基于柔性陣列壓感坐墊的人體坐姿檢測系統(tǒng)

張美燕，徐祎楠，王露晗，陳校楠，康睿鑫，朱啟蔚

(浙江水利水電學(xué)院 電氣工程學(xué)院，浙江 杭州 310018)

隨著現(xiàn)代化社會的發(fā)展，電腦普及度越來越高，學(xué)習(xí)和工作壓力越來越大，每天工作時(shí)間越來越長。根據(jù)相關(guān)統(tǒng)計(jì)，伏案工作平均每天超過8 h的人越來越多[1]。對于如此高強(qiáng)度的伏案工作，要長期保持端正的坐姿相當(dāng)困難，很容易出現(xiàn)各種不良坐姿，包括身體斜傾、距離書桌過近、偏頭等。長期的不正確坐姿可能使人們患上腰椎病、頸椎病、近視、斜眼等各種疾病，對身心健康造成嚴(yán)重影響。研究表明，由于長時(shí)間的坐立及不正確的坐姿，加上缺乏足夠運(yùn)動導(dǎo)致身體各方面素質(zhì)下降，近70%的人群受到不同程度的腰椎病的折磨[2]。根據(jù)對我國5歲以上人群視力情況統(tǒng)計(jì)發(fā)現(xiàn)，約5億人存在不同程度的近視和遠(yuǎn)視，其中近視患者約4.5億人。高中及大學(xué)生的近視率更是高得驚人，均超過70%，且呈逐年增加的趨勢，青少年近視率世界第一。為何會有如此高的近視率？究其原因主要是長期坐姿不當(dāng)、眼睛距桌子過近、用眼過度[3]。綜上，實(shí)時(shí)在線進(jìn)行坐姿檢測并及時(shí)提醒糾正異常重要，也是當(dāng)下急需的一種非常實(shí)用的技術(shù)。

目前，越來越多的學(xué)者研究坐姿檢測及提醒糾正的方案。這些方案基本上是通過傳感方式實(shí)現(xiàn)[4-5]，有些方案采用超聲波及紅外傳感器監(jiān)測頭與桌的距離識別坐姿，有些方案通過在椅子上安裝壓力傳感器，利用壓力傳感器采集坐立時(shí)壓力分布數(shù)據(jù)判斷坐姿是否傾斜，有些方案通過在頭上套接距離及傾斜傳感器實(shí)現(xiàn)視覺距離與身體斜傾等檢測。上述通過傳感器對坐立姿勢進(jìn)行檢測的方案優(yōu)點(diǎn)是數(shù)據(jù)測量準(zhǔn)確度高，缺點(diǎn)是其測量數(shù)據(jù)過于單一。另外，用戶需安裝或佩戴傳感器，使用不便，成本較高，用戶體驗(yàn)感差，存在很多局限性。

另外一種方式是利用圖像視覺檢測人體坐立姿態(tài)[6-11]，雖然需要較復(fù)雜的圖像數(shù)據(jù)處理過程，但獲取的信息豐富，使用方便，因此是目前的主要研究方向。張宇針對6種常見坐姿行為，提出使用攝像頭視覺方式，通過人臉檢測和膚色統(tǒng)計(jì)實(shí)現(xiàn)6種坐姿識別[6]。如果沒有視覺深度數(shù)據(jù)，就很難實(shí)現(xiàn)坐姿數(shù)據(jù)的精準(zhǔn)采集與判決，因此目前較多的研究都是基于深度傳感器的坐姿檢測技術(shù)與系統(tǒng)[7-10]。有些復(fù)雜方法通過獲取人體關(guān)鍵特征點(diǎn)的深度信息來完成對象輪廓的復(fù)原，重建三維圖像，并采用機(jī)器學(xué)習(xí)的方法對人眼、胸及主要關(guān)節(jié)、桌面等對象進(jìn)行識別，提取人體脊椎的骨骼模型并與標(biāo)準(zhǔn)的模型進(jìn)行比較，判斷歪斜、含胸等不同坐姿?；谏疃纫曈X的坐姿檢測方法對于不同人的不同姿態(tài)泛化能力不強(qiáng)，而且實(shí)時(shí)性較差。魏華良等利用常規(guī)部署的視頻監(jiān)控實(shí)現(xiàn)實(shí)時(shí)性的坐姿檢測，但是對處理器的處理能力依賴程度過大[11]。

綜上所述，現(xiàn)有的人體坐姿檢測技術(shù)仍然存在著檢測精度不高、可檢測的坐姿種類少、算法復(fù)雜無法實(shí)時(shí)進(jìn)行等缺點(diǎn)。因此，本項(xiàng)目提出了一種基于柔性陣列壓感坐墊的人體坐姿實(shí)時(shí)檢測系統(tǒng)，依靠柔性陣列壓力傳感器和支持向量機(jī)判決方法實(shí)現(xiàn)了人體坐姿狀態(tài)數(shù)據(jù)的采集與處理，應(yīng)用簡單，精度高，實(shí)時(shí)性強(qiáng)，具有良好的實(shí)用性和研究意義。

1 系統(tǒng)設(shè)計(jì)

本文設(shè)計(jì)的基于柔性陣列壓感坐墊的坐姿檢測系統(tǒng)見圖1，主要由柔性陣列壓感坐墊、嵌入式采集電路和上位機(jī)軟件3個部分組成。嵌入式采集電路與柔性陣列壓感坐墊之間通過排線連接、嵌入式采集電路和上位機(jī)軟件之間通過Socket網(wǎng)絡(luò)編程方法實(shí)現(xiàn)數(shù)據(jù)交互。

圖1 系統(tǒng)架構(gòu)

1.1 硬件設(shè)計(jì)

本系統(tǒng)的硬件電路結(jié)構(gòu)見圖2，主要包括壓力陣列傳感器(16×16和32×32兩種規(guī)格)、4個多路模擬開關(guān)、微處理器、電源變換電路、USB接口和WiFi模塊。由于壓力陣列傳感器的檢測點(diǎn)數(shù)非常多，因此必須采用4個16路模擬開關(guān)進(jìn)行數(shù)據(jù)采集切換，才能將數(shù)據(jù)傳輸給微處理器。整體系統(tǒng)采用USB供電，USB接口提供了供電和有線數(shù)據(jù)傳輸方式。此外，本系統(tǒng)還具有無線WiFi上傳坐姿數(shù)據(jù)的功能。

圖2 電路結(jié)構(gòu)

1.2 軟件設(shè)計(jì)

本系統(tǒng)的軟件和算法流程見圖3，除了接收處理嵌入式采集電路的數(shù)據(jù)以外，重點(diǎn)采用了支持向量機(jī)(support vector machines, SVM)作為坐姿正確與異常的判決器。

圖3 軟件算法流程圖

嵌入式采集電路通過控制多路模擬開關(guān)實(shí)現(xiàn)柔性壓力行列傳感器多點(diǎn)數(shù)據(jù)的高速采集。上位機(jī)軟件采用逐幀數(shù)據(jù)接收與處理的方式，每一幀坐姿數(shù)據(jù)中都包含了開始符、時(shí)間戳、行列每個點(diǎn)的壓力數(shù)據(jù)、驗(yàn)證碼和結(jié)束符。

SVM主要思想是將非線性的數(shù)據(jù)通過核函數(shù)映射到高維空間，并構(gòu)造優(yōu)化的分類方法，找到一個能夠?qū)?shù)據(jù)樣本劃分的超平面，并且使得樣本集中所有數(shù)據(jù)到該超平面距離最短(距離超平面最近的點(diǎn)就是支持向量)，實(shí)現(xiàn)在高維空間的線性聚類，具有良好的泛化性能。超平面方程可以寫成

wT+b=0

(1)

假設(shè)P(x1,x2,…,xn)為樣本中的一點(diǎn)，其中xi為第i個特征變量，則該點(diǎn)到超平面的距離d計(jì)算公式為

(2)

式中：‖w‖為超平面的范數(shù)；b為常數(shù)，類似于直線方程中的截距。

在超平面確定情況下，能找到所有支持向量，計(jì)算出間隔邊緣margin。每個超平面對應(yīng)一個margin，找出所有margin中最大的那個值對應(yīng)的超平面，即可以確定式(1)中的w，b使得margin最大。該優(yōu)化問題的目標(biāo)函數(shù)可寫成

(3)

式中：y表示數(shù)據(jù)點(diǎn)標(biāo)簽，為-1或1。注意到w，b等比例放大時(shí)，d結(jié)果不變，因此可通過調(diào)整w，b使得上述問題簡化為

(4)

為方便計(jì)算，等價(jià)替換此目標(biāo)函數(shù)為

(5)

針對這一有約束條件的優(yōu)化問題，用拉格朗日乘子法求解，令

(6)

求式(6)關(guān)于w，b求偏導(dǎo)數(shù)得

(7)

將式(7)代入式(6)得原問題的對偶問題為

(8)

該對偶問題的KKT條件為

(9)

即通過對偶問題轉(zhuǎn)化,將最開始求w，b的問題轉(zhuǎn)化為求α的問題，最后用smo算法求解。

2 實(shí)物與測試

系統(tǒng)整體圖是壓力陣列傳感器及其壓力阻值見圖4。根據(jù)上述電路功能要求和設(shè)計(jì)方案，設(shè)計(jì)了嵌入式采集電路PCB圖見圖4(d)，嵌入式采集電路的實(shí)物照見圖4(e)。本文設(shè)計(jì)的上位機(jī)軟件采用QT軟件編寫，界面見圖5，可以接收嵌入式采集電路的坐姿壓力數(shù)據(jù)，并進(jìn)行直觀圖形顯示與姿態(tài)異常判別。嵌入式采集電路與兩種規(guī)格壓力陣列傳感器構(gòu)成的坐姿檢測系統(tǒng)整體圖見圖6。

圖4 系統(tǒng)整體圖及主要部件電路圖

圖5 上位機(jī)界面

通過軟件采集與判決，本系統(tǒng)對6種坐姿(正常坐姿、左傾、右傾、前傾、后傾、無人坐姿)進(jìn)行了識別與分類(圖6)。通過對每種坐姿情況進(jìn)行20次數(shù)據(jù)采集與判決(表1)，統(tǒng)計(jì)計(jì)算得分類正確率能夠達(dá)到95%。

表1 測試結(jié)果

圖6 6種實(shí)測坐姿與判斷結(jié)果

3 結(jié) 語

本文設(shè)計(jì)了一種基于柔性壓感坐墊的人體坐姿檢測系統(tǒng)，采用了4路16路模擬開關(guān)實(shí)現(xiàn)了32×32和16×16分辨率的陣列壓力傳感數(shù)據(jù)采集，并基于SVM聚類方法實(shí)現(xiàn)了坐姿數(shù)據(jù)的自動判決。實(shí)驗(yàn)結(jié)果表明，6種坐姿判決的正確率能夠達(dá)到95%，相比于圖像等方法具有更高的精度和實(shí)時(shí)性。