CN114842948B - 一种在线学习按摩定位算法 - Google Patents
一种在线学习按摩定位算法 Download PDFInfo
- Publication number
- CN114842948B CN114842948B CN202210776224.6A CN202210776224A CN114842948B CN 114842948 B CN114842948 B CN 114842948B CN 202210776224 A CN202210776224 A CN 202210776224A CN 114842948 B CN114842948 B CN 114842948B
- Authority
- CN
- China
- Prior art keywords
- massage
- area
- probability
- region
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H39/00—Devices for locating or stimulating specific reflex points of the body for physical therapy, e.g. acupuncture
- A61H39/02—Devices for locating such points
Abstract
本发明公开了一种在线学习按摩定位算法,涉及人工智能技术领域,包括以下步骤:(1)根据自然指向确定按摩候选区域;(2)利用比例选择法的方式在按摩候选区域通过询问交互确定按摩中心点位置、按摩点二维分布模型及按摩区域;(3)在线学习按摩习惯,根据用户的选择区域,更新相关身体部位的两种概率以减少按摩中心点定位时减少人机的交互次数。本发明的有益效果在于可减少用户的记忆和操作负荷,并且用户可以不拘泥一种姿态,可按照自身意愿移动身体,系统会根据记录的按摩区域点与身体关键点的位置关系实现实时跟踪按摩。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种人工智能算法,具体是指一种在线学习按摩定位算法。
背景技术
随着科技的发展,人工智能的越来越多的应用于人们的日常生活之中,如将人工智能应用于按摩系统中并出现了诸如按摩机器人等产品。在按摩机器人产品中人机交互是其中的关键,目前智能按摩系统的交互设备主要由Xarm机械臂、Kinect感知设备、语音输入设备、计算与处理设备等组成,而其中按摩定位系统的实现难点在于系统如何精准的感知和理解人们对按摩区域位置进行的自然表达。
为此,在线学习按摩定位算法的基本思路一般为:首先,实时感知指向和语音的输入,结合人体姿态利用冗余的思想扩展指向交点为指向交线得到按摩候选区域;其次,针对按摩候选区利用比例选择法进行询问交互确定按摩中心点和按摩点生成模型;最后根据按摩区域,更新该部位下每一部分的中心概率值和选择概率值,同一部位经过多次选择后,系统便可学习到人们在该部位上的按摩习惯,从而可减少下次中心点确认时的询问交互次数。
对于语音表达的理解,首先建立语音意图数据库KWLib,该数据库描述了语音与可能意图之间的关系,并采用关键词检测的方法实现实时语音识别;而对指向识别,可以利用身体和手部关键点检测实现实时监控;按摩定位时,语音和指向两种模态可以是并行输入,也可以单模态输入。
在此,将按摩定位系统的输入分为了三种情况:第一种,两种模态并行输入,此时需要判定两者所传输的信息是否存在矛盾性,如果存在,系统会主动提醒用户,并要求其重新表达;第二种,两种模态并行输入且两者不存在矛盾或者仅有指向作为单模态输入,此时系统将开启OLMP算法按摩定位功能;第三种,仅有语音作为单模态输入,系统对识别出的身体部位进行全区域按摩。
其中,指向表达分为接触性和非接触性两种:第一种接触性表达方式,可以直接将接触点作为按摩中心点:第二种非接触性表达方式,可通过指向线和身体的交点作为按摩区域的中心点,但是,身体骨骼点检测不精准、操作者自身原因(比如胳膊无法抬高等)等情况均会对交点的位置造成较大的干扰,因此,将交点作为按摩中心点会存在误差,特别是手部距离目标区域较远时,指向产生一点小的偏差可能就会导致交点远远偏离目标点,另外,对于按摩而言,需要得到的信息是按摩区域而非一个按摩中心点。
而本发明则是针对智能按摩定位系统中存在的因非接触表达所存在的以上问题,本文提出的智能按摩定位系统可以解决非接触表达所存在的以上问题。
发明内容
本发明针对现有技术的不足,提供了一种用于纠正因非接触表达导致按摩定位偏差的在线学习按摩定位算法。
本发明是通过如下技术方案实现的,提供一种在线学习按摩定位算法,一种在线学习按摩定位算法,包括以下步骤:
(一)根据自然指向确定按摩候选区域;
(二)利用比例选择法的方式在按摩候选区域通过询问交互确定按摩中心点位置、按摩点二维分布模型及按摩区域;
(三)在线学习按摩习惯,根据用户的选择区域,更新相关身体部位的两种概率以减少在按摩中心点定位时减少人机的交互次数。
作为优选,所述步骤(一)中根据指向时食指是否出现弯曲设定不同的指向线Line1,确定指向线Line1后,假设存在一个身体姿态限定面,直线位于身体姿态限定面内,且身体姿态限定面均垂直于地面,即三维空间中的xoz面,已知地面的法线为(0,1,0),设直线Line1的方向向量为,身体姿态限定面的法线向量为:
结合指尖点坐标便可得到身体姿态限定面的方程,之后根据指向交点所在身体部位的关键点坐标信息确定身体面,最后,通过指向手的位置、指向方向以及身体姿态限定面和身体面的长和宽求出两个面的交线,根据指向手指指尖与的距离确定按摩候选区域的宽度d,d的取值设定了三种情况:
作为优选,在步骤(二)中,将人体进行部位划分并对每个部分进行细化的区域划分,按摩定位时,每个小区域均有一个中心概率值和选择概率值且每一身体部位下各个小区域的中心概率值总和与选择概率值总和均为1;
首先,系统根据公式(2)确定区域T内每一部分的被选择概率值,并按顺序计算出每一部分的累加概率,即每部分的累加概率为该部分以及其对应的前几部分的累加和,累积概率使用不同长度的线段来表示每一部分的概率,所有部分组合在一起便可形成一条长度为1的长线段;
通过以上步骤可得到按摩候选区域T内首选询问部分的中心点位置,将机械臂移至该点并询问用户“当前所触碰的点是否包含在按摩区域内”,若系统得到否定答案,首选询问部分将从候选区域内剔除;剩余部分将作为新的候选区域,之后系统将重新计算候选区域内每个部分的综合概率值并利用以上步骤重新选择,另外,设置限定最小候选区域面积β,在不断缩小候选区域的过程中,若新的候选区域面积小于β,系统会要求用户重新进行表达,若得到积极答案,在x轴上将点移动至交线上得到点,并将该点作为按摩中心点;
作为优选,所述步骤(三)中通过递归贝叶斯方法来实现,假设身体的第R个部位被选择了N次,且该部位包括K个小区域,第i次选择按摩区域选择的结果可以表示为,代表第R个部位下的第i个小区域,值为0时代表选择的区域与第i个小区域没有相交的区域;值为1时代表目标区域中包含第i个小区域或包含第i个小区域的一部分,另外K个小区域具备的中心概率值形成概率集合,选择概率值形成集合,在线学习的目标是利用用户的按摩位置选择结果更新相关部位下每个小区域的概率值,即更新,利用贝叶斯公式可以得到概率集合的后验概率为:
依据中心概率的更新方式,设定选择概率的在线更新公式:
根据以上方案,本发明的基本发明构思为:(1)当系统检测到非接触指向手势后,利用冗余思想扩展指向交点为交线从而确定按摩候选区域T;(2)系统利用比例选择法确定按摩中心点,进而根据区域T的高和宽确定按摩点的二维正态分布模型;(3)根据系统确定的按摩目标区域,更新相关身体部位的中心概率和选择概率以逐步实现学习用户按摩习惯的功能。其主要特点在于:(1)可理解用户在自然指向下对任意身体位置的表达,系统根据手指关键点确定用户指向方向,若指向线与身体区域无交点(如指向线所指方向为身体外侧),系统会主动提醒用户并要求其重新表达;若指向线与身体存在交点,则系统会根据步骤(1)求出候选区域T,并根据步骤(2)在候选区域T内确定按摩中心点;在该过程中,系统会记录下按摩点与身体关键点的位置关系,这些设定均保证了在指向满足条件的前提下,按摩点总是能够被找到;(2)可通过不断更新每个身体部位下区域的中心概率和选择概率,在线学习用户的按摩习惯。
综上所述,本发明的有益效果在于通过分析用户在自然条件下对按摩区域的非接触指向表达,在不需要其他辅助条件的情况下可实现按摩定位,可减少用户的记忆和操作负荷,实现了在下一次的按摩定位过程中,更快地从按摩候选区域T中找到目标按摩部分,从而减少系统对用户的询问次数,更快地确定按摩模型,另外,在按摩定位过程中,用户可以不拘泥一种姿态,可按照自身意愿移动身体,系统会根据记录的按摩区域点与身体关键点的位置关系实现实时跟踪按摩。
附图说明
图1为本发明基于在线学习的按摩定位系统的结构示意图;
图2为本发明中不同指向手势下确定交线的示意图,其中,(Ⅰ)表示不规范指向下的交线求取;(Ⅱ)表示规范指向下的交线求取;
图3为本发明中按摩中心点确定过程的示意图,其中,(a)表示虚线框定的区域代表T;(b)表示注明了区域T所包含的各个部分的面积和两种类型的概率;(c)代表按摩中心点的确定。
图4为本发明中按摩候选区域的确定示意图。
具体实施方式
为能清楚说明本发明方案的技术特点,下面结合附图,并通过具体实施方式,对本方案进一步阐述。
如图1和图2中所示,提供一种在线学习按摩定位算法,包括以下步骤:
(一)根据自然指向确定按摩候选区域;
(二)利用比例选择法的方式在按摩候选区域通过询问交互确定按摩中心点位置、按摩点二维分布模型及按摩区域;
(三)在线学习按摩习惯,根据用户的选择区域,更新相关身体部位的两种概率以减少在按摩中心点定位时减少人机的交互次数。
在本实施例中,所述步骤(一)中根据指向时食指是否出现弯曲设定不同的指向线Line1,确定指向线Line1后,假设存在一个身体姿态限定面,直线位于身体姿态限定面内,且身体姿态限定面均垂直于地面,即三维空间中的xoz面,已知地面的法线为(0,1,0),设直线Line1的方向向量为,身体姿态限定面的法线向量为:
结合指尖点坐标便可得到身体姿态限定面的方程,之后根据指向交点所在身体部位的关键点坐标信息确定身体面,最后,通过指向手的位置、指向方向以及身体姿态限定面和身体面的长和宽求出两个面的交线,根据指向手指指尖与的距离确定按摩候选区域的宽度d,d的取值设定了三种情况:
在步骤(二)中,将人体进行部位划分并对每个部分进行细化的区域划分,如人体部位可分为左右胳膊、背部等,在本实施例中以按摩候选区域落在背部且背部共包含9个小区域为例进行说明,如图3中所示,图3中的(a)中虚线框定的区域便是候选区域,该区域内的黑色直线为交线。
按摩定位时,每个小区域均有一个中心概率值和选择概率值且每一身体部位下各个小区域的中心概率值总和与选择概率值总和均为1;
首先,系统根据公式(2)确定区域T内每一部分的被选择概率值,并按顺序计算出每一部分的累加概率,即每部分的累加概率为该部分以及其对应的前几部分的累加和,累积概率使用不同长度的线段来表示每一部分的概率,所有部分组合在一起便可形成一条长度为1的长线段;
通过以上步骤可得到按摩候选区域T内首选询问部分的中心点位置,将机械臂移至该点并询问用户“当前所触碰的点是否包含在按摩区域内”,若系统得到否定答案,首选询问部分将从候选区域内剔除;剩余部分将作为新的候选区域,之后系统将重新计算候选区域内每个部分的综合概率值并利用以上步骤重新选择,另外,设置限定最小候选区域面积β,在不断缩小候选区域的过程中,若新的候选区域面积小于β,系统会要求用户重新进行表达,若得到积极答案,在x轴上将点移动至交线上得到点,并将该点作为按摩中心点;
所述步骤(三)中通过递归贝叶斯方法来实现,假设身体的第R个部位被选择了N次,且该部位包括K个小区域,第i次选择按摩区域选择的结果可以表示为,代表第R个部位下的第i个小区域,值为0时代表选择的区域与第i个小区域没有相交的区域;值为1时代表目标区域中包含第i个小区域或包含第i个小区域的一部分,另外K个小区域具备的中心概率值形成概率集合,选择概率值形成集合,在线学习的目标是利用用户的按摩位置选择结果更新相关部位下每个小区域的概率值,即更新,利用贝叶斯公式可以得到概率集合的后验概率为:
依据中心概率的更新方式,设定选择概率的在线更新公式:
基于以上说明,本实施例给出具体的算法描述如下:
算法:在线学习式按摩定位(OLMP)
输入:用户的语音:voice;用户手部的关键点信息;用户身体的关键点信息;初始身体部位各个区域的中心概率和选择概率。
输出:按摩点的集合P。
2.H=Height(I);L=max(length(I),d).
num=Num2
6.确定按摩候选区域内每一部分的初始中心概率值和选择概率值:
最后,还应说明,上述举例和说明也并不仅限于上述实施例,本发明未经描述的技术特征可以通过或采用现有技术实现,在此不再赘述;以上实施例及附图仅用于说明本发明的技术方案并非是对本发明的限制,参照优选的实施方式对本发明进行了详细说明,本领域的普通技术人员应当理解,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换都不脱离本发明的宗旨,也应属于本发明的权利要求保护范围。
Claims (2)
1.一种在线学习按摩定位算法,其特征在于,包括以下步骤:
(一)根据自然指向确定按摩候选区域;
(二)利用比例选择法的方式在按摩候选区域通过询问交互确定按摩中心点位置、按摩点二维分布模型及按摩区域;
(三)在线学习按摩习惯,根据用户的选择区域,更新相关身体部位的两种概率以减少在按摩中心点定位时减少人机的交互次数;
在步骤(一)中根据指向时食指是否出现弯曲设定不同的指向线Line1,确定指向线Line1后,假设存在一个身体姿态限定面,直线位于身体姿态限定面内,且身体姿态限定面均垂直于地面,即三维空间中的xoz面,已知地面的法线为(0,1,0),设直线Line1的方向向量为,身体姿态限定面的法线向量为:
结合指尖点坐标便可得到身体姿态限定面的方程,之后根据指向交点所在身体部位的关键点坐标信息确定身体面,最后,通过指向手的位置、指向方向以及身体姿态限定面和身体面的长和宽求出两个面的交线,根据指向手指指尖与的距离确定按摩候选区域的宽度d,d的取值设定了三种情况:
在步骤(二)中,将人体进行部位划分并对每个部分进行细化的区域划分,按摩定位时,每个小区域均有一个中心概率值和选择概率值且每一身体部位下各个小区域的中心概率值总和与选择概率值总和均为1;
首先,系统根据公式(2)确定区域T内每一部分的被选择概率值,并按顺序计算出每一部分的累加概率,即每部分的累加概率为该部分以及其对应的前几部分的累加和,累积概率使用不同长度的线段来表示每一部分的概率,所有部分组合在一起便可形成一条长度为1的长线段;
通过以上步骤可得到按摩候选区域T内首选询问部分的中心点位置,将机械臂移至该点并询问用户“当前所触碰的点是否包含在按摩区域内”,若系统得到否定答案,首选询问部分将从候选区域内剔除;剩余部分将作为新的候选区域,之后系统将重新计算候选区域内每个部分的综合概率值并利用以上步骤重新选择,另外,设置限定最小候选区域面积β,在不断缩小候选区域的过程中,若新的候选区域面积小于β,系统会要求用户重新进行表达,若得到积极答案,在x轴上将点移动至交线上得到点,并将该点作为按摩中心点;
2.根据权利要求1所述的一种在线学习按摩定位算法,其特征在于,在步骤(三)中通过递归贝叶斯方法来实现,假设身体的第R个部位被选择了N次,且该部位包括K个小区域,第i次选择按摩区域选择的结果可以表示为,代表第R个部位下的第i个小区域,值为0时代表选择的区域与第i个小区域没有相交的区域;值为1时代表目标区域中包含第i个小区域或包含第i个小区域的一部分,另外K个小区域具备的中心概率值形成概率集合,选择概率值形成集合,在线学习的目标是利用用户的按摩位置选择结果更新相关部位下每个小区域的概率值,即更新,利用贝叶斯公式可以得到概率集合的后验概率为:
依据中心概率的更新方式,设定选择概率的在线更新公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776224.6A CN114842948B (zh) | 2022-07-04 | 2022-07-04 | 一种在线学习按摩定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776224.6A CN114842948B (zh) | 2022-07-04 | 2022-07-04 | 一种在线学习按摩定位算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842948A CN114842948A (zh) | 2022-08-02 |
CN114842948B true CN114842948B (zh) | 2022-09-23 |
Family
ID=82573453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210776224.6A Active CN114842948B (zh) | 2022-07-04 | 2022-07-04 | 一种在线学习按摩定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842948B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115472279B (zh) * | 2022-08-05 | 2023-05-26 | 广东亿佛手健康科技有限公司 | 一种基于人工智能的远程按摩控制方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1518970A (zh) * | 2003-02-06 | 2004-08-11 | ������������ʽ���� | 按摩机及按摩方法 |
CN105930810A (zh) * | 2016-04-26 | 2016-09-07 | 北京工业大学 | 基于特征点定位算法的面部穴位定位方法和定位装置 |
CN113616466B (zh) * | 2020-05-08 | 2024-02-27 | 未来穿戴技术有限公司 | 按摩方式生成方法、装置、电子设备和存储介质 |
CN112535624A (zh) * | 2020-12-03 | 2021-03-23 | 珠海格力电器股份有限公司 | 按摩椅控制方法、装置、设备及存储介质 |
CN113506604B (zh) * | 2021-08-19 | 2022-07-12 | 遨博(北京)智能科技有限公司 | 一种按摩轨迹调整方法 |
CN113555083B (zh) * | 2021-08-19 | 2022-05-24 | 遨博(北京)智能科技有限公司 | 一种按摩轨迹生成方法 |
CN114053112A (zh) * | 2021-10-19 | 2022-02-18 | 奥佳华智能健康科技集团股份有限公司 | 一种按摩方法、装置、终端设备及介质 |
-
2022
- 2022-07-04 CN CN202210776224.6A patent/CN114842948B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114842948A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yen et al. | A fuzzy logic based extension to Payton and Rosenblatt's command fusion method for mobile robot navigation | |
Arvo et al. | Fluid sketches: continuous recognition and morphing of simple hand-drawn shapes | |
Duan et al. | Fast and stable learning of dynamical systems based on extreme learning machine | |
Simão et al. | Unsupervised gesture segmentation by motion detection of a real-time data stream | |
CN114842948B (zh) | 一种在线学习按摩定位算法 | |
CN111890350A (zh) | 机器人及其控制方法、计算机可读存储介质 | |
Nikandrova et al. | Category-based task specific grasping | |
Xi et al. | A robotic shared control teleoperation method based on learning from demonstrations | |
CN106406518A (zh) | 手势控制装置及手势识别方法 | |
Liu et al. | Unified intention inference and learning for human–robot cooperative assembly | |
CN110569775A (zh) | 一种识别人体姿势的方法、系统、存储介质及电子设备 | |
Garrido et al. | Human behavior learning for robot in joint space | |
Araujo et al. | Context in temporal sequence processing: A self-organizing approach and its application to robotics | |
Yang et al. | Particle filters in latent space for robust deformable linear object tracking | |
Amatya et al. | Real time kinect based robotic arm manipulation with five degree of freedom | |
Streifel et al. | Dynamic fuzzy control of genetic algorithm parameter coding | |
Srimal et al. | Deictic gesture enhanced fuzzy spatial relation grounding in natural language | |
Takano et al. | Action description from 2D human postures in care facilities | |
Lan et al. | Cooperative Guidance of Multiple Missiles: A Hybrid Coevolutionary Approach | |
CN115338862A (zh) | 一种基于部分可观测马尔科夫的机械手移动路径规划方法 | |
Li et al. | Neural-fuzzy control of truck backer-upper system using a clustering method | |
Hwang et al. | Hybrid learning model and MMSVM classification for on-line visual imitation of a human with 3-D motions | |
CN115346238A (zh) | 手势识别方法、装置、计算机设备 | |
Shang et al. | A flexible tolerance genetic algorithm for optimal problems with nonlinear equality constraints | |
Li et al. | Using Goal-Conditioned Reinforcement Learning With Deep Imitation to Control Robot Arm in Flexible Flat Cable Assembly Task |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |