CN115998288A - 一种基于多种传感器组合的坐姿检测方法 - Google Patents
一种基于多种传感器组合的坐姿检测方法 Download PDFInfo
- Publication number
- CN115998288A CN115998288A CN202211623435.2A CN202211623435A CN115998288A CN 115998288 A CN115998288 A CN 115998288A CN 202211623435 A CN202211623435 A CN 202211623435A CN 115998288 A CN115998288 A CN 115998288A
- Authority
- CN
- China
- Prior art keywords
- sitting posture
- user
- result
- pressure
- sensors
- 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.)
- Pending
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提出一种基于多种传感器组合的坐姿检测方法,包括:采集N个测距传感器以及压力传感阵列的特征数据;根据多个测距传感器的特征数据计算分析得出用户背部倾斜角度来判定用户坐姿的前倾及后倾情况;将压力传感阵列的特征参数输入预训练的分类器中判定用户坐姿的左倾及右倾情况;获取用户坐姿图像,机器视觉图像处理检测用户坐姿,对比监测图像与标准图像之间的差异,判别用户坐姿类型;将机器视觉图像处理结果和传感器组合判定坐姿结果耦合,确定坐姿分类结果。本发明方法降低了坐姿分类算法的复杂度,将机器视觉图像处理模块和多种传感器组合坐姿检测***的坐姿判断结果耦合,提高了坐姿分类的准确性,有效帮助用户了解自身坐姿情况。
Description
技术领域
本发明涉及坐姿检测领域,特别是指一种基于多种传感器组合的坐姿检测方法。
背景技术
坐姿状态是学生群体、办公人群绝大部分时间所处的状态,随着社会的发展,久坐人群的比例将会越来越大,使用电脑学习、工作与娱乐是我们生活中不可分割的一部分,但是由于坐姿不良所导致的身体健康疾病也越来越严重与普遍,其中驼背、颈椎病、腰椎病、肌肉损伤、驼背等疾病对青少年的身体发育非常不利且难以矫正,细胞血管堵塞、细胞缺血、部分组织坏死导致的坐疮、压疮等疾病严重影响了伏案工作者的正常工作和生活。因此对坐姿采取检测和预警措施对现代人们的学习与生活健康具有非常重要的意义,现有坐姿检测方法存在操作复杂、难以大面积推广、应用以及检测不准确等问题。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于多种传感器组合的坐姿检测方法,能够利用多个测距传感器以及压力传感阵列的特征数据获取用户的坐姿情况,且结合机器视觉图像处理模块提高坐姿检测的精度,检测过程简单、易操作。
本发明采用如下技术方案:
一种基于多种传感器组合的坐姿检测方法,包括:
采集N个测距传感器以及压力传感阵列的特征数据;对压力传感阵列的特征数据进行特征提取,获取压力传感阵列特征数据的特征参数;采用min-max标准化方法对特征参数进行标准归一化运算;
根据多个测距传感器的特征数据计算分析得出用户背部倾斜角度来判定用户坐姿的前倾及后倾情况;将压力传感阵列的特征参数输入预训练的分类器中判定用户坐姿的左倾及右倾情况;根据使用者坐姿的前倾及后倾情况以及用户坐姿的左倾及右倾情况综合判定用户坐姿;
获取用户坐姿图像,机器视觉图像处理检测用户坐姿,对比监测图像与标准图像之间的差异,判别用户坐姿类型;
将机器视觉图像处理结果和传感器组合判定坐姿结果耦合,当结果一致时,最终结果为一致结果,当结果不一致时,将用户坐姿图像数据和测距传感器以及压力传感阵列进行数据耦合加载后,再一次检测,确定坐姿分类结果。
具体地,所述多个测距传感器为超声波测距传感器、红外线测距传感中的一种,其个数N≥2,所述压力传感阵列为X*Y阵列(X≥2,Y≥2),所述多个测距传感器的特征数据包括多个测距传感器分别检测到的距离数据,所述压力传感阵列的特征数据包括每个压力传感器检测到的当前压力值及其位置坐标值,所述分类器为包括但不限于基于SVM分类器、基于BP神经网络分类器、基于CNN神经网络分类器。
具体地,其特征在于,对压力传感阵列的特征数据进行特征提取,获取压力传感阵列特征数据的特征参数,具体为:
压力传感阵列特征数据的特征参数包括当前压力值的均值Pa、最大压力梯度Gm、不对称系数Cv、静态压力分布Spd%;所述最大压力梯度为每个压力传感器的压力梯度的最大值,所述压力传感器的压力梯度为压力沿着用户左臀部到右臀部方向的变化率,所述不对称系数Y*X压力传感阵列当前压力值左右两侧一致情况;所述静态压力分布表征坐垫受压的均匀程度,Spd%越小,受力越均匀。
具体地,根据多个测距传感器的特征数据计算分析得出用户背部倾斜角度来判定用户坐姿的前倾及后倾情况,具体为:
采集到的上测距传感器测得距离和下测距传感器测得距离分别记作S1和S2,上下测距传感器之间的垂直距离为B,
在水平方向上两个测距传感器之间的距离,记作W,W为正数,则用户前倾距离A=S1-S2-W;
设置前后倾斜角度阈值为α,α为正数,根据用户坐姿前后倾斜角度θ判断用户坐姿的前后倾斜情况,当θ>α时,判断坐姿为前倾;当θ<-α时,判断坐姿为后倾;当-α<θ<α时,判断坐姿为正常。
具体地,将压力传感阵列的特征参数输入预训练的分类器中判定用户坐姿的左倾及右倾情况,具体为:
对用户不同坐姿的特征参数添加标签;
将训练集的特征参数及其对应坐姿标签输入分类器对其进行训练;
将测试集的特征参数及其对应坐姿标签输入经训练集训练过的分类器中,获得混淆矩阵R以及分类指标表;
将当前用户坐立时,压力传感阵列特征参数及其对应坐姿标签输入预训练的分类器中,判断用户坐姿的左右倾情况。
具体地,将机器视觉图像处理结果和传感器组合判定坐姿结果耦合,将用户坐姿图像数据和测距传感器以及压力传感阵列数据进行耦合加载后,再一次检测,确定坐姿分类结果;具体为:
当机器视觉图像处理结果为正常坐姿,传感器组合判定坐姿结果为不良坐姿时:获取用户坐姿图像中对应传感器组合中的校正特征数据,并将测距传感器以及压力传感阵列数据修改为校正特征数据,重新计算和输入预训练的分类器判定用户坐姿;若结果判定坐姿结果仍为不良坐姿时,则判定最终结果为不良坐姿;
当传感器组合判定坐姿结果为正常坐姿,机器视觉图像处理结果为不良坐姿时:将测距传感器以及压力传感阵列数据作为校正特征数据,校正用户坐姿图像中的图像数据,重新利用机器视觉图像处理检测用户坐姿;若结果判定坐姿结果仍为不良坐姿时,则判定最终结果为不良坐姿。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)本发明方法获取多个测距传感器的特征数据以及压力传感阵列的特征数据,对压力传感阵列的特征数据进行特征提取获取特征参数,将特征参数输入预训练的分类器中,根据分类器的分类结果和多个测距传感器的特征数据判断用户的当前坐姿,采用多个测距传感器和压力传感器组合采集使用者坐姿信息,降低了坐姿分类算法的复杂度,提升判断的可靠性和准确性。
(2)本发明通过结合机器视觉图像处理模块进行用户坐姿检测,将机器视觉图像处理模块对坐姿的分类结果和传感器组合坐姿检测***对坐姿的分类结果耦合,获取最终坐姿分类结果,提高判断的准确性。
附图说明
图1是本发明一实施例的检测用户坐姿前后倾情况的程序框图;
图2是本发明一实施例的检测用户坐姿前后倾情况的示意图;
图3是本发明一实施例的坐姿检测***的示意图;
图4是本发明一实施例的坐姿显示的结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述。
一种基于多种传感器组合的坐姿检测方法,包括:
S1:采集N个测距传感器以及压力传感阵列的特征数据;对压力传感阵列的特征数据进行特征提取,获取压力传感阵列特征数据的特征参数;采用min-max标准化方法对特征参数进行标准归一化运算;
具体地,所述多个测距传感器为超声波测距传感器、红外线测距传感中的一种,其个数N≥2,所述压力传感阵列为X*Y阵列(X≥2,Y≥2),所述多个测距传感器的特征数据包括多个测距传感器分别检测到的距离数据,所述压力传感阵列的特征数据包括每个压力传感器检测到的当前压力值及其位置坐标值,所述分类器为包括但不限于基于SVM分类器、基于BP神经网络分类器、基于CNN神经网络分类器。
采集N个测距传感器以及压力传感阵列的特征数据,具体包括:
S111、当用户坐在坐姿检测设备上时,获取两个测距传感器的特征数据,所述两个测距传感器的特征数据包括两个测距传感器分别检测到的距离数据;
S112、当用户坐在坐姿检测设备上时,Y*X压力传感阵列将会被挤压,不同位置的压力传感器承受的压力不同,则检测出的压力值也不同。获取Y*X压力传感阵列的特征数据,所述Y*X压力传感阵列的特征数据包括每个压力传感器检测到的当前压力值和每个压力传感器的坐标值,例如压力传感器p,检测到的当前压力值为P,坐标为(1,1),则获取的当前特征数据为(1,1,P);
对压力传感阵列的特征数据进行特征提取,获取压力传感阵列特征数据的特征参数,具体包括:
S121、根据Y*X压力传感阵列的特征数据,获取所述Y*X压力传感阵列的当前压力值中最大值Pm=max(P1,P2,......,PY*X)及其对应坐标值,若此时当前压力值中最大值所对应传感器坐标为(x,y),则特征参数记作(x,y,Pm);
S123、获取所述Y*X压力传感阵列最大压力梯度Gm=max(G1,G2,......,GY*X),其中Gi(i=1,2,......,Y*X)代表每个传感器感应点的压力梯度,所述最大压力梯度为每个压力传感器的压力梯度的最大值,所述压力传感器的压力梯度为压力沿着某个方向的变化率,所述某个方向在本方法中指定为用户左臀部到右臀部的方向;
S124、获取所述Y*X压力传感阵列当前压力值的不对称系数式中PiL和PiR代表当前Y*X压力传感阵列左右两边第i对对称测点的压力值,不对称系数用来表征Y*X压力传感阵列左右受力的对称程度,Cv越小,Y*X压力传感阵列左右受力的对称程度越高;
采用min-max标准化方法对特征参数进行标准归一化运算具体为:把量纲不一致的特征参数进行数据规范,统一到一个参考系下,将参数归一化到0-1之间。这里采用min-max标准化方法,即式中的x*和x分别表示某个样本中某个参数归一化前后的值,xmax和xmin分别是所有样本中该参数的最大值和最小值。
S2:根据多个测距传感器的特征数据计算分析得出用户背部倾斜角度来判定用户坐姿的前倾及后倾情况;将压力传感阵列的特征参数输入预训练的分类器中判定用户坐姿的左倾及右倾情况;根据使用者坐姿的前倾及后倾情况以及用户坐姿的左倾及右倾情况综合判定用户坐姿;
根据多个测距传感器的特征数据计算分析得出用户背部倾斜角度来判定用户坐姿的前倾及后倾情况,如图1为具体流程图,具体包括:
S211、如图2所示,单片机采集到的上测距传感器测得距离和下测距传感器测得距离分别记作S1和S2,上下测距传感器之间的垂直距离为B,在安装调试时水平方向上两个测距传感器之间有一定距离,记作W,W为正数,则用户前倾距离A=S1-S2-W;
S213、设置前后倾斜角度阈值为α,α为正数,根据用户坐姿前后倾斜角度θ判断用户坐姿的前后倾斜情况,当θ>α时,判断坐姿为前倾;当θ<-α时,判断坐姿为后倾;当-α<θ<α时,判断坐姿为正常。
将压力传感阵列的特征参数输入预训练的分类器中判定用户坐姿的左倾及右倾情况,具体为:
压力传感阵列特征数据的特征参数包括当前压力值的均值Pa、最大压力梯度Gm、不对称系数Cv、静态压力分布Spd%;所述最大压力梯度为每个压力传感器的压力梯度的最大值,所述压力传感器的压力梯度为压力沿着用户左臀部到右臀部方向的变化率,所述不对称系数Y*X压力传感阵列当前压力值左右两侧一致情况;所述静态压力分布表征坐垫受压的均匀程度,Spd%越小,受力越均匀。
S221、对用户不同坐姿的特征参数添加标签,例如特征参数是在用户以正坐的坐姿坐下后获取的,则对此特征参数添加正坐的标签,记作0;特征参数是在用户以左倾的坐姿坐下后获取的,则对此特征参数添加左倾的标签,记作1;特征参数是在用户以右倾的坐姿坐下后获取的,则对此特征参数添加右倾的标签,记作-1;
S222、将训练集的特征参数及其对应坐姿标签输入基于SVM的分类器对其进行训练,在本实施例中,基于SVM的分类器采用的核函数为Linear函数:K(xi,xj)=xi Txj;
S223、将测试集的特征参数及其对应坐姿标签输入经训练集训练过的SVM分类器中,获得混淆矩阵R以及分类指标表;
其中,混淆矩阵具有可视化的效果,表征监督学习的算法性能,矩阵阵每一行代表实际类别,每一列代表预测类别,其中第i行第j列数据表示的是测试集中第i类样本被分类器识别归类到第j类的数目,当i=j时,表示的就是第i类样本被正确识别的数目,故每一行的数据和为该类样本数,故每一列的数据和为被预测为该类的样本数,因此可知,对角线元素数据就是被正确分类的样本数目,非对角线元素数据是被错误分类的样本数目,由混淆矩阵可以得出分类的准确率即正确分类的测试样本数/总测试样本数,以及误分类率即错误分类的测试样本数/总测试样本数;
其中,分类指标表格中列出了每个类别标签的精度(precision)、召回率(recall)和F1值。精度为正确预测为因此对于精度有个更直观的说法是命中率;召回率为正确预测为因此召回率也更直观的被称为覆盖率,F1值为精度和召回率的调和均值,等于
S224、将当前用户坐立时,Y*X压力传感阵列特征参数及其对应坐姿标签输入预训练的SVM分类器中,判断用户坐姿的左右倾情况。
S3:获取用户坐姿图像,机器视觉图像处理检测用户坐姿,对比监测图像与标准图像之间的差异,判别用户坐姿类型;
***每隔一段时间从视频流中获取监测图像,经预处理后定位人脸、眼睛、肩膀的位置,其中定位人脸可采用基于肤色的人脸区域粗分割,定位眼睛可采用二值化法,对肩膀的定位可采用基于对称性的肩膀检测方法;
将监测图像与标准图像进行对比,若人脸面积比标准大200000像素以上,则身体前倾;人脸面积比标准肖200000像素以上,则身体后倾;若图像上左眼的位置与标准相比较,左移的距离大于130像素,或右眼眼与左眼的纵坐标差值大于20像素,则身体左倾;图像上右眼的位置与标准相比较,右移的距离大于130像素,或左眼与右眼的纵坐标差值大于20像素,则身体右倾。
S4:将机器视觉图像处理结果和传感器组合判定坐姿结果耦合,当结果一致时,最终结果为一致结果,当结果不一致时,将用户坐姿图像数据和测距传感器以及压力传感阵列进行数据耦合加载后,再一次检测,确定坐姿分类结果。
具体地,将机器视觉图像处理结果和传感器组合判定坐姿结果耦合,将用户坐姿图像数据和测距传感器以及压力传感阵列数据进行耦合加载后,再一次检测,确定坐姿分类结果;具体为:
当机器视觉图像处理结果为正常坐姿,传感器组合判定坐姿结果为不良坐姿时:获取用户坐姿图像中对应传感器组合中的校正特征数据,并将测距传感器以及压力传感阵列数据修改为校正特征数据,重新计算和输入预训练的分类器判定用户坐姿;若结果判定坐姿结果仍为不良坐姿时,则判定最终结果为不良坐姿;
当传感器组合判定坐姿结果为正常坐姿,机器视觉图像处理结果为不良坐姿时:将测距传感器以及压力传感阵列数据作为校正特征数据,校正用户坐姿图像中的图像数据,重新利用机器视觉图像处理检测用户坐姿;若结果判定坐姿结果仍为不良坐姿时,则判定最终结果为不良坐姿。
如图3,为一种基于多种传感器组合的坐姿检测及预警***框架图,其包括:
特征检测模块,用于检测到用户坐下时,获取两个测距传感器的特征数据以及Y*X压力传感阵列的特征数据,所述两个测距传感器的特征数据包括两个测距传感器分别检测到的距离数据,所述Y*X压力传感阵列的特征数据包括每个压力传感器检测到的当前压力值和每个压力传感器的坐标值;所述特征检测模块包括两个测距传感器、Y*X压力传感器阵列、MCU、阵列扫描模块以及信号放大处理模块,所述MCU运用定时器设置预设采样频率对两个测距传感器特征数据进行固定时间固定频率采集,控制阵列扫描电路完成对Y*X压力传感阵列的特征数据采集,将采集到的特征数据存储于MCU的直接访问存储器DMA中,且MCU的A/D口与信号放大处理模块连接,所述信号处理模块通过导线与两个测距传感器、Y*X压力传感器阵列相连接对特征数据进行信号放大处理;
特征提取模块,用于对所述Y*X压力传感阵列的特征数据进行特征提取,获取特征数据的特征参数,所述特征参数用于表示所述特征数据的压力分布特征;
坐姿判断模块,包括坐姿前后倾判断模块以及坐姿左右倾判断模块,所述坐姿前后倾判断模块用于对所述两个测距传感器的特征数据计算分析得出用户背部倾斜角度来获取所述用户坐姿的前后倾情况;所述坐姿左右倾判断模块为基于SVM分类器利用特征提取模块获取的特征参数所建立的数据库进行训练获得,用于将所述Y*X压力传感器阵列的特征参数输入预训练的SVM分类器中,获取多种传感器组合坐姿检测***对用户坐姿左右倾的判断情况,将机器视觉图像处理模块对坐姿的分类结果和多种传感器组合坐姿检测***对坐姿的分类结果结合,获取最终坐姿分类结果。
坐姿显示及预警模块,一款手机APP客户端,用于实时显示和储存检测期间坐姿信息,并针对坐姿信息给出预警信息,其特征在于,坐姿监测客户端软件具有多个功能模块,所述多个功能模块包括用户注册登录模块,坐姿检测模块、坐姿信息报表模块;用户通过用户注册登录模块完成注册或是登录;坐姿检测模块用于用户控制坐姿检测的开始及停止,坐姿检测模块还用于显示实时坐姿类型并发出预警,所述坐姿类型包括正常坐姿、左倾坐姿、右倾坐姿、前倾坐姿、后倾坐姿,有效帮助用户纠正不良坐姿;当坐姿类型为左倾坐姿、右倾坐姿、前倾坐姿、后倾坐姿时,发出预警信息;坐姿分析模块用于统计坐姿检测期间用户的坐姿信息并通过饼状图、柱状图等图表形式呈现,所述坐姿信息包括正常坐姿时长、左倾时长、右倾时长、前倾时长、后倾时长及其占总检测时长的百分比,有效帮助用户了解自身坐姿整体情况。图4是本发明一实施例的坐姿显示结构示意图。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (6)
1.一种基于多种传感器组合的坐姿检测方法,其特征在于,包括:
采集N个测距传感器以及压力传感阵列的特征数据;对压力传感阵列的特征数据进行特征提取,获取压力传感阵列特征数据的特征参数;采用min-max标准化方法对特征参数进行标准归一化运算;
根据多个测距传感器的特征数据计算分析得出用户背部倾斜角度来判定用户坐姿的前倾及后倾情况;将压力传感阵列的特征参数输入预训练的分类器中判定用户坐姿的左倾及右倾情况;根据使用者坐姿的前倾及后倾情况以及用户坐姿的左倾及右倾情况综合判定用户坐姿;
获取用户坐姿图像,机器视觉图像处理检测用户坐姿,对比监测图像与标准图像之间的差异,判别用户坐姿类型;
将机器视觉图像处理结果和传感器组合判定坐姿结果耦合,当结果一致时,最终结果为一致结果,当结果不一致时,将用户坐姿图像数据和测距传感器以及压力传感阵列进行数据耦合加载后,再一次检测,确定坐姿分类结果。
2.根据权利要求1所述的一种基于多种传感器组合的坐姿检测方法,其特征在于,其特征在于,
所述多个测距传感器为超声波测距传感器、红外线测距传感中的一种,其个数N≥2,所述压力传感阵列为X*Y阵列(X≥2,Y≥2),所述多个测距传感器的特征数据包括多个测距传感器分别检测到的距离数据,所述压力传感阵列的特征数据包括每个压力传感器检测到的当前压力值及其位置坐标值,所述分类器为包括但不限于基于SVM分类器、基于BP神经网络分类器、基于CNN神经网络分类器。
3.根据权利要求1所述的一种基于多种传感器组合的坐姿检测方法,其特征在于,其特征在于,对压力传感阵列的特征数据进行特征提取,获取压力传感阵列特征数据的特征参数,具体为:
压力传感阵列特征数据的特征参数包括当前压力值的均值Pa、最大压力梯度Gm、不对称系数Cv、静态压力分布Spd%;所述最大压力梯度为每个压力传感器的压力梯度的最大值,所述压力传感器的压力梯度为压力沿着用户左臀部到右臀部方向的变化率,所述不对称系数Y*X压力传感阵列当前压力值左右两侧一致情况;所述静态压力分布表征坐垫受压的均匀程度,Spd%越小,受力越均匀。
4.根据权利要求1所述的一种基于多种传感器组合的坐姿检测方法,其特征在于,其特征在于,根据多个测距传感器的特征数据计算分析得出用户背部倾斜角度来判定用户坐姿的前倾及后倾情况,具体为:
采集到的上测距传感器测得距离和下测距传感器测得距离分别记作S1和S2,上下测距传感器之间的垂直距离为B,
在水平方向上两个测距传感器之间的距离,记作W,W为正数,则用户前倾距离A=S1-S2-W;
设置前后倾斜角度阈值为α,α为正数,根据用户坐姿前后倾斜角度θ判断用户坐姿的前后倾斜情况,当θ>α时,判断坐姿为前倾;当θ<-α时,判断坐姿为后倾;当-α<θ<α时,判断坐姿为正常。
5.根据权利要求1所述的一种基于多种传感器组合的坐姿检测方法,其特征在于,其特征在于,将压力传感阵列的特征参数输入预训练的分类器中判定用户坐姿的左倾及右倾情况,具体为:
对用户不同坐姿的特征参数添加标签;
将训练集的特征参数及其对应坐姿标签输入分类器对其进行训练;
将测试集的特征参数及其对应坐姿标签输入经训练集训练过的分类器中,获得混淆矩阵R以及分类指标表;
将当前用户坐立时,压力传感阵列特征参数及其对应坐姿标签输入预训练的分类器中,判断用户坐姿的左右倾情况。
6.根据权利要求1所述的一种基于多种传感器组合的坐姿检测方法,其特征在于,其特征在于,将机器视觉图像处理结果和传感器组合判定坐姿结果耦合,将用户坐姿图像数据和测距传感器以及压力传感阵列数据进行耦合加载后,再一次检测,确定坐姿分类结果;具体为:
当机器视觉图像处理结果为正常坐姿,传感器组合判定坐姿结果为不良坐姿时:获取用户坐姿图像中对应传感器组合中的校正特征数据,并将测距传感器以及压力传感阵列数据修改为校正特征数据,重新计算和输入预训练的分类器判定用户坐姿;若结果判定坐姿结果仍为不良坐姿时,则判定最终结果为不良坐姿;
当传感器组合判定坐姿结果为正常坐姿,机器视觉图像处理结果为不良坐姿时:将测距传感器以及压力传感阵列数据作为校正特征数据,校正用户坐姿图像中的图像数据,重新利用机器视觉图像处理检测用户坐姿;若结果判定坐姿结果仍为不良坐姿时,则判定最终结果为不良坐姿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623435.2A CN115998288A (zh) | 2022-12-16 | 2022-12-16 | 一种基于多种传感器组合的坐姿检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623435.2A CN115998288A (zh) | 2022-12-16 | 2022-12-16 | 一种基于多种传感器组合的坐姿检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115998288A true CN115998288A (zh) | 2023-04-25 |
Family
ID=86025858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211623435.2A Pending CN115998288A (zh) | 2022-12-16 | 2022-12-16 | 一种基于多种传感器组合的坐姿检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115998288A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117838107A (zh) * | 2024-03-07 | 2024-04-09 | 亿慧云智能科技(深圳)股份有限公司 | 智能坐垫的健康坐姿监控方法、装置、设备及存储介质 |
-
2022
- 2022-12-16 CN CN202211623435.2A patent/CN115998288A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117838107A (zh) * | 2024-03-07 | 2024-04-09 | 亿慧云智能科技(深圳)股份有限公司 | 智能坐垫的健康坐姿监控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169453B (zh) | 一种基于深度传感器的坐姿检测方法 | |
CN108596087B (zh) | 一种基于双网络结果的驾驶疲劳程度检测回归模型 | |
CN109512188B (zh) | 一种坐姿检测方法和装置以及座椅 | |
CN110495895B (zh) | 一种基于眼动跟踪的疲劳检测方法与*** | |
CN106503643A (zh) | 人体跌倒检测方法 | |
CN115998288A (zh) | 一种基于多种传感器组合的坐姿检测方法 | |
CN112464793A (zh) | 一种在线***行为检测方法、***和存储介质 | |
CN109101943A (zh) | 一种用于检测老人跌倒的机器视觉方法 | |
CN105404866B (zh) | 一种多模式自动实施人体状态感知的实现方法 | |
CN116563887B (zh) | 一种基于轻量化卷积神经网络的睡姿监测方法 | |
CN116269355A (zh) | 一种基于人物姿态识别的安全监测*** | |
CN111695520A (zh) | 一种高精度的儿童坐姿检测与矫正方法及装置 | |
CN103870814A (zh) | 基于智能相机的非接触式实时眼动识别方法 | |
CN116469174A (zh) | 一种基于单目摄像头的深度学习坐姿测量检测方法 | |
CN107832699A (zh) | 基于阵列镜头的兴趣点关注度测试方法及装置 | |
CN116580359A (zh) | 基于时空特征的施工人员重度疲劳检测***及方法 | |
CN108784720B (zh) | 基于肌张力传感器的痉挛检测的控制***及其检测方法 | |
CN104715234A (zh) | 一种侧视检测方法及*** | |
CN108618789A (zh) | 基于opencv技术的疲劳驾驶预警*** | |
CN113129374B (zh) | 用激光点云人脸识别辅助读写姿态判断的方法和装置 | |
JP2023549865A (ja) | 児童を対象とした両眼距離測定の方法及びシステム | |
CN114913585A (zh) | 融合面部表情的居家老人摔倒检测方法 | |
CN102880880A (zh) | 基于模糊神经网络的药敏反应自动识别方法及设备 | |
CN116884083B (zh) | 一种基于人体关键点的坐姿检测方法、介质及设备 | |
CN112784890B (zh) | 一种利用多传感器融合的人体跌倒检测方法及*** |
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 |