基于壓力傳感器與攝像頭的頸椎病預(yù)防系統(tǒng)①

朱衛(wèi)平,尹韶升,劉國檁

(武漢大學(xué) 國際軟件學(xué)院,武漢 430079)

基于壓力傳感器與攝像頭的頸椎病預(yù)防系統(tǒng)①

朱衛(wèi)平,尹韶升,劉國檁

(武漢大學(xué) 國際軟件學(xué)院,武漢 430079)

本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于壓力傳感器與攝像頭的頸椎病預(yù)防系統(tǒng).該系統(tǒng)將薄膜壓力傳感器放置于坐墊中對(duì)人體體壓進(jìn)行采集,并使用攝像頭采集人類臉部數(shù)據(jù).對(duì)于坐墊,我們對(duì)傳感器的布置和數(shù)目進(jìn)行了優(yōu)化.對(duì)于攝像頭,我們?cè)诙嗄繕?biāo)識(shí)別時(shí)通過五官識(shí)別減少了系統(tǒng)運(yùn)算量.在將壓力傳感器與攝像頭兩類數(shù)據(jù)融合之后,我們實(shí)現(xiàn)了比單類數(shù)據(jù)更準(zhǔn)確的坐姿識(shí)別,進(jìn)而對(duì)頸椎病的危險(xiǎn)程度進(jìn)行估計(jì).我們還使用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)用戶的動(dòng)作檢測(cè),可引導(dǎo)用戶完成一系列動(dòng)作用于評(píng)估頸椎病危險(xiǎn)程度.系統(tǒng)實(shí)現(xiàn)小巧美觀,采用非侵入式的方法,非常適合于在辦公室環(huán)境下的頸椎病早期預(yù)防.

頸椎病預(yù)防; 坐姿判斷; 攝像頭; OpenCV; 壓力傳感器

頸椎病是臨床常見的退行性骨關(guān)節(jié)病.在頸椎病高發(fā)人群中,從事電子商務(wù)、文案和美術(shù)平面設(shè)計(jì)等工作的IT從業(yè)人員占據(jù)了榜首.這些人員的共同特點(diǎn)是長期以不良坐姿面對(duì)電腦進(jìn)行工作,并缺乏必要的運(yùn)動(dòng)和保護(hù)措施.電腦,作為新世紀(jì)重要的智能設(shè)備,在極大地提高了人們工作效率的同時(shí)也顯著增加了患頸椎病的可能性.

當(dāng)前對(duì)于頸椎病的防治主要是采用專用的設(shè)備.這些設(shè)備包括頸椎保健枕、頸椎牽引器、頸椎鈦項(xiàng)圈、頸椎熱敷袋、頸椎按摩器等.這些設(shè)備由于要進(jìn)行特殊的佩戴使用復(fù)雜,較適合重度患者在家中進(jìn)行使用,而不適合輕度患者或想進(jìn)行預(yù)防的人員在辦公室的使用.同時(shí),這些設(shè)備外形也不美觀,容易引起辦公人員心理抵觸.在頸椎病的發(fā)生中,坐姿不正常是一項(xiàng)很重要的因素.在坐姿檢測(cè)方面,現(xiàn)有的設(shè)備包括使用特殊的座椅將用戶背部用機(jī)械的方式進(jìn)行固定[1],用特殊的頭盔中的液體氣囊將用戶頭部進(jìn)行固定,用特殊的眼鏡對(duì)用戶不良頭部姿勢(shì)進(jìn)行提醒[2],用特殊的書桌對(duì)用戶的坐姿進(jìn)行重構(gòu)并對(duì)不良坐姿進(jìn)行報(bào)警[3].這些工作采用了特殊的設(shè)備和/或侵入式的檢測(cè)手段,不利于在現(xiàn)有的辦公室環(huán)境中進(jìn)行實(shí)施.部分研究人員也采用視頻識(shí)別的方式對(duì)坐姿進(jìn)行識(shí)別[4],但只限于遠(yuǎn)近及左右偏斜情況.其他的一些圖像處理研究著重對(duì)人體坐姿的各種情況進(jìn)行分析,但沒有針對(duì)頸椎病的防治.本論文設(shè)計(jì)了一種使用電腦攝像頭和包含壓力傳感器的椅墊的頸椎病預(yù)防系統(tǒng).系統(tǒng)輕巧簡(jiǎn)便,外形美觀,能以非侵入式的方法較好的識(shí)別坐姿,進(jìn)而識(shí)別頸椎病風(fēng)險(xiǎn)并進(jìn)行提示.

1 系統(tǒng)流程設(shè)計(jì)

本系統(tǒng)采用如圖1所示處理流程.在初始化設(shè)定后,系統(tǒng)通過攝像頭采集用戶的頭部照片,同時(shí)使用壓力傳感器獲取體壓數(shù)據(jù),然后將采集到的數(shù)據(jù)傳給后臺(tái)應(yīng)用; 后臺(tái)結(jié)合兩方面結(jié)果,綜合判斷用戶坐姿情況,統(tǒng)計(jì)非正常坐姿的時(shí)間來分析用戶患頸椎病的可能性,并進(jìn)行可能的用戶警示和初步判斷.

圖1 系統(tǒng)流程圖

2 壓力傳感器的系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

我們先對(duì)本系統(tǒng)壓力傳感器的硬件和軟件設(shè)計(jì)進(jìn)行介紹.

2.1 壓力數(shù)據(jù)采集與接收

在坐墊系統(tǒng)中,由于需要收集人體體壓信息,需要用到壓力傳感器來進(jìn)行人體體壓信息的采集.本系統(tǒng)選擇了可直接置于坐墊內(nèi)的薄膜壓力傳感器來測(cè)量人體體壓壓力值大小.

所選薄膜壓力傳感器是由Interlink Electronics公司生產(chǎn)的 FER402,壓力感測(cè)范圍為 100 g-10 kg,感測(cè)范圍大于人體體壓值范圍,保證系統(tǒng)能夠偵測(cè)記錄人體體壓值.

坐墊系統(tǒng)在坐墊上布置了20個(gè)壓力傳感器節(jié)點(diǎn),通過面包線將傳感器與Arduino UNO板進(jìn)行連接.由Arduino進(jìn)行數(shù)據(jù)的匯集,以及壓力傳感器的供電、控制.最后通過與Arduino直連的藍(lán)牙模塊將數(shù)據(jù)發(fā)送給電腦端.

藍(lán)牙傳輸選擇基于德州儀器cc2541的藍(lán)牙模塊,電腦端的藍(lán)牙設(shè)置為主機(jī)模式,與Arduino連接的藍(lán)牙模塊設(shè)置為從機(jī)模式.采用數(shù)據(jù)透?jìng)髂Ｊ?將Arduino控制模塊處理后的數(shù)據(jù)無線發(fā)送給電腦端.

2.2 壓力傳感器布局

壓力傳感器只有在合理布局時(shí)才能正確反映出人體體壓的分布.同時(shí),由于薄膜壓力傳感器的成本比較高,我們希望通過最少的傳感器來獲取人體體壓的分布.本系統(tǒng)在減少壓力傳感器數(shù)目的同時(shí)對(duì)傳感器位置進(jìn)行優(yōu)化.

在坐墊系統(tǒng)實(shí)現(xiàn)初期,為了獲得較為完整的人體體壓分布數(shù)據(jù),我們布置了11行11列共121個(gè)傳感器節(jié)點(diǎn)進(jìn)行壓力數(shù)據(jù)的獲取.接著我們通過實(shí)驗(yàn)不斷減少傳感器的數(shù)目,最終將數(shù)目減少到20個(gè).具體的是通過Relief算法[5]找出對(duì)坐姿分類作用最明顯的傳感節(jié)點(diǎn),逐步刪減在壓力檢測(cè)中影響小的傳感節(jié)點(diǎn).

Relief算法是一種特征權(quán)重算法,根據(jù)各個(gè)特征和類別的相關(guān)性賦予特征不同的權(quán)重,權(quán)重小于某一閾值的特征將被移除.Relief算法基于特征對(duì)近距離樣本的區(qū)分能力.算法首先從訓(xùn)練集D中隨機(jī)選取一個(gè)樣本R,然后從和R同類的樣本中尋找最近鄰樣本H,從和R不同類的樣本中尋找最近鄰樣本M.如果R和H在某個(gè)特征上小于R和M的距離,說明該特征對(duì)區(qū)分有益,增加該特征權(quán)重,反之減少權(quán)重.重復(fù)m次后,得到平均特征權(quán)重,權(quán)重越大,分類能力越強(qiáng),反之越弱.

Relief算法的局限性為只能處理兩種類別數(shù)據(jù),但是在人體體壓分析過程中,系統(tǒng)設(shè)定類別為7類(標(biāo)準(zhǔn)坐姿、仰頭、低頭、頭部左偏、頭部右偏、頭部遠(yuǎn)離攝像頭、頭部靠近攝像頭).經(jīng)過學(xué)習(xí)研究后,系統(tǒng)采用Relief算法的擴(kuò)展算法ReliefF[6]來分析各節(jié)點(diǎn)的權(quán)重,具體步驟如下:

(1)采集用戶不同坐姿下各壓力傳感器節(jié)點(diǎn)的壓力值,構(gòu)成訓(xùn)練樣本集D.以節(jié)點(diǎn)的壓力值為特征,不同坐姿類型為類別運(yùn)行以下步驟.

(2)從訓(xùn)練樣本集D中隨機(jī)選取樣本R,從和樣本R類別相同的訓(xùn)練樣本中尋找樣本R的最近鄰樣本H,從和樣本R類別不同的訓(xùn)練樣本中尋找樣本R的最近鄰樣本M.

(3)將各壓力傳感器節(jié)點(diǎn)的初始權(quán)重設(shè)為0,然后對(duì)各壓力傳感器節(jié)點(diǎn)逐一進(jìn)行以下操作:在當(dāng)前壓力傳感器節(jié)點(diǎn)上,比較R和H的距離與R和M的距離,若R和H的距離小于R和M的距離,增加當(dāng)前壓力傳感器節(jié)點(diǎn)的權(quán)重,權(quán)重的增加量為R和M的距離;否則,減少當(dāng)前壓力傳感器節(jié)點(diǎn)的權(quán)重,權(quán)重的減少量為R和H的距離.

(4)判斷所有傳感器節(jié)點(diǎn)的當(dāng)前權(quán)重和上一權(quán)重差值的方差是否小于預(yù)設(shè)閾值,若小于預(yù)設(shè)閾值,執(zhí)行步驟(5); 否則,重新執(zhí)行步驟(2).

(5)取權(quán)重最大的前20個(gè)壓力傳感器節(jié)點(diǎn)作為有效節(jié)點(diǎn).

根據(jù)ReliefF算法設(shè)計(jì)程序?qū)θ〉玫臉颖具M(jìn)行分析制圖.獲得的ReliefF權(quán)重圖如圖2所示.

圖2 ReliefF 權(quán)重圖

根據(jù)權(quán)重圖,我們選擇出關(guān)鍵的壓力傳感器節(jié)點(diǎn).最后節(jié)點(diǎn)部署圖如圖3所示.

2.3 人體體壓數(shù)據(jù)分類

系統(tǒng)通過隨機(jī)森林對(duì)用戶的體壓數(shù)據(jù)進(jìn)行分類.隨機(jī)森林實(shí)際上是在數(shù)據(jù)分類過程中,通過隨機(jī)建立的多棵決策樹進(jìn)行決策.每棵決策樹對(duì)輸入的數(shù)據(jù)進(jìn)行分類,最后通過投票的方式?jīng)Q定數(shù)據(jù)的類別.

圖3 節(jié)點(diǎn)部署圖

決策樹根據(jù)數(shù)據(jù)的不同屬性對(duì)輸入的數(shù)據(jù)進(jìn)行分類.從根節(jié)點(diǎn)開始,決策樹通過熵計(jì)算出每個(gè)屬性對(duì)數(shù)據(jù)進(jìn)行分類所獲得的熵增益,從而決定最優(yōu)的分類屬性.進(jìn)行完本次分類后,如果子節(jié)點(diǎn)的純度達(dá)到一定閾值則停止分類; 否則繼續(xù)進(jìn)行上一步操作,在沒有被使用的屬性中選出最優(yōu)的分類屬性再次進(jìn)行分類.決策樹利用這些分類節(jié)點(diǎn)對(duì)測(cè)試數(shù)據(jù)進(jìn)行比對(duì),得到測(cè)試數(shù)據(jù)的分類結(jié)果.

隨機(jī)森林將多棵決策樹所得到的分類結(jié)果通過投票的方式進(jìn)行最終的分類.隨機(jī)森林在數(shù)據(jù)集上表現(xiàn)良好,能夠處理很高維度的數(shù)據(jù),并且不用做特征的選擇,而且訓(xùn)練速度快,容易做成并行的方法.

我們采用了MATLAB中TreeBagger類實(shí)現(xiàn)了隨機(jī)森林.它的使用方法如下:

Factor=TreeBagger(nTree,train_data,train_label);

[Predict_label,Scores]=predict(Factor,test_data);

TreeBagger類用于產(chǎn)生森林,其中Factor為返回的森林,nTree 為森林中的決策樹個(gè)數(shù),train_data 為訓(xùn)練集 n*m,(n 為訓(xùn)練樣本個(gè)數(shù),m 為特征個(gè)數(shù)),train_labe為訓(xùn)練的分類.predict函數(shù)用于數(shù)據(jù)分類,其中Predict_label為分類結(jié)果,Scores為以行向量表示的每個(gè)類的概率,Factor是前面方法獲得的森林,test_data是測(cè)試數(shù)據(jù).本系統(tǒng)最終確立的決策樹為12棵.

3 攝像頭系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

接著,我們對(duì)攝像頭系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)進(jìn)行介紹.我們?cè)趯?duì)人臉進(jìn)行識(shí)別時(shí),借助了OpenCV的相關(guān)實(shí)現(xiàn).

3.1 攝像頭人臉識(shí)別

我們首先通過OpenCV的openCamera方法打開電腦攝像頭.在攝像頭打開之前,不進(jìn)行五官識(shí)別與位置判斷,防止出現(xiàn)死循環(huán).

在判斷攝像頭打開后,利用OpenCV的capture函數(shù)進(jìn)行攝像頭圖像的捕捉,同時(shí)為了便于人臉檢測(cè),利用OpenCV相應(yīng)的處理函數(shù)對(duì)采集到圖像進(jìn)行灰度以及均衡化處理.在Capture類中提供了工具方法,包括對(duì)圖像數(shù)據(jù)的數(shù)據(jù)類型轉(zhuǎn)換方法.我們使用Capture類分析攝像頭抓取的照片,檢測(cè)出人臉,再檢測(cè)人臉中五官的位置,然后分類出臉部位置的類型.

我們編寫了FaceLogic類控制整體的人臉識(shí)別流程,包括加載OpenCV訓(xùn)練好的人臉五官識(shí)別模型,開啟定時(shí)器,調(diào)用Capture類進(jìn)行攝像頭圖像捕捉以及處理,并將最后處理完成后的圖像送至識(shí)別模型進(jìn)行檢測(cè),最后根據(jù)識(shí)別出的五官信息進(jìn)行人臉類型的判斷.

3.2 人臉識(shí)別分類器實(shí)現(xiàn)

OpenCV庫的分類器使用的是目標(biāo)檢測(cè)方法.利用樣本的harr特征對(duì)分類器進(jìn)行訓(xùn)練,得到級(jí)聯(lián)的boosted分類器[7].系統(tǒng)采用OpenCV庫的haarcascade_eye_tree_eyeglasses.xml和haarcascade_mcs_mouth.xml兩個(gè)分類器來判斷出圖像上的眼睛與嘴,然后對(duì)眼睛與嘴進(jìn)行追蹤,采用絕對(duì)坐標(biāo)與相對(duì)坐標(biāo)判斷人臉與正常位置的偏移.具體方法是先測(cè)量當(dāng)前五官點(diǎn)的位置與初始值的位置,并結(jié)合上下偏移與左右偏移的三角函數(shù)比與閾值進(jìn)行比較從而得出用戶是否偏移和偏移的方向.

用戶側(cè)臉的情況通過OpenCV庫的lbpcascade_profileface.xml進(jìn)行判斷.由于 lbpcascade_profileface.xml只能判斷右邊側(cè)臉的情況,通過對(duì)圖像進(jìn)行水平反轉(zhuǎn),判斷左邊側(cè)臉的情況,從而實(shí)現(xiàn)判斷兩邊側(cè)臉.

4 頸椎病檢測(cè)

4.1 檢測(cè)系統(tǒng)整合

我們分別采用攝像頭和壓力傳感器采集用戶不同坐姿的數(shù)據(jù),記為測(cè)試樣本.測(cè)試樣本包括人臉圖像、有效節(jié)點(diǎn)的壓力數(shù)據(jù)及對(duì)應(yīng)的坐姿.系統(tǒng)實(shí)現(xiàn)過程中,將7種坐姿(標(biāo)準(zhǔn)坐姿、仰頭、低頭、頭部左偏、頭部右偏、頭部遠(yuǎn)離攝像頭、頭部靠近攝像頭)的人臉圖像分別標(biāo)記為 a1、a2、a3、a4、a5、a6、a7; 將7種坐姿的壓力數(shù)據(jù)分別標(biāo)記為b1、b2、b3、b4、b5、b6、b7.

分別采用人臉分類器和坐姿分類器識(shí)別測(cè)試樣本,計(jì)算識(shí)別正確樣本數(shù)占測(cè)試樣本總數(shù)的百分比,即獲得人臉分類器和坐姿分類器的準(zhǔn)確率.

攝像頭采集用戶的實(shí)時(shí)圖像,壓力傳感器節(jié)點(diǎn)采集用戶的實(shí)時(shí)壓力數(shù)據(jù).獲取人臉分類器從實(shí)時(shí)圖像識(shí)別各坐姿的概率ai,獲取坐姿分類器從實(shí)時(shí)壓力數(shù)據(jù)識(shí)別各坐姿的概率bi.分別計(jì)算各坐姿的綜合概率其中,m、n 分別為人臉分類器和坐姿分類器的權(quán)重,ai表示人臉分類器從當(dāng)前圖像識(shí)別的第i類坐姿的概率,bi為坐姿分類器從當(dāng)前壓力數(shù)據(jù)識(shí)別的第i類坐姿的概率.綜合概率最大的坐姿類型即為用戶實(shí)時(shí)坐姿類型.

根據(jù)人臉分類器和坐姿分類器的準(zhǔn)確率調(diào)整權(quán)重,若人臉分類器準(zhǔn)確率低于坐姿分類器,按預(yù)設(shè)的權(quán)重調(diào)整值降低人臉分類器權(quán)重,提高坐姿分類器權(quán)重; 反之,則按預(yù)設(shè)的權(quán)重調(diào)整值提高人臉分類器權(quán)重,降低坐姿分類器.

系統(tǒng)統(tǒng)計(jì)預(yù)設(shè)周期內(nèi)用戶處于標(biāo)準(zhǔn)坐姿和非標(biāo)準(zhǔn)坐姿的時(shí)長,計(jì)算非標(biāo)準(zhǔn)坐姿的時(shí)長占預(yù)設(shè)周期的比例,當(dāng)該比例達(dá)規(guī)定程度,判定用戶有患頸椎病風(fēng)險(xiǎn).

4.2 動(dòng)作檢測(cè)

在很多時(shí)候,我們有一些經(jīng)驗(yàn)性的動(dòng)作可以判斷頸椎病的危險(xiǎn)程度.這對(duì)頸椎病早期預(yù)防很有幫助.然而,這些動(dòng)作往往過于復(fù)雜,用戶可能無法判斷是否完全按照要求進(jìn)行了動(dòng)作,從而影響了使用效果.本系統(tǒng)將通過檢測(cè)用戶在攝像頭前的動(dòng)作姿勢(shì),引導(dǎo)用戶完成這些動(dòng)作,從而對(duì)用戶是否患有頸椎病及其威脅程度進(jìn)行初步判斷.所采用的動(dòng)作判斷系統(tǒng)是根據(jù)卷積神經(jīng)網(wǎng)絡(luò)對(duì)人體姿態(tài)進(jìn)行分析[8],判斷用戶在做檢測(cè)動(dòng)作的時(shí)候動(dòng)作是否到位.

基于卷積神經(jīng)網(wǎng)絡(luò)的模型主要分為6個(gè)stage,全身模型有14個(gè)部件(分別為頭、脖子、右肩、右肘、右手、左肩、左肘、左手、右胯、右膝蓋、右腳、左胯、左膝蓋、左腳),與背景一同構(gòu)成15個(gè)響應(yīng)圖.在每個(gè)階段都有監(jiān)督訓(xùn)練,從而可以避免過深網(wǎng)絡(luò)難以優(yōu)化的問題.模型的算法流程為先在每一個(gè)尺度下計(jì)算各個(gè)部件的響應(yīng)圖.然后對(duì)于每個(gè)部件累加所有尺度的響應(yīng)圖,得到總響應(yīng)圖后再在每個(gè)部件的總響應(yīng)圖上找出相應(yīng)的最大的點(diǎn),即為該部件的位置.

根據(jù)部件的位置進(jìn)而計(jì)算得出手臂彎曲的角度,具體可以分別計(jì)算右肘和右肩與水平線構(gòu)成的角度、右手和右肩與水平線構(gòu)成的角度、左肘和左肩與水平線構(gòu)成的角度、左手和左肩與水平線構(gòu)成的角度.從而能夠根據(jù)角度進(jìn)行進(jìn)一步判斷用戶所做動(dòng)作是否到位.

5 結(jié)語

系統(tǒng)使用通過OpenCV實(shí)現(xiàn)了對(duì)人臉臉部的檢測(cè),并進(jìn)一步判斷的用戶的坐姿情況.同時(shí),系統(tǒng)也根據(jù)采集的人體體壓分布判斷了用的坐姿情況.將基于攝像頭的坐姿結(jié)果與基于體壓的坐姿結(jié)果結(jié)合后我們獲取了更精確的坐姿結(jié)果.我們還通過卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)用戶的動(dòng)作檢測(cè).

未來的工作與研究應(yīng)著重于找出能夠表現(xiàn)頸椎病的動(dòng)作,并對(duì)這些動(dòng)作的完成程度與患頸椎病的可能性進(jìn)行分析,從而實(shí)現(xiàn)預(yù)防頸椎病的發(fā)生.

1蘇垣.書桌的人性化設(shè)計(jì)——源自坐姿健康的話題.家具與室內(nèi)裝飾,2008,(4):14–16.

2徐鵬,曾碧新,陳仁愛,等.基于重力感應(yīng)芯片的智能坐姿矯正眼鏡研究.科技信息,2013,(9):8–9,47.

3陳志華,呂春玲.一種矯正坐姿的智能書桌及其矯正方法:CN,CN103948236A.2014-07-09.

4韓曉明,冉春風(fēng),侯雪峰,等.基于視頻的學(xué)生坐姿檢測(cè)與糾正系統(tǒng)研究.首都師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,30(S1):11–14.

5Kononenko I.Estimating attributes:Analysis and extensions of RELIEF.European Conference on Machine Learning.Catania,Italy.1994.171-182.

6Robnik-?ikonja M,Kononenko I.Theoretical and empirical analysis of ReliefF and RReliefF.Machine Learning,2003,53(1-3):23–69.

7宋萬軍.基于OpenCV視覺庫的人臉檢測(cè)[碩士學(xué)位論文].長春:吉林大學(xué),2014.

8Wei SE,Ramakrishna V,Kanade T,et al.Convolutional pose machines.2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Las Vegas,USA.2016.4724–4732.

9Bergadano F,Raedt LD,Deraedt L,et al.Machine Learning:ECML-94.Springer Berlin,1994,784(7):337–340.

Pressure Sensor and Camera Based Cervical Spondylosis Prevention System

ZHU Wei-Ping,YIN Shao-Sheng,LIU Guo-Lin

(International School of Software,Wuhan University,Wuhan 430079,China)

This paper designs and implements a cervical spondylosis prevention system based on pressure sensors and the computer camera.This system obtains the body pressure data through a cushion which contains many pressure sensors,and the human face data through a computer camera.We optimize the number and layout of pressure sensors in the cushion,and reduce the computational complexity by image processing by recognizing facial features.By fusing the data from both pressure sensors and camera,this system achieves a more accurate sitting posture recognition,comparting with using pressure sensors and camera separately.The results are further used to estimate the risk level of cervical spondylosis for the users.The system can also guide the users to complete a series of given actions to test their criticality or potential risk of cervical spondylosis.This system is smart,well-designed,and non-invasive,and hence quite applicable to common workplaces.

prevention of cervical spondylosis; sitting posture; camera; OpenCV; pressure sensor

朱衛(wèi)平,尹韶升,劉國檁.基于壓力傳感器與攝像頭的頸椎病預(yù)防系統(tǒng).計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(10):241–245.http://www.c-sa.org.cn/1003-3254/6009.html

2016武漢大學(xué)教學(xué)改革建設(shè)項(xiàng)目(216-413200002); 武漢大學(xué)國家大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃(201510486085); 中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金(2042015kf0042)

2017-01-19; 采用時(shí)間:2017-02-23