CN118072358B - 基于人工智能的自动按摩调控系统 - Google Patents
基于人工智能的自动按摩调控系统 Download PDFInfo
- Publication number
- CN118072358B CN118072358B CN202410459874.7A CN202410459874A CN118072358B CN 118072358 B CN118072358 B CN 118072358B CN 202410459874 A CN202410459874 A CN 202410459874A CN 118072358 B CN118072358 B CN 118072358B
- Authority
- CN
- China
- Prior art keywords
- sequence
- semantic
- semantic feature
- feature
- local area
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- 239000011664 nicotinic acid Substances 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 146
- 230000011218 segmentation Effects 0.000 claims description 42
- 230000010354 integration Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000005728 strengthening Methods 0.000 claims description 13
- 238000003709 image segmentation Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 239000003623 enhancer Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 2
- 238000001467 acupuncture Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012512 characterization method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 27
- 238000000034 method Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 13
- 230000017531 blood circulation Effects 0.000 description 6
- 210000003205 muscle Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010049816 Muscle tightness Diseases 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Human Computer Interaction (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种基于人工智能的自动按摩调控系统，其通过摄像头采集被按摩对象的背部图像，并在后端引入基于人工智能的图像处理和分析算法来进行该背部图像的特征分析和刻画，从而识别出被按摩对象的穴位位置，以此来进行背部图像的分割，并控制仿生手进行相应穴位的按摩。这样，能够为用户提供更加个性化、智能化和安全的按摩服务，为人们提供更好的按摩体验。
Description
技术领域
本申请涉及智能调控领域，且更为具体地，涉及一种基于人工智能的自动按摩调控系统。
背景技术
按摩是一种古老的理疗方法，可以追溯到几千年前。按摩可以通过刺激穴位来疏通经络、活血化瘀、缓解疼痛、改善血液循环等。传统上，按摩都是由人工进行的，然而，人工按摩的方式需要按摩师长时间的工作，可能会导致按摩师的疲劳和受伤。并且，由于不同的人工按摩师的按摩手法和力度可能不同，导致按摩的质量不一致。
随着科学技术的进步，按摩技术也在不断发展。目前，市面上已经有一些自动按摩系统产品，其可以提供更一致和标准化的按摩体验，但这些产品大多只能提供简单的按摩功能，而且价格昂贵，并不能够根据按摩用户的不同需求进行个性化的定制服务，使得用户的体验感较低。
因此，期望一种基于人工智能的自动按摩调控系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的自动按摩调控系统，其通过摄像头采集被按摩对象的背部图像，并在后端引入基于人工智能的图像处理和分析算法来进行该背部图像的特征分析和刻画，从而识别出被按摩对象的穴位位置，以此来进行背部图像的分割，并控制仿生手进行相应穴位的按摩。这样，能够为用户提供更加个性化、智能化和安全的按摩服务，为人们提供更好的按摩体验。
根据本申请的一个方面，提供了一种基于人工智能的自动按摩调控系统，其包括：
背部图像采集模块，用于获取由摄像头采集的被按摩对象的背部图像；
背部图像切分模块，用于对所述背部图像进行图像切分以得到背部局部区域图像的序列；
背部局部区域语义特征提取模块，用于通过基于深度神经网络模型的背部特征提取器分别对所述背部局部区域图像的序列中的各个背部局部区域图像进行特征提取以得到背部局部区域语义特征向量的序列；
背部局部区域语义特征强化模块，用于对所述背部局部区域语义特征向量的序列进行自相关注意力强化以得到强化背部局部区域语义特征向量的序列；
背部全局语义整合及语义分割模块，用于对所述强化背部局部区域语义特征向量的序列进行特征整合和语义分割以得到背部穴位语义分割图；
按摩控制模块，用于基于所述背部穴位语义分割图，控制仿生手进行按摩。
与现有技术相比，本申请提供的一种基于人工智能的自动按摩调控系统，其通过摄像头采集被按摩对象的背部图像，并在后端引入基于人工智能的图像处理和分析算法来进行该背部图像的特征分析和刻画，从而识别出被按摩对象的穴位位置，以此来进行背部图像的分割，并控制仿生手进行相应穴位的按摩。这样，能够为用户提供更加个性化、智能化和安全的按摩服务，为人们提供更好的按摩体验。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于人工智能的自动按摩调控系统的框图；
图2为根据本申请实施例的基于人工智能的自动按摩调控系统的系统架构图；
图3为根据本申请实施例的基于人工智能的自动按摩调控系统中背部全局语义整合及语义分割模块的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
人工按摩的方式需要按摩师长时间的工作，可能会导致按摩师的疲劳和受伤。并且，由于不同的人工按摩师的按摩手法和力度可能不同，导致按摩的质量不一致。随着科学技术的进步，按摩技术也在不断发展。目前，市面上已经有一些自动按摩系统产品，其可以提供更一致和标准化的按摩体验，但这些产品大多只能提供简单的按摩功能，而且价格昂贵，并不能够根据按摩用户的不同需求进行个性化的定制服务，使得用户的体验感较低。因此，期望一种基于人工智能的自动按摩调控系统。
在本申请的技术方案中，提出了一种基于人工智能的自动按摩调控系统。图1为根据本申请实施例的基于人工智能的自动按摩调控系统的框图。图2为根据本申请实施例的基于人工智能的自动按摩调控系统的系统架构图。如图1和图2所示，根据本申请的实施例的基于人工智能的自动按摩调控系统300，包括：背部图像采集模块310，用于获取由摄像头采集的被按摩对象的背部图像；背部图像切分模块320，用于对所述背部图像进行图像切分以得到背部局部区域图像的序列；背部局部区域语义特征提取模块330，用于通过基于深度神经网络模型的背部特征提取器分别对所述背部局部区域图像的序列中的各个背部局部区域图像进行特征提取以得到背部局部区域语义特征向量的序列；背部局部区域语义特征强化模块340，用于对所述背部局部区域语义特征向量的序列进行自相关注意力强化以得到强化背部局部区域语义特征向量的序列；背部全局语义整合及语义分割模块350，用于对所述强化背部局部区域语义特征向量的序列进行特征整合和语义分割以得到背部穴位语义分割图；按摩控制模块360，用于基于所述背部穴位语义分割图，控制仿生手进行按摩。
特别地，所述背部图像采集模块310和所述背部图像切分模块320，用于获取由摄像头采集的被按摩对象的背部图像；以及，对所述背部图像进行图像切分以得到背部局部区域图像的序列。应可以理解，由于被按摩对象的不同区域的背部可能有不同的需求和特点，例如肌肉紧张程度、压力敏感度等，因此针对每个局部区域进行个性化处理可以提高按摩的效果和舒适度。此外，背部是一个复杂的区域，包含多个肌肉群、神经和穴位，每个区域可能需要不同的按摩手法和力度。因此，为了能够更好地理解被按摩对象的背部结构和需求，从而实现更精准、个性化的按摩体验，在本申请的技术方案中，需要对所述背部图像进行图像切分以得到背部局部区域图像的序列。通过将所述背部图像切分为局部区域图像的序列，系统可以更准确地定位和处理每个背部局部区域，从而实现更精细、个性化的按摩调控。
特别地，所述背部局部区域语义特征提取模块330，用于通过基于深度神经网络模型的背部特征提取器分别对所述背部局部区域图像的序列中的各个背部局部区域图像进行特征提取以得到背部局部区域语义特征向量的序列。其中，所述深度神经网络模型为卷积神经网络模型。也就是，在本申请的技术方案中，将所述背部局部区域图像的序列中的各个背部局部区域图像分别通过基于卷积神经网络模型的背部特征提取器中进行特征挖掘，以分别提取出所述各个背部局部区域图像中的语义特征信息，从而得到背部局部区域语义特征向量的序列。这样，能够能够更好地理解和分析背部不同区域的特征，例如肌肉组织的密度、血液循环情况、压力敏感度和穴位等信息，为后续的按摩调控提供基础。也就是说，所述背部局部区域语义特征向量的序列可以帮助系统更准确地识别不同区域的需求，为后续的个性化按摩调控提供更精准的信息和基础，这样，有助于提高自动按摩系统的效果和适应性。具体地，将所述背部局部区域图像的序列中的各个背部局部区域图像分别通过基于卷积神经网络模型的背部特征提取器中进行特征挖掘，从而得到背部局部区域语义特征向量的序列，包括：使用所述基于卷积神经网络模型的背部特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的背部特征提取器的最后一层的输出为所述背部局部区域语义特征向量的序列，所述基于卷积神经网络模型的背部特征提取器的第一层的输入为所述背部局部区域图像的序列中的各个背部局部区域图像。
值得注意的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，特别适用于处理具有网格结构的数据，如图像和视频。下面是卷积神经网络模型的一般结构和步骤化展开：输入层：接受输入数据，通常是图像、音频或文本等；卷积层：卷积层是CNN的核心组件之一。它通过应用一系列滤波器（也称为卷积核）来提取输入数据中的局部特征。卷积操作将滤波器与输入数据进行逐元素相乘并求和，生成特征图；激活函数：在卷积层之后，通常会应用一个非线性激活函数，如ReLU，以引入非线性特征；池化层：池化层用于减少特征图的空间尺寸，并保留最重要的特征。常见的池化操作有最大池化和平均池化；全连接层：全连接层将池化层的输出连接到一个或多个全连接层，用于将特征映射到最终的输出类别或回归值。全连接层中的每个神经元都与前一层的所有神经元相连；输出层：输出层根据任务的不同选择适当的激活函数，如softmax函数用于多分类任务，线性激活函数用于回归任务；损失函数：根据任务的不同选择适当的损失函数，如交叉熵损失函数用于分类任务，均方误差损失函数用于回归任务；反向传播和优化：通过反向传播算法和梯度下降优化算法，根据损失函数计算模型参数的梯度，并更新参数以最小化损失函数。
特别地，所述背部局部区域语义特征强化模块340，用于对所述背部局部区域语义特征向量的序列进行自相关注意力强化以得到强化背部局部区域语义特征向量的序列。特别地，在本申请的一个具体示例中，为了进一步提升特征的表征能力和区分度，以更好地捕捉背部不同区域之间的关联信息和重要特征，从而实现更精准的按摩调控，在本申请的技术方案中，进一步将所述背部局部区域语义特征向量的序列通过基于自相关注意网络的特征强化器以得到强化背部局部区域语义特征向量的序列。通过所述基于自相关注意网络的特征强化器进行处理，可以让系统更加注重背部局部区域语义特征向量序列中不同向量之间的相关性和重要性，从而更好地捕捉背部不同区域之间的相关信息，并识别出更为重要的背部局部区域，为后续的背部区域图像分割提供依据，例如能够捕捉到不同区域之间的血液循环情况、肌肉紧张程度以及穴位分布情况等信息，这些信息对于个性化按摩调控至关重要。具体地，对所述背部局部区域语义特征向量的序列进行自相关注意力强化以得到所述强化背部局部区域语义特征向量的序列，包括：将所述背部局部区域语义特征向量的序列通过所述基于自相关注意网络的特征强化器以如下自相关公式进行处理以得到所述强化背部局部区域语义特征向量的序列；其中，所述自相关公式为：
其中，为所述背部局部区域语义特征向量的序列中的第个背部局部区域语义特征向量，和分别表示权重系数向量和权重系数矩阵，为偏移向量，表示函数，为第个所述背部局部区域语义特征向量的注意力打分向量，表示向量的指数运算，为第个所述背部局部区域语义特征向量的注意力打分向量，为所述背部局部区域语义特征向量的序列的向量个数，为第个所述背部局部区域语义特征向量的权重向量，为所述强化背部局部区域语义特征向量的序列中第个强化背部局部区域语义特征向量。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述背部局部区域语义特征向量的序列进行自相关注意力强化以得到强化背部局部区域语义特征向量的序列，例如：对于给定的背部局部区域语义特征向量序列，首先将其复制三次，分别作为查询、键和值的输入；计算查询向量和键向量之间的相似度，一种常见的计算方式是使用点积或加性注意力机制。将相似度值经过 softmax 操作得到注意力权重，用于加权值向量以获得加权后的特征表示；通过将查询向量和键向量进行点积操作，并应用 softmax 函数，得到注意力权将值向量与注意力权重矩阵相乘，得到加权后的特征表示；将经过自相关注意力强化的特征向量序列整合成一个综合的背部局部区域语义特征向量序列。可以通过求和、平均或其他整合方式来获得最终的强化特征表示。
特别地，所述背部全局语义整合及语义分割模块350，用于对所述强化背部局部区域语义特征向量的序列进行特征整合和语义分割以得到背部穴位语义分割图。特别地，在申请的一个具体示例中，如图3所示，所述背部全局语义整合及语义分割模块350，包括：背部局部语义特征优化单元351，用于对所述强化背部局部区域语义特征向量的序列进行特征优化以得到优化后强化背部局部区域语义特征向量的序列；背部局部语义特征整合单元352，用于将所述优化后强化背部局部区域语义特征向量的序列进行特征整合以得到背部全局语义特征矩阵；背部穴位语义分割单元353，用于将所述背部全局语义特征矩阵输入基于softmax函数的语义分割器以得到所述背部穴位语义分割图。
具体地，所述背部局部语义特征优化单元351，用于对所述强化背部局部区域语义特征向量的序列进行特征优化以得到优化后强化背部局部区域语义特征向量的序列。特别地，在本申请的一个具体示例中，将所述强化背部局部区域语义特征向量的序列进行级联以得到第一特征向量；将所述背部局部区域语义特征向量的序列进行级联以得到第二特征向量；对所述第一特征向量和所述第二特征向量进行优化融合以得到优化后融合级联特征向量；将所述优化后融合级联特征向量进行拆分以得到所述优化后强化背部局部区域语义特征向量的序列。应可以理解，在本申请的技术方案中，所述背部局部区域语义特征向量的序列中的每个背部局部区域语义特征向量表达各个背部局部区域图像的基于卷积编码的图像语义特征，这样，将所述背部局部区域语义特征向量的序列输入基于自相关注意网络的特征强化器后，所述强化背部局部区域语义特征向量的序列中的各个强化背部局部区域语义特征向量基于各个背部局部区域图像的基于卷积编码的图像语义特征的整体高阶图像语义关联特征分布来进行局部背部区域的图像语义特征分布自强化，但是，这在提升了某些背部局部域图像的图像语义特征的特征表示显著性的同时，也会使得所述强化背部局部区域语义特征向量的序列偏离背部局部区域语义特征向量的序列，由此，期望通过进一步融合所述强化背部局部区域语义特征向量的序列和所述背部局部区域语义特征向量的序列来优化所述强化背部局部区域语义特征向量的序列。同时，考虑到所述强化背部局部区域语义特征向量的序列和所述背部局部区域语义特征向量的序列的基于自相关注意力强化的不同特征表示模式，期望提升所述强化背部局部区域语义特征向量的序列和所述背部局部区域语义特征向量的序列各自到融合后的特征分布域的映射效果。因此，本申请对所述强化背部局部区域语义特征向量的序列和所述背部局部区域语义特征向量的序列进行优化融合，具体表示为：以如下优化融合公式对所述强化背部局部区域语义特征向量的序列进行特征优化以得到所述优化后强化背部局部区域语义特征向量的序列；其中，所述优化融合公式为：
其中，是所述强化背部局部区域语义特征向量的序列级联后得到的第一特征向量，是所述背部局部区域语义特征向量的序列级联后得到的第二特征向量，表示所述第一特征向量的第个位置的特征值，表示所述第二特征向量的第个位置的特征值，，特征向量和具有相同长度，和是尺度超参数，且是距离差值超参数，表示向量乘法，表示向量的转置，是所述优化后强化背部局部区域语义特征向量的序列级联后得到的优化后融合级联特征向量的第个位置的特征值。
这里，针对特征融合场景下，所述强化背部局部区域语义特征向量的序列和所述背部局部区域语义特征向量的序列之间的流形分布距离导致的流形网络结构交互重建困难的问题，通过低阶中尺度希尔伯特空间基元结构对于复杂流形网络结构中的网络子结构的有效近似，来进行基于距离表示的低阶中尺度子流形交互行为构建，从而在网络相互作用层面上理解网络中的异常子流形交互，提升所述强化背部局部区域语义特征向量的序列和所述背部局部区域语义特征向量的序列的特征融合表示效果。这样，能够更为准确地进行用户背部图像的语义分割，从而为用户提供更加个性化、智能化和安全的按摩服务。
具体地，所述背部局部语义特征整合单元352，用于将所述优化后强化背部局部区域语义特征向量的序列进行特征整合以得到背部全局语义特征矩阵。考虑到在实际进行被按摩对象的背部识别和按摩个性化控制时，由于所述被按摩对象的各个背部局部区域特征之间存在着基于整体的关联关系，例如穴位分布情况、肌肉紧张程度和血液循环情况等。因此，为了能够综合考虑背部各个局部区域的特征分布信息，为最终的按摩调控提供综合性的信息，在本申请的技术方案中，将所述强化背部局部区域语义特征向量的序列进行特征整合以得到背部全局语义特征矩阵。通过特征整合，系统可以将被按摩对象的背部不同局部区域的特征信息融合在一起，形成一个全局的背部特征表示。这样的全局语义特征矩阵可以帮助系统更全面地理解被按摩对象的背部情况，包括整体的肌肉紧张程度、血液循环情况、压力敏感度和穴位分布情况等，为后续的按摩调控提供更全面、综合的信息。
具体地，所述背部穴位语义分割单元353，用于将所述背部全局语义特征矩阵输入基于softmax函数的语义分割器以得到所述背部穴位语义分割图。也就是，在本申请的一个具体示例中，将所述背部全局语义特征矩阵输入基于softmax函数的语义分割器，以将背部整体特征信息转化为对应的背部穴位语义分割图，从而实现对背部不同部位和穴位分布的识别和分割。在这个过程中，所述基于 softmax 函数的语义分割器可以将所述背部全局语义特征矩阵中的信息映射到背部图像的像素级别，从而实现对不同背部区域的语义分割。通过这种方式，系统可以识别背部图像中的背部不同部位，如肌肉、骨骼、穴位等，从而为后续的按摩调控提供更精细的定位和分析。特别地，所述背部穴位语义分割图可以帮助系统更准确地识别和定位背部不同部位的重要区域，如穴位位置、肌肉组织分布等，这些信息对于个性化按摩调控至关重要，可以帮助系统根据不同区域的特征进行针对性的按摩处理。进而，基于所述背部穴位语义分割图，控制仿生手进行按摩，以此来提高按摩的效果和舒适度。这样，能够为用户提供更加个性化、智能化和安全的按摩服务，为人们提供更好的按摩体验。值得一提的是，Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述强化背部局部区域语义特征向量的序列进行特征整合和语义分割以得到背部穴位语义分割图，例如：根据背部局部区域的特征向量序列，可以采用注意力机制、池化操作或卷积操作等方法来对这些特征向量进行整合，以获得更全局的背部特征表示；可以使用循环神经网络、卷积神经网络或注意力机制等技术，将局部特征向量序列整合成一个综合的背部特征表示，以捕捉全局上下文信息；利用整合后的背部特征表示，将其输入到语义分割网络中进行分割，以获得背部穴位的语义分割图像；可以使用深度学习中的语义分割模型，如U-Net、DeepLabv3等；在训练阶段，使用带有标记的背部穴位语义分割图像进行模型训练；在推理阶段，将整合后的背部特征输入训练好的语义分割模型中，进行预测并生成背部穴位的语义分割图像。
特别地，所述按摩控制模块360，用于基于所述背部穴位语义分割图，控制仿生手进行按摩。值得一提的是，所述背部穴位语义分割图可以帮助系统更准确地识别和定位背部不同部位的重要区域，如穴位位置、肌肉组织分布等，这些信息对于个性化按摩调控至关重要，可以帮助系统根据不同区域的特征进行针对性的按摩处理。基于所述背部穴位语义分割图，控制仿生手进行按摩，能够提高按摩的效果和舒适度。
如上所述，根据本申请实施例的基于人工智能的自动按摩调控系统300可以实现在各种无线终端中，例如具有基于人工智能的自动按摩调控算法的服务器等。在一种可能的实现方式中，根据本申请实施例的基于人工智能的自动按摩调控系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于人工智能的自动按摩调控系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于人工智能的自动按摩调控系统300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于人工智能的自动按摩调控系统300与该无线终端也可以是分立的设备，并且该基于人工智能的自动按摩调控系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (6)
1.一种基于人工智能的自动按摩调控系统，其特征在于，包括：
背部图像采集模块，用于获取由摄像头采集的被按摩对象的背部图像；
背部图像切分模块，用于对所述背部图像进行图像切分以得到背部局部区域图像的序列；
背部局部区域语义特征提取模块，用于通过基于深度神经网络模型的背部特征提取器分别对所述背部局部区域图像的序列中的各个背部局部区域图像进行特征提取以得到背部局部区域语义特征向量的序列；
背部局部区域语义特征强化模块，用于对所述背部局部区域语义特征向量的序列进行自相关注意力强化以得到强化背部局部区域语义特征向量的序列；
将所述背部局部区域语义特征向量的序列通过基于自相关注意网络的特征强化器以得到强化背部局部区域语义特征向量的序列；
背部全局语义整合及语义分割模块，用于对所述强化背部局部区域语义特征向量的序列进行特征整合和语义分割以得到背部穴位语义分割图；
按摩控制模块，用于基于所述背部穴位语义分割图，控制仿生手进行按摩；
其中，所述背部局部区域语义特征强化模块，用于：将所述背部局部区域语义特征向量的序列通过所述基于自相关注意网络的特征强化器以如下自相关公式进行处理以得到所述强化背部局部区域语义特征向量的序列；
其中，所述自相关公式为：
vi＝aihi
其中，hi为所述背部局部区域语义特征向量的序列中的第i个背部局部区域语义特征向量，和Wi分别表示权重系数向量和权重系数矩阵，Bi为偏移向量，tanh(·)表示tanh函数，ei为第i个所述背部局部区域语义特征向量的注意力打分向量，exp(·)表示向量的指数运算，ek为第k个所述背部局部区域语义特征向量的注意力打分向量，t为所述背部局部区域语义特征向量的序列的向量个数，ai为第i个所述背部局部区域语义特征向量的权重向量，vi为所述强化背部局部区域语义特征向量的序列中第i个强化背部局部区域语义特征向量。
2.根据权利要求1所述的基于人工智能的自动按摩调控系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的基于人工智能的自动按摩调控系统，其特征在于，所述背部局部区域语义特征提取模块，用于：使用所述基于深度神经网络模型的背部特征提取器的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述基于深度神经网络模型的背部特征提取器的最后一层的输出为所述背部局部区域语义特征向量的序列，所述基于深度神经网络模型的背部特征提取器的第一层的输入为所述背部局部区域图像的序列中的各个背部局部区域图像。
4.根据权利要求3所述的基于人工智能的自动按摩调控系统，其特征在于，所述背部全局语义整合及语义分割模块，包括：
背部局部语义特征优化单元，用于对所述强化背部局部区域语义特征向量的序列进行特征优化以得到优化后强化背部局部区域语义特征向量的序列；
背部局部语义特征整合单元，用于将所述优化后强化背部局部区域语义特征向量的序列进行特征整合以得到背部全局语义特征矩阵；
背部穴位语义分割单元，用于将所述背部全局语义特征矩阵输入基于softmax函数的语义分割器以得到所述背部穴位语义分割图。
5.根据权利要求4所述的基于人工智能的自动按摩调控系统，其特征在于，所述背部局部语义特征优化单元，用于：对所述强化背部局部区域语义特征向量的序列和所述背部局部区域语义特征向量的序列进行优化融合以得到所述优化后强化背部局部区域语义特征向量的序列。
6.根据权利要求5所述的基于人工智能的自动按摩调控系统，其特征在于，所述背部局部语义特征优化单元，包括：
第一级联子单元，用于将所述强化背部局部区域语义特征向量的序列进行级联以得到第一特征向量；
第二级联子单元，用于将所述背部局部区域语义特征向量的序列进行级联以得到第二特征向量；
级联特征优化融合子单元，用于对所述第一特征向量和所述第二特征向量进行优化融合以得到优化后融合级联特征向量；
优化后级联特征向量拆分子单元，用于将所述优化后融合级联特征向量进行拆分以得到所述优化后强化背部局部区域语义特征向量的序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410459874.7A CN118072358B (zh) | 2024-04-17 | 2024-04-17 | 基于人工智能的自动按摩调控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410459874.7A CN118072358B (zh) | 2024-04-17 | 2024-04-17 | 基于人工智能的自动按摩调控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118072358A CN118072358A (zh) | 2024-05-24 |
| CN118072358B true CN118072358B (zh) | 2024-07-19 |
Family
ID=91099468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410459874.7A Active CN118072358B (zh) | 2024-04-17 | 2024-04-17 | 基于人工智能的自动按摩调控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118072358B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118429339B (zh) * | 2024-07-03 | 2024-08-30 | 吉林大学 | 基于唾液代谢物的胃癌患者识别系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021130020A (ja) * | 2020-05-25 | 2021-09-09 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | マッサージ指示方法及び装置 |
| CN116966086A (zh) * | 2023-08-08 | 2023-10-31 | 上海盛益精密机械有限公司 | 一种基于实时图像优化的人体背部腧穴标定方法及系统 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363210B (zh) * | 2018-04-10 | 2023-05-05 | 腾讯科技（深圳）有限公司 | 一种图像语义分割模型的训练方法和服务器 |
| WO2020215236A1 (zh) * | 2019-04-24 | 2020-10-29 | 哈尔滨工业大学（深圳） | 图像语义分割方法和系统 |
| KR20190084914A (ko) * | 2019-06-28 | 2019-07-17 | 엘지전자 주식회사 | 안마 제공 장치 및 안마 제공 장치의 제어 방법 |
| CN113807207A (zh) * | 2021-08-30 | 2021-12-17 | 中科尚易健康科技(北京)有限公司 | 基于多摄像头的人体经络识别方法和装置及人体经络调理设备 |
| KR102687411B1 (ko) * | 2022-03-31 | 2024-07-22 | 국립부경대학교 산학협력단 | 기계학습 기반의 경혈 위치 인식 시스템 및 그 방법 |
| 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 |
| CN115429683A (zh) * | 2022-09-26 | 2022-12-06 | 慕思健康睡眠股份有限公司 | 基于深度学习的经络穴位按摩方法、系统、装置及介质 |
| CN116363203A (zh) * | 2023-03-27 | 2023-06-30 | 网易（杭州）网络有限公司 | 穴位追踪方法、按摩方法、装置及电子设备 |
| CN116403241A (zh) * | 2023-04-04 | 2023-07-07 | 网易（杭州）网络有限公司 | 背部穴位的识别方法、装置、电子设备及可读存储介质 |
| CN116580423A (zh) * | 2023-04-23 | 2023-08-11 | 华南理工大学 | 一种人体背部穴位识别与定位方法、系统、装置及介质 |
| CN117333669A (zh) * | 2023-09-28 | 2024-01-02 | 武汉大学 | 基于有用信息引导的遥感影像语义分割方法、系统及设备 |
| CN117853596A (zh) * | 2023-12-15 | 2024-04-09 | 河北省地质矿产勘查开发局第三地质大队 | 无人机遥感测绘方法及系统 |
-
2024
- 2024-04-17 CN CN202410459874.7A patent/CN118072358B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021130020A (ja) * | 2020-05-25 | 2021-09-09 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | マッサージ指示方法及び装置 |
| CN116966086A (zh) * | 2023-08-08 | 2023-10-31 | 上海盛益精密机械有限公司 | 一种基于实时图像优化的人体背部腧穴标定方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118072358A (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118072358B (zh) | 基于人工智能的自动按摩调控系统 | |
| CN112307958B (zh) | 基于时空外观运动注意力网络的微表情识别方法 | |
| Ale et al. | Deep learning based plant disease detection for smart agriculture | |
| KR102190303B1 (ko) | Cnn기반의 딥러닝 모델 학습장치 및 그 방법 | |
| CN113033276B (zh) | 一种基于转换模块的行为识别方法 | |
| CN114201592A (zh) | 面向医学图像诊断的视觉问答方法 | |
| CN107242876B (zh) | 一种用于精神状态的计算机视觉方法 | |
| Cao et al. | Face photo-sketch synthesis via full-scale identity supervision | |
| CN111724370A (zh) | 一种基于不确定性和概率的多任务无参考图像质量评估方法及系统 | |
| CN116012255A (zh) | 一种基于循环一致性生成对抗网络的低光图像增强方法 | |
| CN117238026A (zh) | 一种基于骨骼和图像特征的姿态重建交互行为理解方法 | |
| Liu et al. | Dendritic deep learning for medical segmentation | |
| CN111612133A (zh) | 基于人脸图像多阶段关系学习的内脏器官特征编码方法 | |
| Gasa et al. | MobileNet Neural Network skin disease detector with Raspberry pi Integrated to Telegram | |
| CN114283301A (zh) | 一种基于Transformer的自适应医学影像分类方法及系统 | |
| Agalya et al. | Cpro: competitive poor and rich optimizer-enabled deep learning model and holoentropy weighted-power k-means clustering for brain tumor classification using mri | |
| Ibrayev et al. | Design and implication of a rule based weight sparsity module in htm spatial pooler | |
| CN116312971B (zh) | 认知训练素材生成方法、认知训练方法、装置和介质 | |
| Miao et al. | Spatiotemporal joint filter decomposition in 3D convolutional neural networks | |
| Venu et al. | Optimized Deep Learning Model Using Modified Whale’s Optimization Algorithm for EEG Signal Classification | |
| CN117455757A (zh) | 图像处理方法、装置、设备及存储介质 | |
| Li et al. | Fusion of ANNs as decoder of retinal spike trains for scene reconstruction | |
| CN115205923A (zh) | 基于宏表情状态迁移和混合注意力约束的微表情识别方法 | |
| Soni et al. | HMC: A hybrid reinforcement learning based model compression for healthcare applications | |
| Zhang et al. | EEG data augmentation for personal identification using SF-GAN |
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 |