CN113288122B - 一种可穿戴坐姿监测装置和坐姿监测方法 - Google Patents

Abstract

本发明提供一种可穿戴坐姿监测装置，该装置包括衣服本体，衣服本体上设置有微处理器，衣服本体的背部竖直中线上从上至下设置有至少三个重力加速度传感器，衣服本体的左肩部和右肩部分别设置至少一个多轴传感器；重力加速度传感器和多轴力传感器均与所述微处理器通讯连接。能够更全面地获取人们的坐姿信息。还提供一种坐姿监测方法，该方法基于如上所述的可穿戴坐姿监测装置实现，包括：S1、微处理器获取用户预设周期内的坐姿信息；其中坐姿信息包括重力加速度传感器和多轴力传感器的感应数据；S2、将坐姿信息输入坐姿监测模型，输出坐姿监测结果；可以使人体坐姿监测结果更为准确，监测的方法也更为快速安全。

Description

一种可穿戴坐姿监测装置和坐姿监测方法

技术领域

本发明涉及人体姿态监测技术领域，尤其涉及一种可穿戴坐姿监测装置和坐姿监测方法。

背景技术

可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备多以具备部分计算功能、可连接手机及各类终端的便携式配件形式存在，主要包括智能手环/手表、智能眼镜、智能运动鞋等。

孩子学习和使用电子设备时，会不自主的靠近桌子，甚至趴在桌子上；并且随着人们工作及生活环境的变化，在办公室办公的人以及经常上网的人越来越多。因此坐姿成为了人们密切关注的问题。当人们长时间坐在书桌和电脑前时，人们的背部会长期保持伸展状态，造成肌肉松弛而增加胸椎后凸的风险，慢慢形成驼背，驼背不但会影响美观，还有可能压迫神经、造成神经障碍，危害人体健康。并且久坐也进一步加重了近视的发病率。

坐姿干预是预防驼背和预防近视的重要举措，能够帮助人们培养良好的工作、学习习惯。因此，亟需一种可穿戴坐姿监测装置和坐姿监测方法。

发明内容

(一)要解决的技术问题

鉴于上述技术中存在的问题，本发明至少从一定程度上进行解决。为此，本发明的一个目的在于提出了一种可穿戴坐姿监测装置，能够更全面地获取人们的坐姿信息。

本发明的第二个目的在于提出一种坐姿监测方法，可以使人体坐姿监测结果更为准确，监测的方法也更为快速安全。

(二)技术方案

为了达到上述目的，本发明一方面提供一种可穿戴坐姿监测装置，该装置包括衣服本体，衣服本体上设置有微处理器，衣服本体的背部竖直中线上从上至下设置有至少三个重力加速度传感器，衣服本体的左肩部和右肩部分别设置至少一个多轴传感器；重力加速度传感器和多轴力传感器均与所述微处理器通讯连接。

可选地，所述至少三个重力加速度传感器包括第一重力加速度传感器、第二重力加速度传感器和第三重力加速度传感器；第一重力加速度传感器设置在衣服本体的颈部，第二重力加速度传感器的位置与衣服本体的胸口处相对应，第三重力加速度传感器设置在衣服本体的腰部。

可选地，在衣服本体的颈部、腰部、左肩部和右肩部分别设置有振动片，所述振动片与所述微处理器通讯连接。

本发明另一方面提供一种坐姿监测方法，该方法基于如上所述的可穿戴坐姿监测装置实现，包括：

S1、微处理器获取用户预设周期内的坐姿信息；其中坐姿信息包括重力加速度传感器和多轴力传感器的感应数据；

S2、将坐姿信息输入坐姿监测模型，输出坐姿监测结果；

其中，坐姿检测模型对坐姿信息进行处理，包括：

A1、采用CURD聚类算法对坐姿信息中所有连续属性数据进行聚类，获得初始聚类；

A2、根据预设的数据提取圈，筛选出每一初始类中处于数据提取圈外的数据点，每一初始类中处于数据提取圈内的数据点组成一个新类；将筛选出的数据点归入距离其最近的新类中，获得连续属性数据的离散化结果；

A3、根据连续属性数据的离散化结果，与坐姿决策表进行匹配，将匹配结果作为坐姿监测结果；其中，坐姿决策表包括预先根据用户坐姿的历史数据建立的离散属性值与各种坐姿的对应信息。

可选地，数据提取圈包括以初始类的聚类中心为圆心，以预设值为半径的圆圈。

可选地，预设值为α·Rⁱ _max(i＝1,2,...n)；式中，0≤α<1，Rⁱ _max(i＝1,2,...n)为初始类中数据点与其聚类中心的最远距离，n为聚类个数。

可选地，将筛选出的数据点归入距离其最近的新类中，包括：从处于每一新类边界上的数据点中选取每一新类的代表点，计算每一个筛选出的数据点到每一新类代表点的距离，将筛选出的数据点归入距离其最近的代表点所属的新类中。

可选地，从处于每一新类边界上的数据点中选取每一新类的代表点，包括：从处于每一新类边界上的数据点中，根据数据点到其聚类中心的距离，按照降序依次选取预设数量的数据点作为每一新类的代表点。

可选地，在S1之前，还包括：

A01、微处理器获取用户预设周期内的历史坐姿信息；

A02、对历史坐姿信息中所有连续属性数据进行A1、A2处理，获得历史坐姿信息中连续属性数据的离散化结果；

A03、根据连续属性数据的离散化结果和对应的决策属性，建立离散数据表，根据离散数据表提取出每组数据及其所属坐姿，获得初始决策表；基于概率粗糙集对初始决策表中条件属性相同、决策属性不同的目标对象进行修正，获得坐姿决策表。

可选地，在S2之后还包括：

S3、微处理器根据坐姿监测结果，向振动片发送启动指令；振动片接收到启动指令后产生振动。

(三)有益效果

本发明的有益效果是：

1、本发明实施例提出的可穿戴坐姿监测装置，通过在衣服本体的背部竖直中线上从上至下设置至少三个重力加速度传感器，以及在衣服本体的左肩部和右肩部分别设置至少一个多轴传感器，能够更全面的获取人们的坐姿信息，为本发明提出的坐姿监测方法提供数据基础。

2、本发明实施例提出的坐姿监测方法，采用CURD聚类算法(基于参考点和密度的快速聚类算法)对可穿戴坐姿监测装置的监测数据中所有连续属性数据进行聚类，并通过数据提取圈筛选出每一初始类中处于数据提取圈外的数据点，对筛选出的数据点进行重新分类，获得连续属性数据的离散化结果，以根据连续属性数据的离散化结果识别出坐姿监测结果。提供了一种全新的坐姿监测方法，能够识别可穿戴坐姿监测装置产生的任意形状数据簇，并且大大提高了数据聚类的准确率。

3、本发明方法针对粗糙集无法对条件属性相同、决策属性不同的目标对象进行识别的缺点，利用概率粗糙集来得出将这些目标对象识别为某种异常坐姿的概率，取最大概率的坐姿为监测结果。使坐姿监测更为准确。

附图说明

本发明借助于以下附图进行描述：

图1为根据本发明一个实施例的坐姿监测方法的流程示意图；

图2为根据本发明一个实施例的采用CURD聚类算法对坐姿信息中所有连续属性数据进行聚类方法的流程图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本发明实施例提出一种可穿戴坐姿监测装置，包括衣服本体，衣服本体上设置有微处理器，衣服本体的背部竖直中线上从上至下设置有至少三个重力加速度传感器，衣服本体的左肩部和右肩部分别设置至少一个多轴传感器；重力加速度传感器和多轴力传感器均与微处理器通讯连接。通过在衣服本体的背部竖直中线上从上至下设置至少三个重力加速度传感器，以及在衣服本体的左肩部和右肩部分别设置至少一个多轴传感器，能够更全面的获取人们的坐姿信息，为本发明提出的坐姿监测方法提供数据基础。通过将重力加速度传感器和多轴力传感器均与微处理器通讯连接，实现了微处理器对传感器的感知信息进行处理。

进一步地，上述至少三个重力加速度传感器包括第一重力加速度传感器、第二重力加速度传感器和第三重力加速度传感器。第一重力加速度传感器设置在衣服本体的颈部，第二重力加速度传感器的位置与衣服本体的胸口处相对应，第三重力加速度传感器设置在衣服本体的腰部。以全面获取影响坐姿的脊椎的全面信息。

进一步地，在衣服本体的左肩部设置至少一个三轴加速度计和至少一个三轴磁力计，在衣服本体的右肩部设置至少一个三轴加速度计和至少一个三轴磁力计。通过设置三轴加速度计和三轴磁力计，能够解算出欧拉角来描述人体肩部姿态。

进一步地，在衣服本体的颈部、腰部、左肩部和右肩部分别设置有振动片，振动片与微处理器通讯连接。实现了微处理器根据监测结果控制振动片提醒用户矫正坐姿。

在本发明实施例提供的可穿戴坐姿监测装置中，获取的数据簇形状多变，为此本发明实施例还提出了一种坐姿监测方法。该方法采用CURD聚类算法(基于参考点和密度的快速聚类算法)对可穿戴坐姿监测装置的监测数据中所有连续属性数据进行聚类，并通过数据提取圈筛选出每一初始类中处于数据提取圈外的数据点，对筛选出的数据点进行重新分类，获得连续属性数据的离散化结果，以根据连续属性数据的离散化结果识别出坐姿监测结果。提供了一种全新的坐姿监测方法，能够识别可穿戴坐姿监测装置产生的任意形状数据簇，并且大大提高了数据聚类的准确率。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

下面就参照附图来描述根据本发明实施例提出的坐姿监测方法。

图1为本发明一个实施例的坐姿监测方法的流程示意图。

如图1所示，该坐姿监测方法包括以下步骤：

步骤S1、微处理器获取用户预设周期内的坐姿信息；其中坐姿信息包括重力加速度传感器和多轴力传感器的感应数据。

步骤S2、将坐姿信息输入坐姿监测模型，输出坐姿监测结果。

其中，坐姿检测模型对坐姿信息进行处理，如图2所示，包括：

步骤A0、利用线性转换函数对坐姿信息中每一个连续属性的数据进行归一化处理。

其中，线性转换函数包括：

式中，s′为样本数据归一化后的取值，s为样本数据，s_min为待处理连续属性的数据中的最小值，s_max为待处理连续属性的数据中的最大值。实现了将所有变量映射到数值[0,1]之间，便于后续的数据处理。

步骤A1、采用CURD聚类算法对坐姿信息中所有连续属性数据进行聚类，获得初始聚类。

为说明CURD算法，首先给出CURD算法中的一些定义：

定义1.1(点的密度)：设R为距离阈值，对于空间中任意一点a，以a点为中心，R为半径区域内的点的个数被称为点a基于距离阈值R的密度(density)，记作Dens(a,R)。

定义1.2(参考点)：设T为密度阈值，对空间中任意一点a，如果满足条件Dens(a,R)≥T，则称点a为参考点。参考点不是实际输入数据中的点，而是一个虚拟的点或称为假想点。

定义1.3(代表区域)：每个参考点代表了以该点为圆心、半径为距离阈值R的圆形区域，我们称这个区域为参考点的代表区域。

定义1.4(相邻参考点)：对空间中任意点a、b，给定距离阈值R和密度阈值T，如果参考点a、b满足条件，即a和b之间的距离小于或等于2倍的距离阈值，则称参考点a、b为相邻参考点。

定义1.5(广度优先搜索)：又称“宽度优先搜索”，简称BFS(Breadth-FirstSearch)，它的思想主要是从图上一个节点出发，访问先访问其直接相连的子节点，若子节点不符合，再问其子节点的子节点，按级别顺序依次访问，直到访问到目标节点。

作为一个示例，采用CURD聚类算法对坐姿信息中所有连续属性数据进行聚类，包括：

A11、根据连续属性数据、距离阈值和密度阈值，获得参考点集。

具体地，A11包括：

A111、将待聚类数据集M＝{m₁,...,m_n}中的第一组数据m₁作为候选参考点集。

A112、计算下一组数据m₂中每一个数据点与候选参考点集中所有候选参考点的距离，若存在数据点与所有候选参考点间距离均大于距离阈值R，则将该数据点加入候选参考点集D＝{d₁,...,d_x}，若存在数据点与目标候选参考点间距离小于距离阈值R，则将该数据点加入目标候选参考点的代表区域，并根据取平均值更新目标候选参考点的位置，迭代进行A112直到集合M中的所有数据进行了比较，获得最终候选参考点集。

其中，x是不确定的候选参考点的数目，为更新后的参考点的坐标，d_i为原参考点的坐标。

A113、将最终候选参考点集合中每个候选参考点的密度与密度阈值T进行比较，将满足Dens(a,R)≥T的候选参考点加入参考点集。

A12、计算每一个数据点与每一个参考点之间的距离，将数据点与距离其最近的参考点建立映射。

相比于现有的CURD算法中，通过计算每一个数据点与每一个参考点之间的距离并将其与距离阈值比较，如果小于距离阈值，则在对应的数据点与参考点之间建立映射，如果大于距离阈值，则将该数据点标记为无效点。本发明方法中，通过计算每一个数据点与每一个参考点之间的距离，将数据点与距离其最近的参考点建立映射，改善了CURD聚类算法中无效点过多的问题，能有效排除孤立点数据对聚类结果的影响，使聚类结果更为准确。

A13、确定相邻参考点，利用无向图描述参考点集，令相邻参考点之间有一条边，采用图的广度优先搜索算法寻找位于同一连通子图的参考点，将处于同一连通子图的参考点归于同一类，获得参考点的分类结果。

具体地，确定相邻参考点，包括：如果参考点集中任意两个参考点d₁和d₂的距离小于等于2R，则d₁和d₂是相邻参考点。

A14、根据数据点与参考点的映射关系和参考点的分类结果，获得连续属性数据的初始聚类。

步骤A2、根据预设的数据提取圈，筛选出每一初始类中处于数据提取圈外的数据点，每一初始类中处于数据提取圈内的数据点组成一个新类；将筛选出的数据点归入距离其最近的新类中，获得连续属性数据的离散化结果。

优选地，数据提取圈包括以初始类的聚类中心为圆心，以预设值为半径的圆圈。进一步地，预设值为α·Rⁱ _max(i＝1,2,...n)；式中，0≤α<1，Rⁱ _max(i＝1,2,...n)为初始类中数据点与其聚类中心的最远距离，n为聚类个数。

优选地，将筛选出的数据点归入距离其最近的新类中，包括：从处于每一新类边界上的数据点中选取每一新类的代表点，计算每一个筛选出的数据点到每一新类代表点的距离，将筛选出的数据点归入距离其最近的代表点所属的新类中。进一步地，从处于每一新类边界上的数据点中选取每一新类的代表点，包括：从处于每一新类边界上的数据点中，根据数据点到其聚类中心的距离，按照降序依次选取预设数量的数据点作为每一新类的代表点。

步骤A3、根据连续属性数据的离散化结果，与坐姿决策表进行匹配，将匹配结果作为坐姿监测结果；其中，坐姿决策表包括预先根据用户坐姿的历史数据建立的离散属性值与各种坐姿的对应信息。

优选地，坐姿决策表包括预先根据用户坐姿的历史数据，基于概率粗糙集建立的离散属性值与各种坐姿的对应信息。

粗糙集是一种定性的模型，它对上近似集与下近似集的定义仅限于条件概率取0和1的情况，而对条件概率处于0和1之间的情况并没有给出区分，这使得经典粗糙集模型在实际应用中缺乏容错的能力。概率粗糙集模型弥补了经典粗糙集模型在解决知识不确定性决策问题时的不足，换句话说，概率粗糙集增强了对处于边界阈中对象的处理能力。因此，本发明方法针对粗糙集无法对条件属性相同、决策属性不同的目标对象进行识别的缺点，利用概率粗糙集来得出将这些目标对象识别为某种异常坐姿的概率，取最大概率的坐姿为监测结果。使坐姿监测更为准确。

故在步骤S1之前还包括以下步骤：

A01、微处理器获取用户预设周期内的历史坐姿信息。

A02、对历史坐姿信息中所有连续属性数据进行步骤A1、步骤A2处理，获得历史坐姿信息中连续属性数据的离散化结果。

A03、根据连续属性数据的离散化结果和对应的决策属性，建立离散数据表，根据离散数据表提取出每组数据及其所属坐姿，获得初始决策表；基于概率粗糙集对初始决策表中条件属性相同、决策属性不同的目标对象进行修正，获得坐姿决策表。

具体地，基于概率粗糙集对初始决策表中条件属性相同、决策属性不同的目标对象进行修正，包括：计算目标对象属于每种坐姿的概率，选择概率最大的坐姿作为目标对象的坐姿监测结果。

步骤S3、微处理器根据坐姿监测结果，向振动片发送启动指令；振动片接收到启动指令后产生振动。

需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。

Claims (7)

1.一种坐姿监测方法，其特征在于，该方法基于可穿戴坐姿监测装置实现，可穿戴坐姿监测装置包括衣服本体，所述衣服本体上设置有微处理器，所述衣服本体的背部竖直中线上从上至下设置有至少三个重力加速度传感器，所述衣服本体的左肩部和右肩部分别设置至少一个多轴传感器；所述重力加速度传感器和所述多轴力传感器均与所述微处理器通讯连接；

坐姿监测方法包括：

S1、微处理器获取用户预设周期内的坐姿信息；所述坐姿信息包括重力加速度传感器和多轴力传感器的感应数据；

S2、将所述坐姿信息输入坐姿监测模型，输出坐姿监测结果；

其中，所述坐姿检测模型对所述坐姿信息进行处理，包括：

A1、采用CURD聚类算法对所述坐姿信息中所有连续属性数据进行聚类，获得初始聚类；

采用CURD聚类算法对所述坐姿信息中所有连续属性数据进行聚类，包括：

A11、根据连续属性数据、距离阈值和密度阈值，获得参考点集；

A12、计算每一个数据点与每一个参考点之间的距离，将数据点与距离其最近的参考点建立映射；

A13、确定相邻参考点，利用无向图描述参考点集，令相邻参考点之间有一条边，采用图的广度优先搜索算法寻找位于同一连通子图的参考点，将处于同一连通子图的参考点归于同一类，获得参考点的分类结果；

A14、根据数据点与参考点的映射关系和参考点的分类结果，获得连续属性数据的初始聚类；

A2、根据预设的数据提取圈，筛选出每一初始类中处于数据提取圈外的数据点，每一初始类中处于数据提取圈内的数据点组成一个新类；将筛选出的数据点归入距离其最近的新类中，获得连续属性数据的离散化结果；

所述将筛选出的数据点归入距离其最近的新类中，包括：从处于每一新类边界上的数据点中选取每一新类的代表点，计算每一个筛选出的数据点到每一新类代表点的距离，将筛选出的数据点归入距离其最近的代表点所属的新类中；所述从处于每一新类边界上的数据点中选取每一新类的代表点，包括：从处于每一新类边界上的数据点中，根据数据点到其聚类中心的距离，按照降序依次选取预设数量的数据点作为每一新类的代表点；

A3、根据连续属性数据的离散化结果，与坐姿决策表进行匹配，将匹配结果作为坐姿监测结果；其中，坐姿决策表包括预先根据用户坐姿的历史数据建立的离散属性值与各种坐姿的对应信息。

2.根据权利要求1所述的坐姿监测方法，其特征在于，所述数据提取圈包括以初始类的聚类中心为圆心，以预设值为半径的圆圈。

3.根据权利要求2所述的坐姿监测方法，其特征在于，预设值为α·Rⁱ _max(i＝1,2,...n)；式中，0≤α<1，Rⁱ _max(i＝1,2,...n)为初始类中数据点与其聚类中心的最远距离，n为聚类个数。

4.根据权利要求1所述的坐姿监测方法，其特征在于，在S1之前，还包括：

A01、微处理器获取用户预设周期内的历史坐姿信息；

A02、对所述历史坐姿信息中所有连续属性数据进行A1、A2处理，获得历史坐姿信息中连续属性数据的离散化结果；

A03、根据连续属性数据的离散化结果和对应的决策属性，建立离散数据表，根据离散数据表提取出每组数据及其所属坐姿，获得初始决策表；

基于概率粗糙集对初始决策表中条件属性相同、决策属性不同的目标对象进行修正，获得坐姿决策表。

5.根据权利要求1所述的坐姿监测方法，其特征在于，所述至少三个重力加速度传感器包括第一重力加速度传感器、第二重力加速度传感器和第三重力加速度传感器；

第一重力加速度传感器设置在衣服本体的颈部，第二重力加速度传感器的位置与衣服本体的胸口处相对应，第三重力加速度传感器设置在衣服本体的腰部。

6.根据权利要求1所述的坐姿监测方法，其特征在于，

在所述衣服本体的颈部、腰部、左肩部和右肩部分别设置有振动片，所述振动片与所述微处理器通讯连接。

7.根据权利要求6所述的坐姿监测方法，其特征在于，在S2之后还包括：

S3、微处理器根据坐姿监测结果，向振动片发送启动指令；振动片接收到启动指令后产生振动。