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 PDF

Info

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
Application number
CN202210776224.6A
Other languages
English (en)
Other versions
CN114842948A (zh
Inventor
冯志全
周丽然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Jinan
Original Assignee
University of Jinan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Jinan filed Critical University of Jinan
Priority to CN202210776224.6A priority Critical patent/CN114842948B/zh
Publication of CN114842948A publication Critical patent/CN114842948A/zh
Application granted granted Critical
Publication of CN114842948B publication Critical patent/CN114842948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种在线学习按摩定位算法
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
Figure 710568DEST_PATH_IMAGE001
，直线
Figure 565391DEST_PATH_IMAGE002
位于身体姿态限定面
Figure 535009DEST_PATH_IMAGE003
内，且身体姿态限定面
Figure 133480DEST_PATH_IMAGE003
均垂直于地面，即三维空间中的xoz面，已知地面的法线
Figure 134803DEST_PATH_IMAGE004
为(0,1,0)，设直线Line1的方向向量
Figure 160528DEST_PATH_IMAGE005
为
Figure 614512DEST_PATH_IMAGE006
，身体姿态限定面
Figure 16675DEST_PATH_IMAGE003
的法线向量
Figure 606925DEST_PATH_IMAGE007
为：
Figure 803551DEST_PATH_IMAGE008
（1）
结合指尖点坐标便可得到身体姿态限定面
Figure 761143DEST_PATH_IMAGE009
的方程，之后根据指向交点
Figure 676316DEST_PATH_IMAGE010
所在身体部位的关键点坐标信息确定身体面
Figure 402964DEST_PATH_IMAGE011
，最后，通过指向手的位置、指向方向以及身体姿态限定面
Figure 19759DEST_PATH_IMAGE009
和身体面
Figure 933488DEST_PATH_IMAGE011
的长和宽求出两个面的交线
Figure 661141DEST_PATH_IMAGE012
，根据指向手指指尖与
Figure 507875DEST_PATH_IMAGE010
的距离
Figure 29992DEST_PATH_IMAGE013
确定按摩候选区域的宽度d，d的取值设定了三种情况：
第一种：
Figure 962176DEST_PATH_IMAGE014
8cm，即指尖与交点的距离比较近时，则设定d为
Figure 244252DEST_PATH_IMAGE010
所在部位的宽度最大值
Figure 932110DEST_PATH_IMAGE015
的
Figure 641440DEST_PATH_IMAGE016
；
第二种：
Figure 44609DEST_PATH_IMAGE017
时，设定d为
Figure 864797DEST_PATH_IMAGE018
；
第三种：
Figure 669811DEST_PATH_IMAGE019
20cm，即指尖与交点的距离比较远时，则设定d为
Figure 815621DEST_PATH_IMAGE020
；
设定按摩候选区域T的高度
Figure 191239DEST_PATH_IMAGE021
为交线
Figure 798807DEST_PATH_IMAGE012
在y轴上的投影长度，按摩候选区域T的宽度L为比较
Figure 474639DEST_PATH_IMAGE022
在x轴上投影的长度并选择最大值。
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；
假设按摩候选区域T中共包含
Figure 777969DEST_PATH_IMAGE023
个部分，面积值分别为
Figure 906462DEST_PATH_IMAGE024
，形成面积集合
Figure 583300DEST_PATH_IMAGE025
，确定每个部分所对应的选择概率，形成概率集合
Figure 582480DEST_PATH_IMAGE026
；确定每个部分所对应的中心概率，形成概率集合
Figure 788202DEST_PATH_IMAGE027
，使用比例选择法确定区域T内的首选询问点：
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
Figure 403991DEST_PATH_IMAGE028
，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；
Figure 635252DEST_PATH_IMAGE029
（2）
其次，系统在区间[0，1]中随机产生一个数r，若
Figure 3786DEST_PATH_IMAGE030
，则选择第一部分作为目标部分，否则，则根据
Figure 396721DEST_PATH_IMAGE031
选择第i部分作为目标部分；
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
Figure 486424DEST_PATH_IMAGE032
，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
Figure 724638DEST_PATH_IMAGE033
移动至交线
Figure 744416DEST_PATH_IMAGE034
上得到点
Figure 42673DEST_PATH_IMAGE035
，并将该点作为按摩中心点；
最后，设定按摩点的位置坐标在X轴和Y轴均服从正态分布，且参数x、y相互独立，两个分布的均值分别为
Figure 616743DEST_PATH_IMAGE036
和
Figure 189807DEST_PATH_IMAGE037
，方差由L和H决定，根据
Figure 267353DEST_PATH_IMAGE038
原则可分别求出X和Y的方差为：
Figure 2091DEST_PATH_IMAGE039
，由此得到按摩点坐标服从的二维正态分布公式：
Figure 814189DEST_PATH_IMAGE040
（3）
根据公式（3）随机产生按摩点的坐标，另外，设定
Figure 189281DEST_PATH_IMAGE041
，
Figure 403224DEST_PATH_IMAGE042
，
Figure 823710DEST_PATH_IMAGE043
和
Figure 857525DEST_PATH_IMAGE044
四点所围成的区间为本次的按摩目标区域
Figure 756080DEST_PATH_IMAGE045
。
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
Figure 558951DEST_PATH_IMAGE046
可以表示为
Figure 150338DEST_PATH_IMAGE047
，
Figure 937028DEST_PATH_IMAGE048
代表第R个部位下的第i个小区域，
Figure 390007DEST_PATH_IMAGE048
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；
Figure 565160DEST_PATH_IMAGE049
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
Figure 812602DEST_PATH_IMAGE050
，选择概率值形成集合
Figure 70277DEST_PATH_IMAGE051
，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
Figure 61367DEST_PATH_IMAGE052
，利用贝叶斯公式可以得到概率集合
Figure 353677DEST_PATH_IMAGE053
的后验概率为：
Figure 37599DEST_PATH_IMAGE054
（4）
其中先验函数
Figure 251411DEST_PATH_IMAGE055
可以通过
Figure 46192DEST_PATH_IMAGE056
，...，
Figure 209320DEST_PATH_IMAGE057
，即
Figure 50762DEST_PATH_IMAGE058
一步一迭代计算得到，设定
Figure 299341DEST_PATH_IMAGE059
服从狄利克雷分布，因此
Figure 881500DEST_PATH_IMAGE060
的后验分布也服从狄利克雷分布，似然函数
Figure 367977DEST_PATH_IMAGE061
可以通过以下公式进行计算：
Figure 377390DEST_PATH_IMAGE062
（5）
Figure 847685DEST_PATH_IMAGE063
的最大后验值可以根据用户以往的定位信息，由公式（6）计算得到：
Figure 233536DEST_PATH_IMAGE064
（6）
其中，
Figure 574519DEST_PATH_IMAGE065
为狄利克雷分布的参数，它记录了先前按摩中心点落在第R个部位下第j个小区域的次数；
依据中心概率的更新方式，设定选择概率的在线更新公式：
Figure 554501DEST_PATH_IMAGE066
（7）
其中
Figure 246513DEST_PATH_IMAGE067
为历史选择的按摩区域内所包含第j个小区域的面积的总和；
Figure 170476DEST_PATH_IMAGE068
为本次目标按摩区域内包含第j个小区域的面积；
Figure 631544DEST_PATH_IMAGE069
为第j个小区域的面积。
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
Figure 248339DEST_PATH_IMAGE001
，直线
Figure 427648DEST_PATH_IMAGE002
位于身体姿态限定面
Figure 906034DEST_PATH_IMAGE003
内，且身体姿态限定面
Figure 2034DEST_PATH_IMAGE003
均垂直于地面，即三维空间中的xoz面，已知地面的法线
Figure 9305DEST_PATH_IMAGE004
为(0,1,0)，设直线Line1的方向向量
Figure 181967DEST_PATH_IMAGE005
为
Figure 932885DEST_PATH_IMAGE006
，身体姿态限定面
Figure 617814DEST_PATH_IMAGE003
的法线向量
Figure 61564DEST_PATH_IMAGE007
为：
Figure 730312DEST_PATH_IMAGE008
（1）
结合指尖点坐标便可得到身体姿态限定面
Figure 816080DEST_PATH_IMAGE009
的方程，之后根据指向交点
Figure 621093DEST_PATH_IMAGE010
所在身体部位的关键点坐标信息确定身体面
Figure 501325DEST_PATH_IMAGE011
，最后，通过指向手的位置、指向方向以及身体姿态限定面
Figure 129140DEST_PATH_IMAGE009
和身体面
Figure 753019DEST_PATH_IMAGE011
的长和宽求出两个面的交线
Figure 163272DEST_PATH_IMAGE012
，根据指向手指指尖与
Figure 463672DEST_PATH_IMAGE010
的距离
Figure 592165DEST_PATH_IMAGE013
确定按摩候选区域的宽度d，d的取值设定了三种情况：
第一种：
Figure 737844DEST_PATH_IMAGE014
8cm，即指尖与交点的距离比较近时，则设定d为
Figure 2604DEST_PATH_IMAGE010
所在部位的宽度最大值
Figure 739484DEST_PATH_IMAGE015
的
Figure 355274DEST_PATH_IMAGE016
；
第二种：
Figure 307574DEST_PATH_IMAGE017
时，设定d为
Figure 692419DEST_PATH_IMAGE018
；
第三种：
Figure 85354DEST_PATH_IMAGE019
20cm，即指尖与交点的距离比较远时，则设定d为
Figure 906548DEST_PATH_IMAGE020
；
设定按摩候选区域T的高度
Figure 659609DEST_PATH_IMAGE021
为交线
Figure 633382DEST_PATH_IMAGE012
在y轴上的投影长度，按摩候选区域T的宽度L为比较
Figure 462797DEST_PATH_IMAGE022
在x轴上投影的长度并选择最大值。
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
Figure 36867DEST_PATH_IMAGE070
，该区域内的黑色直线为交线
Figure 78772DEST_PATH_IMAGE034
。
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；
假设按摩候选区域T中共包含
Figure 424828DEST_PATH_IMAGE023
个部分，面积值分别为
Figure 159565DEST_PATH_IMAGE024
，形成面积集合
Figure 220931DEST_PATH_IMAGE025
，确定每个部分所对应的选择概率，形成概率集合
Figure 332107DEST_PATH_IMAGE026
；确定每个部分所对应的中心概率，形成概率集合
Figure 529739DEST_PATH_IMAGE027
，使用比例选择法确定区域T内的首选询问点：
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
Figure 435378DEST_PATH_IMAGE028
，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；
Figure 984040DEST_PATH_IMAGE029
（2）
其次，系统在区间[0，1]中随机产生一个数r，若
Figure 633327DEST_PATH_IMAGE030
，则选择第一部分作为目标部分，否则，则根据
Figure 967356DEST_PATH_IMAGE031
选择第i部分作为目标部分；
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
Figure 573392DEST_PATH_IMAGE032
，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
Figure 828924DEST_PATH_IMAGE033
移动至交线
Figure 531169DEST_PATH_IMAGE034
上得到点
Figure 454126DEST_PATH_IMAGE035
，并将该点作为按摩中心点；
最后，设定按摩点的位置坐标在X轴和Y轴均服从正态分布，且参数x、y相互独立，两个分布的均值分别为
Figure 216415DEST_PATH_IMAGE036
和
Figure 490401DEST_PATH_IMAGE037
，方差由L和H决定，根据
Figure 730758DEST_PATH_IMAGE038
原则可分别求出X和Y的方差为：
Figure 508222DEST_PATH_IMAGE039
，由此得到按摩点坐标服从的二维正态分布公式：
Figure 178762DEST_PATH_IMAGE040
（3）
根据公式（3）随机产生按摩点的坐标，另外，设定
Figure 674465DEST_PATH_IMAGE041
，
Figure 734825DEST_PATH_IMAGE042
，
Figure 881642DEST_PATH_IMAGE043
和
Figure 470886DEST_PATH_IMAGE044
四点所围成的区间为本次的按摩目标区域
Figure 437574DEST_PATH_IMAGE045
，如图4中虚线框定的区域所示。
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
Figure 770466DEST_PATH_IMAGE046
可以表示为
Figure 771789DEST_PATH_IMAGE047
，
Figure 797514DEST_PATH_IMAGE048
代表第R个部位下的第i个小区域，
Figure 533389DEST_PATH_IMAGE048
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；
Figure 656590DEST_PATH_IMAGE049
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
Figure 263152DEST_PATH_IMAGE050
，选择概率值形成集合
Figure 709046DEST_PATH_IMAGE051
，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
Figure 401058DEST_PATH_IMAGE052
，利用贝叶斯公式可以得到概率集合
Figure 590600DEST_PATH_IMAGE053
的后验概率为：
Figure 317247DEST_PATH_IMAGE054
（4）
其中先验函数
Figure 934042DEST_PATH_IMAGE055
可以通过
Figure 113351DEST_PATH_IMAGE056
，...，
Figure 843934DEST_PATH_IMAGE057
，即
Figure 159509DEST_PATH_IMAGE058
一步一迭代计算得到，设定
Figure 963517DEST_PATH_IMAGE059
服从狄利克雷分布，因此
Figure 613810DEST_PATH_IMAGE060
的后验分布也服从狄利克雷分布，似然函数
Figure 895887DEST_PATH_IMAGE061
可以通过以下公式进行计算：
Figure 846394DEST_PATH_IMAGE071
（5）
Figure 24566DEST_PATH_IMAGE063
的最大后验值可以根据用户以往的定位信息，由公式（6）计算得到：
Figure 693313DEST_PATH_IMAGE064
（6）
其中，
Figure 513502DEST_PATH_IMAGE065
为狄利克雷分布的参数，它记录了先前按摩中心点落在第R个部位下第j个小区域的次数；
依据中心概率的更新方式，设定选择概率的在线更新公式：
Figure 44147DEST_PATH_IMAGE066
（7）
其中
Figure 393220DEST_PATH_IMAGE067
为历史选择的按摩区域内所包含第j个小区域的面积的总和；
Figure 283685DEST_PATH_IMAGE068
为本次目标按摩区域内包含第j个小区域的面积；
Figure 907564DEST_PATH_IMAGE069
为第j个小区域的面积。因此，第R个部位上每个小区域的概率值
Figure 301505DEST_PATH_IMAGE072
将随着交互信息的不断增加而逐步更新。
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。
1. 利用公式（1）计算
Figure 883796DEST_PATH_IMAGE073
;
Figure 995977DEST_PATH_IMAGE074
利用
Figure 157969DEST_PATH_IMAGE073
和
Figure 688307DEST_PATH_IMAGE075
；
Figure 428117DEST_PATH_IMAGE076
利用
Figure 778327DEST_PATH_IMAGE077
和用户身体关键点信息;
Figure 993277DEST_PATH_IMAGE078
利用
Figure 378122DEST_PATH_IMAGE079
和
Figure 20325DEST_PATH_IMAGE080
/*计算面
Figure 123410DEST_PATH_IMAGE080
和面
Figure 892783DEST_PATH_IMAGE080
的交线。*/.
2.H=Height(I)；L=max(length(I),d).
3.T
Figure 381402DEST_PATH_IMAGE081
(H,L,I) /*确定按摩候选区域T*/
4.Num1
Figure 210817DEST_PATH_IMAGE081
KWLib(voice) /*将用户的语音信息与语音意图库的内容进行匹配，从而找到按摩目标身体部位的编号。*/
Num2
Figure 522238DEST_PATH_IMAGE081
T /*确定按摩候选区域所在身体部位的编号。*/
5.IFNum1=
Figure 95301DEST_PATH_IMAGE082
num=Num2
Figure 189159DEST_PATH_IMAGE083
num=Num1
Figure 438744DEST_PATH_IMAGE084
Num2/*确定指向和语音所同时表达的按摩部位编号*/
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:
Figure 250842DEST_PATH_IMAGE085
7.利用公式（2）计算
Figure 345706DEST_PATH_IMAGE086
8.中心点
Figure 559650DEST_PATH_IMAGE087
/*通过比例选择法算法确定
Figure 714556DEST_PATH_IMAGE088
;通过
Figure 13951DEST_PATH_IMAGE089
确定按摩目标区域的中心点坐标。*/
9.
Figure 928817DEST_PATH_IMAGE090
10.
Figure 249464DEST_PATH_IMAGE091
/*确定按摩点集合P以及按摩目标区域
Figure 591584DEST_PATH_IMAGE092
。*/ .
11.利用公式（6）更新
Figure 361963DEST_PATH_IMAGE093
12.利用公式（7）更新
Figure 80520DEST_PATH_IMAGE094
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
Figure 60833DEST_PATH_IMAGE001
，直线
Figure 181236DEST_PATH_IMAGE002
位于身体姿态限定面
Figure DEST_PATH_IMAGE003
内，且身体姿态限定面
Figure 6978DEST_PATH_IMAGE003
均垂直于地面，即三维空间中的xoz面，已知地面的法线
Figure 198925DEST_PATH_IMAGE004
为(0,1,0)，设直线Line1的方向向量
Figure DEST_PATH_IMAGE005
为
Figure 278877DEST_PATH_IMAGE006
，身体姿态限定面
Figure 816519DEST_PATH_IMAGE003
的法线向量
Figure DEST_PATH_IMAGE007
为：
Figure 614710DEST_PATH_IMAGE008
（1）
结合指尖点坐标便可得到身体姿态限定面
Figure DEST_PATH_IMAGE009
的方程，之后根据指向交点
Figure 938244DEST_PATH_IMAGE010
所在身体部位的关键点坐标信息确定身体面
Figure DEST_PATH_IMAGE011
，最后，通过指向手的位置、指向方向以及身体姿态限定面
Figure 921637DEST_PATH_IMAGE009
和身体面
Figure 852684DEST_PATH_IMAGE011
的长和宽求出两个面的交线
Figure 59543DEST_PATH_IMAGE012
，根据指向手指指尖与
Figure 999818DEST_PATH_IMAGE010
的距离
Figure DEST_PATH_IMAGE013
确定按摩候选区域的宽度d，d的取值设定了三种情况：
第一种：
Figure 647837DEST_PATH_IMAGE014
8cm，即指尖与交点的距离比较近时，则设定d为
Figure 264632DEST_PATH_IMAGE010
所在部位的宽度最大值
Figure DEST_PATH_IMAGE015
的
Figure 362382DEST_PATH_IMAGE016
；
第二种：
Figure DEST_PATH_IMAGE017
时，设定d为
Figure 27719DEST_PATH_IMAGE018
；
第三种：
Figure DEST_PATH_IMAGE019
20cm，即指尖与交点的距离比较远时，则设定d为
Figure 530244DEST_PATH_IMAGE020
；
设定按摩候选区域T的高度
Figure DEST_PATH_IMAGE021
为交线
Figure 724465DEST_PATH_IMAGE012
在y轴上的投影长度，按摩候选区域T的宽度L为比较
Figure 391070DEST_PATH_IMAGE022
在x轴上投影的长度并选择最大值；
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；
假设按摩候选区域T中共包含
Figure DEST_PATH_IMAGE023
个部分，面积值分别为
Figure 597448DEST_PATH_IMAGE024
，形成面积集合
Figure DEST_PATH_IMAGE025
，确定每个部分所对应的选择概率，形成概率集合
Figure 220059DEST_PATH_IMAGE026
；确定每个部分所对应的中心概率，形成概率集合
Figure DEST_PATH_IMAGE027
，使用比例选择法确定区域T内的首选询问点：
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
Figure 116340DEST_PATH_IMAGE028
，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；
Figure DEST_PATH_IMAGE029
（2）
其次，系统在区间[0，1]中随机产生一个数r，若
Figure 50666DEST_PATH_IMAGE030
，则选择第一部分作为目标部分，否则，则根据
Figure DEST_PATH_IMAGE031
选择第i部分作为目标部分；
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
Figure 789297DEST_PATH_IMAGE032
，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
Figure DEST_PATH_IMAGE033
移动至交线
Figure 531994DEST_PATH_IMAGE034
上得到点
Figure DEST_PATH_IMAGE035
，并将该点作为按摩中心点；
最后，设定按摩点的位置坐标在X轴和Y轴均服从正态分布，且参数x、y相互独立，两个分布的均值分别为
Figure 333596DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE037
，方差由L和H决定，根据
Figure 630585DEST_PATH_IMAGE038
原则可分别求出X和Y的方差为：
Figure DEST_PATH_IMAGE039
，由此得到按摩点坐标服从的二维正态分布公式：
Figure 444345DEST_PATH_IMAGE040
（3）
根据公式（3）随机产生按摩点的坐标，另外，设定
Figure DEST_PATH_IMAGE041
，
Figure 775969DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE043
和
Figure 748474DEST_PATH_IMAGE044
四点所围成的区间为本次的按摩目标区域
Figure DEST_PATH_IMAGE045
。
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
Figure 63917DEST_PATH_IMAGE046
可以表示为
Figure DEST_PATH_IMAGE047
，
Figure 698946DEST_PATH_IMAGE048
代表第R个部位下的第i个小区域，
Figure 698126DEST_PATH_IMAGE048
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；
Figure DEST_PATH_IMAGE049
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
Figure 107111DEST_PATH_IMAGE050
，选择概率值形成集合
Figure DEST_PATH_IMAGE051
，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
Figure 644271DEST_PATH_IMAGE052
，利用贝叶斯公式可以得到概率集合
Figure DEST_PATH_IMAGE053
的后验概率为：
Figure 796904DEST_PATH_IMAGE054
（4）
其中先验函数
Figure DEST_PATH_IMAGE055
可以通过
Figure 106050DEST_PATH_IMAGE056
，...，
Figure DEST_PATH_IMAGE057
，即
Figure 154777DEST_PATH_IMAGE058
一步一迭代计算得到，设定
Figure DEST_PATH_IMAGE059
服从狄利克雷分布，因此
Figure 772709DEST_PATH_IMAGE060
的后验分布也服从狄利克雷分布，似然函数
Figure DEST_PATH_IMAGE061
可以通过以下公式进行计算：
Figure 197875DEST_PATH_IMAGE062
（5）
Figure DEST_PATH_IMAGE063
的最大后验值可以根据用户以往的定位信息，由公式（6）计算得到：
Figure 355668DEST_PATH_IMAGE064
（6）
其中，
Figure DEST_PATH_IMAGE065
为狄利克雷分布的参数，它记录了先前按摩中心点落在第R个部位下第j个小区域的次数；
依据中心概率的更新方式，设定选择概率的在线更新公式：
Figure 840876DEST_PATH_IMAGE066
（7）
其中
Figure DEST_PATH_IMAGE067
为历史选择的按摩区域内所包含第j个小区域的面积的总和；
Figure 87049DEST_PATH_IMAGE068
为本次目标按摩区域内包含第j个小区域的面积；
Figure DEST_PATH_IMAGE069
为第j个小区域的面积。
CN202210776224.6A 2022-07-04 2022-07-04 一种在线学习按摩定位算法 Active CN114842948B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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