的累计时长t_j与久坐提醒阈值M₂，若当前久坐计时的累计时长t_j大于久坐提醒阈值M₂，则产生报警信号，提醒被测对象久坐时间过长；否则继续累计本次久坐计时。

本实施例中为了提高久坐提醒的合理性，将阈值M₁设为2分钟，将阈值M₂设为120分钟。并且产生报警信号可以是振动、语音、图文等形式。在产生报警信号后，被测对象需要起身并且维持时间大于阈值M₁，报警才能自动解除，并继续监测被测对象的动作变化。在其他实施例中，也可以设置报警信号持续预设时间，或允许被测对象主动关闭报警。

本实施例的久坐提醒处理，将时间间隔较短的起身和落座动作识别为未真正起身，严格控制被测对象的起身时间，不仅实现久坐提醒，还可提高了被测对象的起身活动效果，更加能够从被测对象的健康方面进行考虑，具有较大的使用推广意义。

本实施例中利用双惯性传感器提高了数据采集的精度，通过改进的探测算法提高了对起身和动作片段信息的采样，相比传统的方法相比，数据采集的范围和深度都有较大的提高。并且利用改进后的PSO算法优化SVM分类模型，得到寻优能力和效率更高的PSO-SVM分类模型，与现有技术中的PSO-SVM分类模型相比，提高了分类器的敏感度，使动作状态识别更加精准，以便于对被测对象进行准确的久坐计时。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于PSO-SVM的智能久坐提醒的方法，用于根据被测对象的动作状态进行智能久坐提醒，其特征在于，所述动作状态包括起身动作和落座动作，所述基于PSO-SVM的智能久坐提醒的方法，包括：

步骤S1、获取被测对象指定部位的加速度数据、角速度数据以及各数据对应的时间点，并对角速度数据进行预处理；

步骤S2、对预处理后的角速度数据进行姿态解算得到欧拉角；

步骤S3、基于探测算法提取加速度数据中的波峰数据和波谷数据，包括：

提取的波峰数据满足以下关系式：

F(x)≥F(x-1)&&F(x)＞F(x+1)

提取的波谷数据满足以下关系式：

F(x)≤F(x-1)&&F(x)＜F(x+1)

式中，F(x)表示加速度数据中的第x个数据，F(x-1)表示加速度数据中的第x-1个数据，F(x+1)表示加速度数据中的第x+1个数据；

步骤S4、对提取的波峰数据和波谷数据进行预处理，并根据预处理后的波峰数据和波谷数据计算被测对象指定部位的动作前后的高度差；

步骤S5、将欧拉角和高度差作为特征值输入至预训练的PSO-SVM分类模型中，识别被测对象当前的动作状态，并根据识别得到的动作状态进行久坐提醒处理。

2.如权利要求1所述的基于PSO-SVM的智能久坐提醒的方法，其特征在于，所述根据预处理后的波峰数据和波谷数据计算被测对象指定部位的动作前后的高度差，包括：

根据波峰数据和波谷数据对应的加速度计算动作开始时的初速度v_intial如下：

其中，t_max为动作过程中加速度最大值对应的时间点，a_y(t)为时间点t对应的加速度在y轴上的分量；

根据初速度v_intial计算被测对象在动作结束后的高度Height如下：

其中，ξ、ψ为预设系数，v_intial为动作开始时的初速度，t_E为动作持续时长的一半值，g为重力加速度，h₀为动作过程中的初始高度，默认h₀取值为0，Height为动作过程前后的高度差。

3.如权利要求1所述的基于PSO-SVM的智能久坐提醒的方法，其特征在于，所述预训练的PSO-SVM分类模型的建立过程，包括：

通过非线性映射，将样本空间映射至高维的特征空间中，在高维的特征空间中实现线性分类，构建SVM分类模型；

利用训练样本的特征值通过PSO算法对SVM分类模型中的惩罚因子C和核函数参数σ进行优化，将获得的最优的惩罚因子C和核函数参数σ输入至SVM分类模型中，得到预训练的PSO-SVM分类模型；

其中所述PSO算法的学习因子c₁和c₂通过如下公式动态赋值：

其中，c_1int和c_2int分别为学习因子c₁和c₂的初始值，c_1fin和c_2fin的分别为c₁和c₂的迭代终值，d_max为PSO算法的最大迭代次数；d为PSO算法的当前迭代次数。

4.如权利要求1所述的基于PSO-SVM的智能久坐提醒的方法，其特征在于，所述被测对象的指定部位包括人体上半身不同高度的两个部位；所述将欧拉角和高度差作为特征值输入至预训练的PSO-SVM分类模型中，包括：

两个部位解算得到同一时间点的两个不同欧拉角，对每一时间点的两个欧拉角进行加减处理得到该时间点下被测对象上半身的弯曲幅度；

将该组弯曲幅度和高度差输入至预训练的PSO-SVM分类模型中。

5.如权利要求1所述的基于PSO-SVM的智能久坐提醒的方法，其特征在于，所述根据识别得到的动作状态进行久坐提醒处理，包括：

若识别得到的动作状态为起身动作，则停止久坐计时，并记录当前久坐计时的累计时长t_j＝t₁；

若识别得到的动作状态为落座动作，则获取上次起身动作的时间点，若上次起身动作的时间点为空，则从t_j＝0开始进行久坐计时；若上次起身动作的时间点不为空，则计算上次起身动作与本次落座动作之间的时间间隔Δt，若时间间隔Δt大于阈值M₁，则从t_j＝0开始重新进行久坐计时；否则从上次起身动作记录的累计时长t_j＝t₁开始继续累计久坐计时；

比较当前久坐计时的累计时长t_j与久坐提醒阈值M₂，若当前久坐计时的累计时长t_j大于久坐提醒阈值M₂，则产生报警信号，提醒被测对象久坐时间过长；否则继续累计本次久坐计时。

Images