CN111178313B - 一种监督用户坐姿的方法及设备 - Google Patents

Abstract

本申请公开了一种监督用户坐姿的方法及设备。该方法可以用来识别、分类用户的坐姿类型，并提醒用户及时调整坐姿。具体方法为：采集用户的坐姿图像，再将预处理后的坐姿图像数据输入到目标坐姿分类模型中，实现用户坐姿类型的自动识别分类。当判断当前用户坐姿分类结果为非正确坐姿时，发出提醒信号，提醒用户及时调整坐姿为正确坐姿。其中，目标坐姿分类模型是基于机器学习算法，使用样本图像数据，对初始坐姿分类模型进行训练得到的可信模型。监督用户坐姿的设备包括图像采集模块，处理控制模块，提醒模块和存储模块，使用上述方法对用户坐姿进行识别并提醒。

Description

一种监督用户坐姿的方法及设备

技术领域

本申请涉及电子技术领域，特别涉及一种监督用户坐姿的方法及设备。

背景技术

坐姿不正是造成青少年视力缺陷和脊椎侧弯的主要原因。如今我国中小学生每天6小时以上需要坐着写字或阅读，青少年在成长过程当中坐姿非常关键。青少年的身体正处在发育的敏感期和关键期，这个时候坐姿不正，非常容易造成眼球的过度负担以及脊椎的不良弯曲，给青少年正常的成长发育造成一定的生理危害，甚至影响孩子的自信心理。

青少年往往自我控制力比较差，很多青少年喜欢趴在桌子上看书阅读，长此以往，便容易造成视力下降和脊椎侧弯等危害。在老师或者家长的提醒下，会更注意坐姿，一旦独处疏于提醒时，就会疏忽坐姿。如果能够有人在旁提醒其及时纠正坐姿，将能够有效预防坐姿不正造成的视力受损和弯腰驼背。一直有人在旁监督提醒显然不容易实现，实现坐姿监督的自动化对避免由于坐姿不正造成的身体危害有重要意义。

发明内容

近年来我国青少年的近视和脊椎侧弯发病率逐年增加。除了小部分人群为先天性发育异常，近视和脊椎侧弯大多数与青少年时期不良的坐姿体态有直接关系，而青少年往往疏忽对坐姿的注意。本发明提供了一种监督用户坐姿的方法及设备，可以在用户坐姿异常的时候自动提醒用户及时调整坐姿。本申请涉及的一种监督用户坐姿的方法及设备不仅适用于青少年用户，也同样适用于有腰部疾病等需要坐姿提醒的成年人用户。

本发明所示的一种监督用户坐姿的方法及设备可以实现对人体坐姿的自动化提醒，解决使用者对坐姿疏忽的问题。相比人力提醒来说，电子自动化提醒更加节省人的精力和时间，电子设备在硬件运转正常的情况下，可以持续保持工作状态，没有人类周期性的疲倦期，并且识别更加准确。本发明提供的一种监督用户坐姿的方法及设备，可以在检测到用户为不良坐姿时，提醒用户调整为正确坐姿。

本发明的目的主要在于在保护用户隐私的同时，提供一种监督用户坐姿的方法及设备，从而对现有技术中的缺陷进行改进，解决自动化坐姿提醒的问题。

本发明的上述技术问题主要是通过下述技术方案得以解决：

第一方面，本发明实施例提供了一种监督用户坐姿的方法，该方法包括：

采集第一用户坐姿图像，其中，第一用户坐姿图像为人体处于坐立姿态时采集到的人体图像。

将第一用户坐姿图像转化为第一特征数据矩阵。

将第一特征数据矩阵输入目标坐姿分类模型F_Mk(x)中，得到多个分类类别的概率P_Mk(x)。其中，分类类别是目标坐姿分类模型预设的输出结果。将最大概率

对应的分类类别/>

确定为第一用户坐姿类型，第一用户坐姿类型是前述第一用户坐姿图像所表征的用户坐姿类型。/>

其中，目标坐姿分类模型

1≤m≤M且m为正整数，M为分类树的数目；1≤j≤J且j为正整数，J为第m棵分类树的叶节点数目；1≤k≤K且k为正整数，K为分类类别的数目；c_mkj为第一决策树的叶节点拟合值；第一决策树为第一分类树在第j次迭代时对应的决策树；第一分类树为第k分类类别的第m棵分类树；I表示学习率；前述分类类别的概率/>

前述最大概率/>

对应的分类类别/>

c(k,k’)为当真实值为k’时，预测为第k分类类别时的损失。

判断第一用户坐姿类型是否为第一坐姿，如果不是第一坐姿，则输出提醒信号。

结合第一方面，在一些实施例中，前述目标坐姿分类模型是使用样本图像数据进行训练得到的强学习器。其中，样本图像数据包括多个数据单元，数据单元由样本坐姿图像和样本坐姿类型构成，样本坐姿类型是样本坐姿图像所表征的用户坐姿类型。

结合第一方面，在一些实施例中，上述方法还包括：

将多个前述样本坐姿图像转化为第一样本图像特征矩阵，并将多个前述样本坐姿类型转化为第一样本类别特征矩阵。

对第一样本图像特征矩阵进行降维重构处理，生成第二样本图像特征矩阵。

将第二样本图像特征矩阵和第一样本类别特征矩阵输入初始坐姿分类模型中，进行E次训练。

其中，第e次训练具体包括：

将前述第二样本图像特征矩阵输入至第e-1弱学习器所得到的结果，与前述第一样本类别特征矩阵做差值，生成第e-1损失函数；

以第e-1损失函数为变量，计算第e-1负梯度；

将第e-1弱学习器与第e-1负梯度拟合，生成第e弱学习器；其中，2≤e≤E且e为正整数；e＝2时，第e-1弱学习器是随机选取的；

当e＝E时，第E损失函数满足训练的结束条件，训练结束。

叠加训练中产生的E个弱学习器，生成强学习器，得到前述目标坐姿分类模型。

其中，损失函数

y_k＝{0，1},表示是否属于第k所述分类类别，1表示是，0表示否，1≤k≤K且k为正整数，K表示所述分类类别数目。

结合第一方面，在一些实施例中，前述第e-1负梯度

F_e-1(x)表示第e-1弱学习器，L(y_k,F_e-1(x))表示第e-1损失函数。

结合第一方面，在一些实施例中，前述对第一样本图像特征矩阵进行降维重构处理，生成第二样本图像特征矩阵，具体包括：

将第一样本图像特征矩阵表示为A_m×n，m表示所述样本坐姿图像的总个数，n表示所述样本坐姿图像包含数据的维数；

计算A_m×n·A^T _m×n得到第一特征矩阵；

计算A^T _m×n·A_m×n得到第二特征矩阵；

计算第一特征矩阵的第一特征值和第一特征向量；

计算第二特征矩阵的第二特征值和第二特征向量；

将每一个第一特征向量作为矩阵的一列，得到左奇异矩阵；

将每一个第二特征向量作为矩阵的一行，得到右奇异矩阵；

将第一特征值和第二特征值中的非零值开方，作为增广对角矩阵的对角元素，得到增广对角矩阵；其中，第一特征值和所述第二特征值相同；

确定增广对角矩阵的对角元素中最大的k个值，其中k为大于0的自然数；

根据公式A_m×n＝U_m×mS_m×nV_n×n≈U_m×kS_k×kV_k×n，

对A_m×n进行降维处理，得到第二样本图像特征矩阵/>

其中，U_m×m为左奇异矩阵，V_n×n为右奇异矩阵，S_m×n为增广对角矩阵，U_m×k、S_k×k、V_k×n分别为U_m×m、S_m×n、V_n×n的近似矩阵，k表示增广对角矩阵S_m×n中奇异值最大的k个值。

第二方面，本发明实施例提供了一种监督用户坐姿的设备，该设备具体包括：

图像采集模块，用于采集第一用户坐姿图像。第一用户坐姿图像为人体处于坐立姿态时采集到的人体图像。

处理控制模块，用于根据第一用户坐姿图像确定第一用户坐姿类型。处理控制模块包括中央处理器CPU，用于读取和执行计算机程序。处理控制模块具体用于：处理控制模块将第一用户坐姿图像转化为第一特征数据矩阵，处理控制模块将第一特征数据矩阵输入目标坐姿分类模型F_Mk(x)中，得到多个分类类别的概率P_Mk(x)。前述分类类别是目标坐姿分类模型预设的输出结果。然后处理控制模块将最大概率

对应的分类类别/>

确定为第一用户坐姿类型。其中，第一用户坐姿类型是第一用户坐姿图像所表征的用户坐姿类型。

其中，前述目标坐姿分类模型

1≤m≤M且m为正整数，M为分类树的数目；1≤j≤J且j为正整数，J为第m棵分类树的叶节点数目；1≤k≤K且k为正整数，K为分类类别的数目；c_mkj为第一决策树的叶节点拟合值；第一决策树为第一分类树在第j次迭代时对应的决策树；第一分类树为第k分类类别的第m棵分类树；I表示学习率；分类类别的概率/>

最大概率/>

对应的分类类别/>

c(k,k’)为当真实值为k’时，预测为第k分类类别时的损失。

处理控制模块还用于判断第一用户坐姿类型是否为第一坐姿。

提醒模块，用于输出提醒信号。

存储模块，用于存储处理控制模块执行程序过程中产生的数据或指令。

其中，图像采集模块与处理控制模块相互连接，提醒模块与处理控制模块互相连接，存储模块与处理控制模块相耦合。

结合第二方面，在一些实施例中，目标坐姿分类模型是使用样本图像数据进行训练得到的强学习器。其中，样本图像数据包括多个数据单元，数据单元由样本坐姿图像和样本坐姿类型构成。样本坐姿类型是样本坐姿图像所表征的用户坐姿类型。

结合第二方面，在一些实施例中，处理控制模块还用于：

将多个前述样本坐姿图像转化为第一样本图像特征矩阵，并将多个前述样本坐姿类型转化为第一样本类别特征矩阵。

对第一样本图像特征矩阵进行降维重构处理，生成第二样本图像特征矩阵。

将第二样本图像特征矩阵和第一样本类别特征矩阵输入初始坐姿分类模型中，进行E次训练。

其中，第e次训练具体包括：

将第二样本图像特征矩阵输入至第e-1弱学习器所得到的结果，与第一样本类别特征矩阵做差值，生成第e-1损失函数；

以第e-1损失函数为变量，计算第e-1负梯度；

将第e-1弱学习器与第e-1负梯度拟合，生成第e弱学习器；2≤e≤E且e为正整数；e＝2时，第e-1弱学习器是随机选取的；

当e＝E时，第E损失函数满足训练的结束条件，训练结束。

叠加训练中产生的E个弱学习器，生成强学习器，得到目标坐姿分类模型。

其中，损失函数

y_k＝{0，1},表示是否属于第k所述分类类别，1表示是，0表示否，1≤k≤K且k为正整数，K表示所述分类类别数目。

第三方面，本发明实施例提供了一种监督用户坐姿的设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信。其中，存储器用于存储计算机程序，计算机程序包括可执行指令，处理器用于调用可执行指令执行第一方面或第二方面所提及的一种监督用户坐姿的方法或设备对应的操作。

第四方面，本发明实施例提供了一种计算机存储介质，存储介质中存储有计算机程序，计算机程序包括可执行指令，可执行指令当被处理器执行时使处理器执行如第一方面或第二方面相关的一种监督用户坐姿的方法或设备对应的操作。

本发明所示的一种基于机器学习算法的监督用户坐姿的方法及设备，检测准确率高，分类识别快；不需物理接触，舒适性好；使用红外线进行人体图像识别，可以保护人体特征隐私，安全性好；集成设备成本低，结构简单合理，易实现，使用方便。

附图说明

为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。

图1是本发明实施例提供的一种监督用户坐姿的方法流程图；

图2是本发明实施例提供的人体坐姿类型示意性图；

图3是本发明实施例提供的一种机器算法训练的流程图；

图4是本发明实施例提供的一种监督用户坐姿的设备的功能模块架构图；

图5是本发明实施例提供的一种监督用户坐姿的设备的结构示意性图；

图6是本发明实施例提供的一种监督用户坐姿的台灯系统的结构示意性图。

具体实施方式

下面结合本申请实施例中的附图对本申请实施例进行具体说明。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。

近年来我国青少年的近视和脊椎侧弯发病率逐年增加。近视是眼睛屈光不正的一种情况，外界的平行光进入眼内焦点落在视网膜前方，需要靠近才能形成清晰的成像；脊椎侧弯表现症状一般为人体正位X线片显示脊柱有大于10度的侧方弯曲，双肩不等高等。除了小部分人群为先天性发育异常，近视和脊椎侧弯大多数与青少年时期不良的坐姿体态有直接关系，而青少年往往疏忽对坐姿的注意。本申请实施例提供了一种监督用户坐姿的方法及设备，可以在用户坐姿异常的时候自动提醒用户及时调整坐姿。本申请提及的方法和设备不仅适用于青少年用户，也同样适用于有腰部疾病等需要坐姿提醒的成年人用户。

本申请实施例提供的一种监督用户坐姿的方法及设备可以实现对人体坐姿的自动化提醒，解决用户对坐姿疏忽的问题。相比人力提醒来说，电子自动化提醒更加节省人的精力和时间。电子设备在硬件运转正常的情况下，可以持续保持工作状态，没有人类周期性的疲倦期，并且识别更加准确。

本申请提供一种监督用户坐姿的方法，该方法基于机器学习算法，可以识别用户坐姿图像并进行自动分类。

图1为本申请提供的一种监督用户坐姿的方法流程图，具体地，包括以下步骤：

S101，采集第一用户坐姿图像。

具体地，可以启动图像采集设备采集用户坐姿图像。该图像采集设备可以是图3中的摄像头3054，也可以是图4中的图像采集模块402。

具体地，该图像采集设备可以是红外热成像仪，可用于采集人体热图像和温度值。此时，前述采集的用户坐姿图像可以为二维人体热图像，其像素可以设定，每个像素点可对应一个该像素点区域内平均温度值，可以设为精确到小数点后一位。

不限于红外热成像仪，采集图像设备也可以为单目或多目摄像头，此时采集到的用户坐姿图像可以是彩色二维图像或采集图像设备还可以为3D摄像头，此时采集到的用户坐姿图像可以是彩色三维立体图像。

S102，分析第一用户坐姿图像，确定第一用户坐姿类型。

具体地，先将第一用户坐姿图像转化为第一特征数据矩阵，再将第一特征数据矩阵输入目标坐姿分类模型F_MK(x)中。第一特征数据矩阵输入目标坐姿分类模型F_Mk(x)后，可以得到模型中每个分类类别的目标坐姿分类函数F_Mk(x)，分类类别是目标坐姿分类模型预设的输出结果。其中，目标坐姿分类函数

1≤m≤M且m为正整数，M为分类树的数目；1≤j≤J且j为正整数，J为第m棵分类树的叶节点数目；1≤k≤K且k为正整数，K为分类类别的数目；c_mkj为第一决策树的叶节点拟合值；第一决策树为第一分类树在第j次迭代时对应的决策树；第一分类树为第k分类类别的第m棵分类树；I表示学习率。

然后根据目标坐姿分类函数F_Mk(x)计算每个分类类别的概率P_Mk(x)＝exp(F_Mk(x))/

然后将最大概率/>

对应的分类类别/>

确定为第一用户坐姿类型，最大概率/>

对应的分类类别/>

c(k,k’)为当真实值为k’时，预测为第k分类类别时的损失。

其中，第一用户坐姿类型是第一用户坐姿图像所表征的用户坐姿类型。

其中，目标坐姿分类模型是基于机器学习算法，使用样本图像数据，对初始坐姿分类模型进行训练得到的可信模型。关于目标坐姿分类模型是如何生成的，下文会进行说明，这里暂不赘述。

S103，判断第一用户坐姿类型是否为端正坐姿。如果用户坐姿不是端正坐姿，即不良坐姿，则执行步骤S104。第一坐姿即为端正坐姿，是我们希望用户坐姿可以达到的标准，不良坐姿是对用户的身体产生不良影响的坐姿，是需要我们提醒去纠正的用户坐姿。端正坐姿、不良坐姿的种类可以细分为很多种，这里不做限制，具体以实际情况设定为准。

S104，输出提醒信号。

在这里，输出提醒信号是指输出用户可以明显感知到的提醒信号，向用户提醒当前坐姿为不良坐姿，需要及时进行调整为端正坐姿。具体地，提醒操作可以实施为改变输出灯光的电路电压，表现为灯光亮度会以异于恒亮且用户可以明显感知的频率变化，例如频率为1秒或2秒，此时灯光亮度变化频率区别于灯管正常通电工作时用户不能察觉的高频闪烁频率。提醒操作还可以实施为提醒设备输出音频信号，例如可以内置蜂鸣器，发出频率10Hz的“滴滴滴”声音，也可以发出拟人声提醒，如汉语“请及时调整坐姿”或其他国家语言，这里对音频信号的形式不作限制，但需要实施为用户可以明显感知且理解的适中音量(例如40分贝)、音频(例如10kHz)的声频信号。提醒信号还可以实施为内置线性马达，其输出机械振动信号来提醒用户，振动频率和振动强度需要适中，例如振动频率为0.5秒或1秒。输出提醒信号除了在内置提醒设备，还可以外接提醒设备，比如外接音响等，外接提醒设备可以方便用户的个性化配置。输出提醒信号所涉及的提醒方式可选择的范围比较广，在这里不作限制。

在一个实施例中，本申请可以将采集到的第一用户坐姿图像自动分类为四类。如图2所示，正确坐姿为端正坐姿201，对应提及的第一坐姿，端正坐姿201是指人体上半身挺直，头、颈、胸、腰保持平直状态，脊柱成一条直线。不良坐姿为非端正坐姿，是对用户的身体产生不良影响的坐姿，是需要我们提醒去纠正的用户坐姿。在一个示例中，如图2所示，不良坐姿可以为驼背坐姿202、左倾坐姿203、右倾坐姿204。其中驼背坐姿202是指头颈前倾低下、含胸、弓腰，从侧面来看脊柱呈弧形；左倾坐姿203是指从背面来看，人体的头颈、脊柱向左侧倾斜，倾斜角度大于等于10度；右倾坐姿204是指从背面来看，人体的头颈、脊柱向右侧倾斜，倾斜角度大于等于10度。

在一个实施例中，用户坐姿可以分为四类，即前文提到的端正坐姿201、驼背坐姿202、左倾坐姿203、右倾坐姿204。然后基于前述一种监督用户坐姿的方法，我们分析第一用户坐姿图像，识别出第一用户坐姿图像对应的第一用户坐姿类型。当判断第一用户坐姿类型为端正坐姿(第一坐姿)时，不输出提醒信号，继续采集用户坐姿图像进行处理。如果判断第一用户坐姿类型不是端正坐姿，即不良坐姿：驼背坐姿202、左倾坐姿203、右倾坐姿204时，输出提醒信号，及时提醒用户调整为端正坐姿201。

在一个实施例中，目标坐姿分类模型是基于机器学习算法，使用样本图像数据，对初始坐姿分类模型进行训练得到的可信模型。其中，样本图像数据包括多个数据单元，多个是指模型训练所需足够量的数据量，例如数千、数万甚至数十万数据单元。每个数据单元由样本坐姿图像和样本坐姿类型构成。样本坐姿类型是样本坐姿图像所表征的用户坐姿类型。将样本图像数据输入初始坐姿分类模型中，经过机器学习训练可以得到可信的目标坐姿分类模型，其中，置信度可以为90％，也可以为95％，依具体情况而定。

在一个实施例中，本申请以梯度提升决策树(GBDT)算法为例，说明如何训练得出可信的目标坐姿分类模型。如图3所示，具体地，包括以下步骤：

S201，将多个样本坐姿图像转化为第一样本图像特征矩阵，并将多个样本坐姿类型转化为第一样本类别特征矩阵。

具体地，每个二维样本坐姿图像可以转换为一维特征向量。例如，可以将红外热成像仪采集到的红外热图像分辨率设置为12*16，这样，每张被采集的图片的尺寸都是12*16，每张图片总共包含192个像素点，每个像素点对应一个温度值，保留至小数点后一位，此时每张图片包含192个特征点，其特征值即为对应的温度值。然后将上述每张图像的192个特征值平铺组合成一个特征向量。

多个样本坐姿图像的特征向量组合起来，制成第一样本特征矩阵，第一样本特征矩阵由第一样本图像特征矩阵和第一样本类别特征矩阵组成，即：

其中A_m×n为第一样本图像特征矩阵，m表示样本坐姿图像的总个数，n表示样本坐姿图像包含数据的维数；Y为第一样本类别特征矩阵，例如，可以将用户坐姿分为四类y＝(Z0，Z1，Z2，Z3)，分别对应前述图2提及的端正坐姿201、驼背坐姿202、左倾坐姿203、右倾坐姿204。

S202，对第一样本图像特征矩阵进行降维重构处理，生成第二样本图像特征矩阵。

在一个示例中，本申请使用奇异值分解(singular value decomposition，SVD)方法对第一样本图像特征矩阵进行降维重构处理。SVD是线性代数中一种重要的矩阵分解，它是特征分解在任意矩阵上的推广。该步的主要目的在于对第一样本图像特征矩阵A_m×n进行降维处理(比如将特征向量由192维降到10维)，在保留其主要特征的同时，减少计算复杂度，这样更少的冗余特征输入到下一步的模型中能够有效的减少模型在训练过程中的过拟合风险。

矩阵可以认为是一种线性变换，线性变换的作用可以包含旋转、缩放和投影三种类型的效应，奇异值分解正是对线性变换这三种效应进行一个组合重构。以矩阵A进行奇异值分解为例：A＝USV，U、V和是两组正交单位向量，S是对角阵，表示奇异值，它表示我们找到了和这样两组基，A矩阵的作用是将一个向量从V这组正交基向量的空间旋转到U这组正交基向量空间，并对每个方向进行了一定的缩放，缩放因子就是各个奇异值。如果维度比大，则表示还进行了投影。可以说奇异值分解将一个矩阵原本混合在一起的三种作用效果分解出来了。

具体地，取第一样本图像特征矩阵

计算A_m×n·A^T _m×n得到第一特征矩阵；计算A^T _m×n·A_m×n得到第二特征矩阵。计算第一特征矩阵的第一特征值和第一特征向量；计算第二特征矩阵的第二特征值和第二特征向量。将每一个第一特征向量作为矩阵的一列，得到左奇异矩阵；将每一个第二特征向量作为矩阵的一行，得到右奇异矩阵。将第一特征值和第二特征值中的非零值开方，作为增广对角矩阵的对角元素，得到增广对角矩阵。其中，第一特征值和第二特征值相同。确定增广对角矩阵的对角元素中最大的k个值，其中k为大于0的自然数。/>

根据公式A_m×n＝U_m×mS_m×nV_n×n≈U_m×kS_k×kV_k×n，

对A_m×n进行降维处理，得到第二样本图像特征矩阵/>

其中，U_m×m为左奇异矩阵，V_n×n为右奇异矩阵，S_m×n为增广对角矩阵，U_m×k、S_k×k、V_k×n分别为U_m×m、S_m×n、V_n×n的近似矩阵，k表示增广对角矩阵S_m×n中奇异值最大的k个值。

在一种具体的实施方式中，奇异值分解可以使用matlab或Python中的奇异值分解包对第一样本图像特征矩阵进行奇异值分解。在使用奇异值分解算法对第一样本图像特征矩阵进行奇异值分解后，选择增广对角矩阵S_m×n中奇异值最大的k个值所在的列组成一个k维的对角矩阵，k个值按照由大至小顺序在该对角矩阵中从左至右排列。在对所有样品的光谱数据A_m×n进行降维时，该光谱数据中共包含m个样品，每一个样品包含n维特征，即每一个样品都包含n个不同波长的光谱，根据奇异值分解算法可知，使用左奇异矩阵的近似矩阵U_m×k对其进行降维，可以在保证样品个数不变的情况下对每一个样品的n维特征进行降维至k维，使用右奇异矩阵的近似矩阵V_k×n对光谱数据进行降维时，为了在保证样品个数不变的情况下对每一个样品的n维特征进行降维至k维，需要对右奇异矩阵进行转置。例如，m个n维的光谱数据组成一个矩阵A_m×n，该矩阵与右奇异矩阵V_k×n的转置进行点乘运算，即A_m×n·(V_k×n)^T，得到一个m行k列的矩阵，该矩阵的m行对应于m个样品，每一个样品包含k个特征，这k个特征即为降维后的特征数据。

应理解，降维之后得到的第二样本图像特征矩阵的维数是由本领域技术人员根据实际计算需求人为定义的，第二样本图像特征矩阵的维数越高，识别效果越好，但造成计算量越复杂。在本发明的一种具体实施方式中，采集的每一张坐姿图像数据为192维，降维之后的光谱特征数据为10维，同时保证了识别效果和计算量的简易度。

S203，将第二样本图像特征矩阵和第一样本类别特征矩阵输入初始坐姿分类模型中，进行E次训练，生成目标坐姿分类模型。其中，第二样本图像特征矩阵和第一样本类别特征矩阵组合生成的第二样本特征矩阵为

在一个示例中，本申请使用梯度提升决策树模型GBDT进行坐姿图像数据的训练，生成可信的目标坐姿分类模型。梯度提升决策树模型是由决策树作为基学习器的一种集成算法，该算法通过梯度下降算法不断的迭代更新弱学习器，使损失函数值不断减小，然后将各个模型加起来得到最终的强学习器。其中，弱学习器可以看做至少一个决策树，弱学习器对应的决策树的个数等于迭代更新次数，即每一次迭代更新时会增加一个新的决策树。增加的决策树与之前所有决策树的结构相同，仅叶子节点对应的拟合值不同。迭代后叶子节点的拟合值为迭代前相应的叶子节点的拟合值与迭代更新值的加和，迭代更新值为学习率与迭代前相应的叶子节点的拟合值的乘积。当输入一个数据，每一个弱学习器的输出结果为初始化的弱学习器的数值与总拟合值之和，其中，总拟合值为所有决策树根据该数据得到的叶子节点在每一个决策树的拟合值之和。训练得到的分类模型可以包含若干个决策树，所有决策树的结构相同，都包含一个根节点、若干个中间节点和若干个叶子节点。每一个叶子节点对应于一个拟合值，不同决策树中叶子节点对应的拟合值不同。每一个叶子节点的拟合值均为该叶子节点对应的训练数据的负梯度。

在本发明实施例中，首先初始化一个弱学习器模型，初始化的弱学习器模型可以是使损失函数极小化的常数值，表示对于任何一个输入的样本，初始化的弱学习器输出的标签值均为该常数值。在一些实施例中，损失函数为平方损失函数，初始化的弱学习器模型为多个样本坐姿图像数据的平均值；在另外一些实施例中，损失函数为绝对损失函数，初始化的弱学习器模型为多个样本坐姿图像数据的中位数。

在第一轮迭代时，根据初始化的弱学习器模型计算每一组训练数据损失函数的负梯度，其中，损失函数以弱学习器模型为变量，其中，y表示样本标签值，f(x)表示弱学习器模型。在第一次迭代时所使用的损失函数以初始化的弱学习器模型为变量，负梯度的计算公式为

其中，/>

表示第i组训练数据损失函数的负梯度，f₀(x)表示初始化时生成的弱学习器模型，L(y_i,f₀(x))表示第一次迭代时对应的损失函数。在损失函数为平方损失函数时，即/>

对应的负梯度的计算结果是标签值与弱学习器模型的差值，即/>

其中，y_i表示第i个训练数据的标签值。将该负梯度的计算结果作为决策树的相应叶子节点的拟合值。第一轮迭代更新后得到的弱学习器模型为/>

其中，l表示学习率，避免初始化的弱学习器直接与拟合值相加造成过拟合。

在接下来的迭代过程中，每一轮迭代过程与第一次迭代过程类似，均包括以下步骤，以e次训练为例：

将第二样本图像特征矩阵

输入至第e-1弱学习器所得到的结果，与第一样本类别特征矩阵做差值，生成第e-1损失函数。然后以第e-1损失函数为变量，计算第e-1负梯度/>

将第e-1弱学习器与第e-1负梯度拟合，生成第e弱学习器。具体地是根据该负梯度构建一个决策树，该决策树的每一个叶子节点的拟合值为该叶子节点对应的训练数据的负梯度，该决策树的每一个叶子节点的拟合值更新生成第e弱学习器。第e弱学习器为第e-1次迭代训练生成的决策树。第e-1次迭代训练生成的决策树中第j个叶子节点的拟合值为γ_jE-1＝y_j-f_E-2，相应的更新得到的第e弱学习器为f_E-1＝f_E-2+l×γ_jE-1。对第e次迭代训练生成的决策树中每一个叶子节点的拟合值进行更新，γ_jE＝y_j-f_E-1＝y_j-(f_E-2+l×γ_jE-1)＝(1-l)×γ_jE-1，l为学习率。重复执行上述步骤，直至第E损失函数满足训练的结束条件，训练结束。所有迭代训练完成后，得到每一次迭代训练对应的决策树的叶子节点的拟合值，根据该拟合值得到每一个叶子节点的输出结果，根据该输出结果得到更新后的弱学习器，遍历弱学习器即为最后的强学习器，强学习器即为我们所需要的目标坐姿分类模型。其中，损失函数/>

y_k＝{0，1},表示是否属于第k分类类别，1表示是，0表示否，1≤k≤K且k为正整数，K表示分类类别数目。F_e-1(x)表示第e-1弱学习器，L(y_k,F_e-1(x))表示第e-1损失函数。

图4示出了一种监督用户坐姿的设备400的功能模块架构图，该设备使用一种监督用户坐姿的方法对用户的坐姿进行识别并作出相应的提醒，该设备具体可包括处理控制模块401、图像采集模块402、提醒模块403、存储模块404。

图像采集模块402可用于采集人体坐姿图像信息，具体实现中，图像采集模块402可以为红外热成像仪，也可以为单目或多目摄像头，也可以为3D摄像头，等等。本申请提供的一实施例中采用红外热成像仪，该红外热成像仪可用于探测人体红外热量，将其转换为电信号，生成热图像和温度值，可以较好地保护用户人体特征隐私。图像采集模块402与处理控制模块401相连接。

处理控制模块401可以读取和执行计算机程序，具体的，处理控制模块401可以但不限于是中央处理器(central processing unit，CPU)。图像采集模块402将图像数据信息传输给处理控制模块401，处理控制模块401可以处理图像数据，使用机器学习算法训练好的目标坐姿分类模型，将采集到的第一用户坐姿图像自动进行识别分类为第一用户坐姿类型。

提醒模块403与处理控制模块401相连接，当处理控制模块401判断第一用户坐姿图像不是端正坐姿时，会向提醒模块403发送提醒指令，提醒模块403会输出用户可以明显感知到的提醒信号，向用户提醒当前坐姿为不良状态，需要调整。在这里，提醒模块403可以实施为中央处理器改变输出灯光的电路电压，表现为灯光亮度会以异于恒亮且用户可以明显感知的频率变化，前述第一频率范围可以是0.4秒至4秒，频率为1秒或2秒较佳，此时灯光亮度变化的频率区别于台灯灯管正常通电工作时用户不能察觉的高频闪烁频率。提醒操作还可以实施为提醒设备输出音频信号，例如监督用户坐姿的设备400中可以内置蜂鸣器，发出频率10Hz的“滴滴滴”声音，也可以发出拟人声提醒，如汉语“请及时调整坐姿”或其他国家语言，这里对音频信号的形式不作限制，但需要实施为用户可以明显感知且理解的适中音量(例如40分贝)、音频(例如10kHz)的声频信号。提醒操作还可以由提醒设备实施为内置线性马达，其输出机械振动信号来提醒用户，振动频率和振动强度需要适中，例如振动频率为0.5秒或1秒。提醒操作除了在监督用户坐姿的设备400中内置提醒设备，还可以使用外接提醒设备，比如音响，连接于监督用户坐姿的设备400上，方便用户的个性化配置。提醒操作所涉及的提醒设备可选择的范围比较广，在这里不作限制。

存储模块404可以包括存储器，存储器可用于存储监督用户坐姿的设备400产生的各种数据及程序指令。处理控制模块401与存储模块404相互连接，处理控制模块401可以调用存储模块404中的数据和程序指令。

处理控制模块401、图像采集模块402、提醒模块403、存储模块404之间不限于通过总线进行通信，处理控制模块402和提醒模块403之间还可以通过无线通信方式进行数据收发，例如短距离通信方式，无线局域网Wi-Fi、蓝牙Bluetooth等等，这样提醒模块403也可以使用外接设备，例如音响等，便于用户的个性化配置，还可以节省设备成本。

在一个实施例中，一种监督用户坐姿的设备500的结构示意图如图5所示，具体可包括：处理器501、存储器502(一个或多个电子设备可读存储介质)、通信模块503、输入输出系统505。这些部件可在一个或多个通信总线504上通信。

输入输出系统505主要用于实现监督用户坐姿的设备500和用户/外部环境之间的交互功能，主要包括监督用户坐姿的设备500的输入输出装置。具体实现中，输入输出系统505可包括摄像头控制器5051、灯光控制器5052、音频控制器5053以及传感器控制器5054等。其中，各个控制器可与各自对应的外围设备：摄像头5055、灯光电压电路5056、音频传控制器5057以及光线传感器5058耦合。需要说明的是，输入输出系统505还可以包括其他I/O外接设备。

处理器501可集成包括：一个或多个CPU、时钟模块以及电源管理模块。所述时钟模块主要用于为处理器501产生数据传输和时序控制所需要的时钟。所述电源管理模块主要用于为处理器501、通信模块503以及输入输出系统505等提供稳定的、高精确度的电压。

通信模块503用于接收和发送无线信号，主要集成了监督用户坐姿的设备500的接收器和发射器。具体实现中，通信模块503可包括但不限于：Wi-Fi模块、蓝牙模块。建立Wi-Fi、蓝牙等通信连接，可以实现近距离的数据通信。在一些实施例中，可在单独的芯片上实现通信模块503。

存储器502与处理器501耦合，用于存储各种数据和/或多组指令。具体实现中，存储器502可包括高速随机存取的存储器，并且也可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。

在另一个实施例中，考虑到用户基于学习、办公等需要坐姿提醒的场景，很多情况下会使用到台灯设备来起到照明的功能，因此本申请提供了一种监督用户坐姿的台灯系统60，参考图6所示，台灯系统60中可以装有一种监督用户坐姿的设备604，该设备604可以为前述提及的400或500。该监督用户坐姿的设备604的装备方式可以是嵌入式内置，也可以是分离式外置，这里不做限制。监督用户坐姿的设备604可以在检测到用户为不良坐姿时，提醒用户调整为正确坐姿。

如图6所示，台灯系统60可以包括，台灯组件600和监督用户坐姿的设备604。台灯组件600具有普通台灯所共有的照亮功能，还可以具有但不限于灯照亮度强弱调节、灯光冷暖调节、声控唤醒等等功能。这些功能也可以通过手机等终端设备控制台灯组件600来实现。

如图6所示，台灯组件600可包括：发光组件601、底座602、支撑杆603。其中发光组件601可以为白炽灯管、卤素灯泡、发光二极管LED(Light Emitting Diode)等等，功能为将电能转化为可见光，照亮用户的可见视野。底座602通常为质量相对比较大的固体，其上可以设置有电源电路和调节开关按钮等组件，主要起到固定支撑杆603和稳定支撑台灯系统60的作用。支撑杆603可以为金属合金或塑料等材质的连接杆，一端连接底座602，另一端连接发光组件601，可用于支撑发光组件601，使其对用户来说处于合适的照明高度。在监督用户坐姿的设备604内嵌于台灯组件600的情形中，支撑杆603上可设有一开口。该开口可使得内嵌于台灯组件600中的自动监督用户坐姿的设备604外露，从而使得自动监督用户坐姿的设备604不被遮挡，成功采集人体坐姿图像。

在一实施例中，用户使用台灯系统60，启动监督用户坐姿的设备604为工作状态时，监督用户坐姿的设备604可以识别并分类用户的坐姿。当监督用户坐姿的识别设备604检测到用户的坐姿为端正坐姿时，台灯组件600保持用户设定的灯照参数；当监督用户坐姿的设备604检测到用户坐姿为不良坐姿(非端正坐姿)时，监督用户坐姿的设备604发出提醒信号，提醒用户及时将坐姿调整为端正坐姿。在这里，提醒方式可以包括但不限于可以让用户明显感知的声音提醒、振动提醒、灯光闪烁提醒等等。用户收到坐姿矫正的提醒，将会自觉调整坐姿。在通电并启动工作状态的情况下，监督用户坐姿的设备604检测到用户坐姿为不良坐姿时，可以一直提醒或间隔短时间提醒用户，直至用户调整为端正坐姿，此时监督用户坐姿的设备604检测到用户坐姿为端正坐姿，停止提醒信号，并恢复台灯组件600为此前用户设置的参数。当用户坐姿再次表现为不良坐姿时，监督用户坐姿的设备604再次发出提醒信号，这样可以起到实时提醒的功能。当用户关闭监督用户坐姿的设备604，监督用户坐姿的设备604为非工作状态，监督用户坐姿的设备604的用户坐姿识别和提醒功能处于关闭状态。

在一种实现中，监督用户坐姿的设备604工作状态的开启可以由用户手动开启，进入工作状态后会实时采集用户坐姿图像并分析，当检测到用户坐姿不端正时，输出提醒信号。当图像采集设备没有检测到用户坐姿图像时，监督用户坐姿的设备604处于低功耗待机状态。

在另一种实现中，监督用户坐姿的设备604可以在预设时间内采集用户坐姿图像，该预设时间可以由用户设置，也可以是监督用户坐姿的设备604向用户推荐的设置，此设置可以根据用户职业画像或者使用习惯统计得出的常用时间段。例如，该预设时间可以为某中小学生晚上做家庭作业的时间段：晚上7点至9点。这样，既可以帮助用户在忘记开启设备的时候仍开启提醒功能，又可以降低设备功耗。

在另一种实现中，监督用户坐姿的设备604可以在检测到发光组件发光时，开始采集用户坐姿图像。监督用户坐姿的设备604可以通过环境光传感器检测所述发光组件发光，还可以是监督用户坐姿的设备604检测到所述发光组件的上电管脚的电平为高电平时，确定发光组件发光。

本实施例提供的一种基于机器学习算法的监督用户坐姿的方法及设备，使用机器学习算法来进行坐姿的识别和分类，检测准确率高，分类识别速度快。另外，该方法及设备不需要和人体进行物理接触，舒适性好，用户体验佳。进一步地，本申请可以使用红外线进行人体图像识别，红外线识别可以有效地保护人体特征隐私，安全性好。本申请提供的相关设备集成成本低，硬件结构简单合理，生产较容易，可以实现规模化生产，实用性强。对于用户来说，操作较容易，使用方便，可以达到提醒坐姿不正的预期效果。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种监督用户坐姿的方法，其特征在于，所述方法包括：

采集第一用户坐姿图像；所述第一用户坐姿图像为人体处于坐立姿态时采集到的人体图像；

将所述第一用户坐姿图像转化为第一特征数据矩阵；

将所述第一特征数据矩阵输入目标坐姿分类模型

中，得到多个分类类别的概率

；所述分类类别是所述目标坐姿分类模型预设的输出结果；将最大概率

对应 的分类类别

确定为第一用户坐姿类型；所述第一用户坐姿类型是所述第一用户坐姿图 像所表征的用户坐姿类型；

其中，所述目标坐姿分类模型

，1≤m≤M且m为正整 数，M为分类树的数目；1≤j≤J且j为正整数，J为第m棵所述分类树的叶节点数目；1≤k≤K 且k为正整数，K为所述分类类别的数目；

为第一决策树的叶节点拟合值；所述第一决策 树为第一分类树在第j次迭代时对应的决策树；所述第一分类树为第k分类类别的第m棵分 类树；I表示学习率；所述分类类别的概率

；所述最 大概率

对应的分类类别

，

为当真 实值为

时，预测为第k分类类别时的损失，其中，所述目标坐姿分类模型是使用样本图像 数据进行训练得到的强学习器；所述样本图像数据包括多个数据单元；所述数据单元由样 本坐姿图像和样本坐姿类型构成；所述样本坐姿类型是所述样本坐姿图像所表征的用户坐 姿类型；

判断所述第一用户坐姿类型是否为第一坐姿，如果不是所述第一坐姿，则输出提醒信号。

2.根据权利要求1所述的方法，其特征在于，还包括：

将多个所述样本坐姿图像转化为第一样本图像特征矩阵，并将多个所述样本坐姿类型转化为第一样本类别特征矩阵；

对所述第一样本图像特征矩阵进行降维重构处理，生成第二样本图像特征矩阵；

将所述第二样本图像特征矩阵和所述第一样本类别特征矩阵输入初始坐姿分类模型中，进行E次训练；

第e次训练具体包括：

将所述第二样本图像特征矩阵输入至第e-1弱学习器所得到的结果，与所述第一样本类别特征矩阵做差值，生成第e-1损失函数；

以所述第e-1损失函数为变量，计算第e-1负梯度；

将第e-1弱学习器与所述第e-1负梯度拟合，生成第e弱学习器；2≤e≤E且e为正整数；e=2时，第e-1弱学习器是随机选取的；

当e=E时，第E损失函数满足所述训练的结束条件，所述训练结束；

叠加所述训练中产生的E个弱学习器，生成所述强学习器，得到所述目标坐姿分类模型。

3.根据权利要求2所述的方法，其特征在于，所述第e-1负梯度

；

表示所述第e-1弱学习器，

表示所述第e-1损失函数。

4.根据权利要求2所述的方法，其特征在于，所述对所述第一样本图像特征矩阵进行降维重构处理，生成第二样本图像特征矩阵，具体包括：

所述第一样本图像特征矩阵表示为

，m表示所述样本坐姿图像的总个数， n表示所 述样本坐姿图像包含数据的维数；

计算

得到第一特征矩阵；

计算

得到第二特征矩阵；

计算所述第一特征矩阵的第一特征值和第一特征向量；

计算所述第二特征矩阵的第二特征值和第二特征向量；

将每一个所述第一特征向量作为矩阵的一列，得到左奇异矩阵；

将每一个所述第二特征向量作为矩阵的一行，得到右奇异矩阵；

将所述第一特征值和所述第二特征值中的非零值开方，作为增广对角矩阵的对角元素，得到所述增广对角矩阵；其中，所述第一特征值和所述第二特征值相同；

确定所述增广对角矩阵的对角元素中最大的k个值，其中k为大于0的自然数；

根据公式

，

， 对

进行降维处理，得到所述第二样本图像特征矩阵

；

其中，

为所述左奇异矩阵，

为所述右奇异矩阵，

为所述增广对角矩阵，

、

、

分别为

、

、

的近似矩阵，k表示增广对角矩阵

中奇异值 最大的k个值。

5.一种监督用户坐姿的设备，其特征在于，所述设备具体包括：

图像采集模块，用于采集第一用户坐姿图像；所述第一用户坐姿图像为人体处于坐立姿态时采集到的人体图像；

处理控制模块，用于根据所述第一用户坐姿图像确定第一用户坐姿类型；所述处理控 制模块包括中央处理器CPU，用于读取和执行计算机程序；所述处理控制模块具体用于：所 述处理控制模块将所述第一用户坐姿图像转化为第一特征数据矩阵；所述处理控制模块将 所述第一特征数据矩阵输入目标坐姿分类模型

中，得到多个分类类别的概率

；所述分类类别是所述目标坐姿分类模型预设的输出结果；所述处理控制模块将最大概率

对应的分类类别

确定为第一用户坐姿类型；所述第一用户坐姿类型是所述第一 用户坐姿图像所表征的用户坐姿类型，所述目标坐姿分类模型是使用样本图像数据进行训 练得到的强学习器；所述样本图像数据包括多个数据单元；所述数据单元由样本坐姿图像 和样本坐姿类型构成；所述样本坐姿类型是所述样本坐姿图像所表征的用户坐姿类型；

其中，所述目标坐姿分类模型

，1≤m≤M且m为正整 数，M为分类树的数目；1≤j≤J且j为正整数，J为第m棵所述分类树的叶节点数目；1≤k≤K 且k为正整数，K为所述分类类别的数目；

为第一决策树的叶节点拟合值；所述第一决策 树为第一分类树在第j次迭代时对应的决策树；所述第一分类树为第k分类类别的第m棵分 类树；I表示学习率；所述分类类别的概率

；所述最 大概率

对应的分类类别

，

为当真 实值为

时，预测为第k分类类别时的损失；

所述处理控制模块还用于判断所述第一用户坐姿类型是否为第一坐姿；

提醒模块，用于输出提醒信号；

存储模块，用于存储所述处理控制模块执行程序过程中产生的数据或指令；

其中，所述图像采集模块与所述处理控制模块相互连接；所述提醒模块与所述处理控制模块互相连接；所述存储模块与所述处理控制模块相耦合。

6.根据权利要求5所述的设备，其特征在于，所述处理控制模块还用于：

将多个所述样本坐姿图像转化为第一样本图像特征矩阵，并将多个所述样本坐姿类型转化为第一样本类别特征矩阵；

对所述第一样本图像特征矩阵进行降维重构处理，生成第二样本图像特征矩阵；

将所述第二样本图像特征矩阵和所述第一样本类别特征矩阵输入初始坐姿分类模型中，进行E次训练；

第e次训练具体包括：

将所述第二样本图像特征矩阵输入至第e-1弱学习器所得到的结果，与所述第一样本类别特征矩阵做差值，生成第e-1损失函数；

以所述第e-1损失函数为变量，计算第e-1负梯度；

将第e-1弱学习器与所述第e-1负梯度拟合，生成第e弱学习器；2≤e≤E且e为正整数；e=2时，第e-1弱学习器是随机选取的；

当e=E时，第E损失函数满足所述训练的结束条件，所述训练结束；

叠加所述训练中产生的E个弱学习器，生成所述强学习器，得到所述目标坐姿分类模型。

7.一种监督用户坐姿的设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；其中，所述存储器用于存储计算机程序，所述计算机程序包括可执行指令，所述处理器用于调用所述可执行指令执行如权利要求1-4任一项所述的一种监督用户坐姿的方法对应的操作。

8.一种计算机存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序包括可执行指令，所述可执行指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的一种监督用户坐姿的方法对应的操作。

Images