利用少量體壓傳感器和支持向量機(jī)算法的坐姿識別方法

黃文權(quán)， 王婉華， 陳冰瑩

(1. 華僑大學(xué) 信息科學(xué)與工程學(xué)院， 福建 廈門 361021；2. 廈門大學(xué)附屬第一醫(yī)院， 福建 廈門 361021)

人的一生中許多時間處于坐姿狀態(tài)，若長期處于不良坐姿可能會導(dǎo)致壓瘡和腰椎疾病，如脊柱損傷、腰椎間盤突出等[1-2].如果能用機(jī)器識別坐姿狀態(tài)，就可以幫助人們保持正確坐姿，預(yù)防由坐姿不當(dāng)產(chǎn)生的疾病.坐姿識別還可用于工業(yè)領(lǐng)域，如交通工具座椅的設(shè)計和安全氣囊彈出時間的控制等[3-5].

國內(nèi)外相關(guān)研究表明，人體臀部的壓力大小及分布特征與坐姿有著密切的聯(lián)系.Kamiya等[6]利用壓力分布測試旳方法區(qū)分出人體的9種坐姿習(xí)慣，在熟悉測試集下的坐姿識別準(zhǔn)確率達(dá)98.9%，在陌生測試集下的坐姿識別準(zhǔn)確率達(dá)93.9%.Tan等[7]在椅面和椅背安裝壓力分布傳感器，將實時捕獲體壓信息映射到三維特征姿勢空間，在熟悉測試集和陌生測試集下的坐姿識別準(zhǔn)確度分別為96%和79%.高振海等[8]依靠椅背和椅面壓力分布傳感器獲得乘員在不同坐姿下的體壓分布信息，從而進(jìn)行坐姿識別，用于控制碰撞發(fā)生時安全氣囊的起爆時間和充氣強(qiáng)度以減少二次傷害.吳聞宇[9]采用Tekscan壓力測量系統(tǒng)對高鐵座椅的坐墊進(jìn)行靜態(tài)坐壓測試實驗，分析坐墊的坐壓分布熱區(qū)和壓力值的分布情況，從而提高座椅的工程化設(shè)計效率，改良座椅的綜合舒適度.

以往體壓分布與坐姿識別研究通常采用Tekscan或Xsensor壓力測量系統(tǒng)，這兩種系統(tǒng)雖然具備準(zhǔn)確、易用和穩(wěn)定等特點，但也因傳感器數(shù)量多、數(shù)據(jù)處理量大、系統(tǒng)較復(fù)雜、成本過高等缺點，難以大規(guī)模生產(chǎn).因此，本文利用少量傳感器搭建一套體壓分布測試系統(tǒng)，獲取不同坐姿下體壓分布特征，結(jié)合支持向量機(jī)(SVM)算法進(jìn)行坐姿識別建模，研究利用少量體壓傳感器進(jìn)行靜態(tài)坐姿識別的可行性.

1 測試環(huán)境

1.1 體壓分布傳感陣列的搭建

根據(jù)奈奎斯特采樣原理，少量體壓傳感器獲得的體壓分布數(shù)據(jù)會丟失較多細(xì)節(jié)信息，但只要能夠保留坐姿特征信息就可以滿足坐姿識別的需要.人體在某個坐姿下體壓分布圖存在與坐骨結(jié)節(jié)相應(yīng)的2個極值點[10-11].而確定椅面上的一個極值點，至少需要極值點及其附近4個方向的數(shù)據(jù)點.結(jié)合經(jīng)濟(jì)性，優(yōu)先采用9個薄膜傳感器組成傳感器陣列的設(shè)計方案.

Tekscan壓力測量系統(tǒng)用于座椅壓力分布研究，其傳感器陣列具有4 000個以上感應(yīng)點，分辨率為每平方厘米1個感應(yīng)點[12].文獻(xiàn)[11，13-14]的測量數(shù)據(jù)表明，在座椅壓力分布測試中，人體對座椅的壓力約為幾至幾十千帕，假設(shè)取5～20 kPa，換算力與壓強(qiáng)的關(guān)系，得出體壓值約為50～200 g.因此，選用量程為500 g的DF9-16型柔性薄膜壓力傳感器(江蘇省蘇州能斯達(dá)電子科技有限公司).最后，將9個DF9-16型柔性薄膜壓力傳感器內(nèi)置于坐墊中組成傳感器陣列，以獲取體壓分布數(shù)據(jù).不同傳感器陣列參數(shù)對比，如表1所示.

表1 不同傳感器陣列參數(shù)對比Tab.1 Comparison of different sensor array parameters

人體解剖醫(yī)學(xué)中人體坐骨結(jié)節(jié)間徑(TO)正常值為9 cm.單支撐點坐姿的壓力中心點位置距離范圍為8.73～15.58 cm[9，12].據(jù)此選用邊長為45 cm的方形坐墊，內(nèi)部是聚酯纖維海綿墊，外部配可拆洗布套.坐墊內(nèi)部傳感器安裝示意圖和體壓分布測試系統(tǒng)實物，如圖1所示.

(a) 坐墊內(nèi)部傳感器安裝示意圖 (b) 體壓分布測試系統(tǒng)實物圖1 坐墊內(nèi)部傳感器安裝示意圖和體壓分布測試系統(tǒng)實物Fig.1 Installation diagram of sensor inside cushion and physical object of body pressure distribution test system

9個傳感器按3行3列(圖1(a))固定在海綿墊上，傳感器間隔12.5 cm，外圍傳感器距坐墊四周各留10.0 cm.記下各傳感器的模數(shù)轉(zhuǎn)換(AD)采樣通道，進(jìn)行數(shù)字編號并連接好電路線纜，套上坐墊布套以保護(hù)傳感器及其連接電路.以往研究表明，軟體座椅面在隨著人體質(zhì)量變形的過程中能更好地保持坐墊與臀部的貼合[15-16]，更好地獲得不同坐姿下人體臀部區(qū)域的體壓分布數(shù)據(jù).因此，測試座椅選擇可升降辦公椅，網(wǎng)布椅面上放置傳感器坐墊(圖1(b))，參測人員可自行調(diào)節(jié)座椅至舒適高度，使腿部、肘部處于放松狀態(tài).

測試時將安裝有傳感器陣列的軟坐墊置于椅面之上，串口轉(zhuǎn)USB線纜連接至計算機(jī)后，等待參測人員入座.參測人員入座調(diào)整好坐姿并保持靜止?fàn)顟B(tài)，操作人員操作計算機(jī)記錄體壓數(shù)據(jù)，標(biāo)注好相應(yīng)坐姿標(biāo)簽并保存，以便后續(xù)進(jìn)行數(shù)據(jù)處理.

1.2 選取測試樣本

為兼顧樣本的廣泛性與代表性，考慮參測人員的性別、年齡、身高、體質(zhì)量等因素，盡量覆蓋男、女、老、幼各個群體.從樣本中選取的4個典型人員樣本的體征參數(shù)，如表2所示.

表2 4個典型人員樣本的體征參數(shù)Tab.2 Physical parameters of four typical personnel samples

參測人員應(yīng)盡量居中坐下，讓身體軸線與傳感器陣列所在軸線盡量一致，采集體壓數(shù)據(jù)時保持某個靜態(tài)坐姿，但允許小范圍的肢體活動.選取日常工作生活中4個典型的坐姿樣本，分別是正常坐姿、二郎腿坐姿、前傾坐姿和單邊坐坐姿，如圖2所示.4種坐姿的坐姿細(xì)節(jié)，如表3所示.

(a) 正常坐姿 (b) 二郎腿坐姿 (c) 前傾坐姿 (d) 單邊坐坐姿圖2 4種坐姿樣本示意圖Fig.2 Schematic diagram of four kinds of sitting posture samples

表3 4種坐姿的坐姿細(xì)節(jié)Tab.3 Sitting posture details of four kinds of sitting postures

2 實例數(shù)據(jù)分析

2.1 體壓分布等高線圖的繪制

薄膜壓力傳感器是一種電阻式傳感器，其輸出電阻隨著施加在傳感器表面壓力的增大而減小，輸出電阻大小與AD采樣數(shù)值成正比.因此，傳感器壓力值與AD采樣數(shù)值存在特定的映射關(guān)系，文中以AD采樣數(shù)值代替壓力值生成體壓分布等高線圖.9個傳感器的體壓數(shù)據(jù)組成一個3×3的數(shù)值矩陣.利用線性插值法填充并擴(kuò)展為7×7的數(shù)值矩陣，再繪制體壓等高線圖.數(shù)值矩陣插值擴(kuò)展有以下5個步驟.

1) 將7×7矩陣邊緣行、列值設(shè)為1 023，即假設(shè)邊緣是未受外界壓力的阻值最大狀態(tài).

2) 將行2，4，6，列2，4，6交叉位置對應(yīng)原來3×3矩陣對應(yīng)的數(shù)值，即第2行第2列填入C0，第4行第2列填入C1，第6行第2列填入C2，其余項如圖3所示.

3) 將行2，4，6和列2，4，6間的空白單元格按照相鄰單元格線性插值，填入數(shù)值.

4) 將7×7矩陣中剩余空白單元格按照相鄰單元格線性插值，填入數(shù)值.

5) 從7×7體壓數(shù)值矩陣生成體壓分布等高線圖.

圖3 數(shù)據(jù)處理流程圖Fig.3 Data processing flow chart

需注意的是，插值矩陣的行列是從左上角開始計數(shù)，而體壓分布的等高線圖坐標(biāo)原點在左下角，因此，傳感器C0，C3，C6的位置與傳感器C2，C5，C8的位置要相互交換.最終獲得體壓分布等高線圖中的關(guān)鍵點位的數(shù)據(jù)位置與圖1(a)中的傳感器位置保持一致.

2.2 體壓分布等高線圖分析

選取表2的4個參測人員樣本的體壓數(shù)據(jù)，按節(jié)2.1的數(shù)據(jù)處理流程進(jìn)行插值，繪制體壓分布等高線圖，結(jié)果如圖4所示.

(a) 樣本1正常坐姿 (b) 樣本1二郎腿坐姿 (c) 樣本1前傾坐姿 (d) 樣本1單邊坐坐姿

2.2.1 同一參測人員不同坐姿的體壓分布 前3個樣本的體壓分布圖均來自成年人.正常坐姿時，體壓分布存在2個極值點，壓力分布向周圍逐漸降低.二郎腿坐姿時，因一支腳交叉疊加于另一腳膝蓋上，體壓分布發(fā)生明顯變化，以樣本1為例，其左半部分的體壓數(shù)值比正常坐姿更大，體壓數(shù)值對應(yīng)區(qū)域的顏色更深，范圍更大，右半部分體壓數(shù)值減小，顏色變淺.前傾坐姿時，身體重心前移，導(dǎo)致傳感器C2，C8壓力增大，坐骨結(jié)節(jié)附近的體壓分布圖說明重心略朝身體前方移動.單邊坐坐姿時，僅半邊臀部與座椅緊密接觸，故呈現(xiàn)單極值點，單邊體壓數(shù)值比正常坐姿更大.

與成人的體壓分布圖相比，樣本4兒童的體壓分布圖僅存在單個極值點.原因是兒童臀寬僅約20 cm，其坐姿的壓力中心點位置距離小于相鄰傳感器間距12.5 cm.薄膜傳感器數(shù)量有限導(dǎo)致所獲得的體壓分布圖分辨率不足，僅能測量到1個體壓分布極值點.此外，兒童體壓分布主要集中在椅面前半部分，這是由兒童身高低、坐深小造成的.因此，如果要獲得兒童正確的體壓分布等高線圖，需要增加傳感器的數(shù)量以提高體壓分布圖的原始分辨率.

成年人除單邊坐坐姿外，臀部體壓分布圖均有2個極值與坐骨結(jié)節(jié)支撐點對應(yīng).不同坐姿時重心的變化也較為明顯，如二郎腿坐姿時上身重心會略微后移，而前傾坐姿時重心會前移.由此可知，同一參測人員不同坐姿的體壓分布與生理體征基本相符.

2.2.2 不同性別參測人員的體壓分布 樣本3是青年女性，與樣本1青年男性的體壓分布等高線圖相比，青年女性的體壓分布等高線圖存在以坐骨支撐點為中心的2個極值分布的特征沒有變，前傾坐姿與二郎腿坐姿因身體重心變化導(dǎo)致的體壓分布差異與青年男性類似.

此外，前3種坐姿條件下，青年女性所測量的體壓數(shù)值明顯小于青年男性的體壓數(shù)值.這是因為參測女性的體質(zhì)量較男性輕，另外女性的生理原因使得在相同坐姿下青年女性與座椅的接觸面積會比青年男性更大[9]，即相同體質(zhì)量條件下，體壓數(shù)值與接觸面積成反比.

2.2.3 不同年齡參測人員的體壓分布 樣本2和樣本3分別是老年女性與青年女性，身高和體質(zhì)量相近，她們的體壓分布圖存在一些差異.由圖4可知：相比樣本3，樣本2更接近樣本1青年男性的體壓分布，體壓分布等高線圖的特征也與青年男性更相近.

在相同體質(zhì)量情況下，青年女性臀部比中老年女性臀部的脂肪更多，與座椅接觸面積更大，所以在相同坐姿條件下，體壓數(shù)值普遍略低于中老年女性的體壓數(shù)值，符合相近體質(zhì)量、相同性別但不同年齡的生理特征.

因此，盡管傳感器數(shù)量有限，得到的體壓分布圖無法精確體現(xiàn)參測人員的臀寬和坐深等體征數(shù)值，但從體壓分布等高線圖的分析與對比結(jié)果可知，少量體壓傳感器能較好地還原不同人群在不同坐姿條件下的體壓分布特征.青年男性與青年女性之間、不同年齡的女性之間的體壓分布等高線圖存在的差異與參測人員的體質(zhì)量、年齡等體征差異相符合.除兒童樣本4外，同一參測人員不同坐姿的體壓分布圖能夠較清晰地體現(xiàn)坐姿不同引起的體壓數(shù)值變化與分布特征，尤其是重心變化.

綜上所述，體壓分布等高線圖的分析和對比結(jié)果初步說明利用少量薄膜壓力傳感器構(gòu)成的傳感器陣列能夠采集相應(yīng)位置的體壓數(shù)據(jù)，數(shù)據(jù)處理后獲得體壓分布等高線圖能反應(yīng)相應(yīng)坐姿特征如重心變化等，為后期靜態(tài)坐姿識別建模提供了數(shù)據(jù)基礎(chǔ).

3 坐姿識別建模與分析

3.1 支持向量機(jī)分類理論

支持向量機(jī)是前蘇聯(lián)科學(xué)家Vapnik在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原理的基礎(chǔ)上發(fā)展而來的一種機(jī)器學(xué)習(xí)方法[17].它在學(xué)習(xí)訓(xùn)練過程中將分類問題轉(zhuǎn)化成二次規(guī)劃問題，避免了局部最優(yōu)解，在解決小樣本、高維度及非線性的分類問題中獲得了廣泛應(yīng)用.

樣本集合為D={(xi，yi)|i=1，2，…，n}，yi∈{+1，-1}，其中，+1和-1為樣本類別標(biāo)志.假設(shè)存在超平面H：ω·x+b=0使得D中的兩類數(shù)據(jù)被正確區(qū)分開，其中，ω為最優(yōu)分類面的法向量，b為偏置項.非線性SVM的優(yōu)化問題可表示為

(1)

式(1)中:εi為松弛因子，引入松弛因子使得訓(xùn)練時允許少量錯誤樣本存在；c為懲罰參數(shù)，用于表示對錯分樣本的懲罰程度.

將上述問題轉(zhuǎn)化為對偶問題，求解可得到最優(yōu)分類函數(shù)為

(2)

式(2)中:K(xi，xj)為核函數(shù)；αi為拉格朗日乘子.

通過不同的核函數(shù)將有限樣本變換到高維空間，構(gòu)造不同類型的非線性學(xué)習(xí)機(jī)，其中，高斯核函數(shù)RBF在各種數(shù)據(jù)建模場合具有較好的分類適應(yīng)能力和分類精度.定義αi=c時的對應(yīng)輸入樣本為支持向量，其集合為S，其他輸入樣本集合為U.偏置項b的計算式為

(3)

3.2 支持向量機(jī)的多分類方法

SVM算法最初是為二值分類問題設(shè)計的，當(dāng)處理多類問題時，就需要通過組合多個二分類器來實現(xiàn)多分類器的構(gòu)造，常見的方法有一對一法(one-versus-one)和一對多法(one-versus-rest).一對多法是應(yīng)用較廣泛的方法，訓(xùn)練時依次把某個類別的樣本歸為一類，其他剩余的樣本歸為另一類，這樣k個類別的樣本就構(gòu)造出了k個SVM.分類時，將未知樣本分類為具有最大分類函數(shù)值的那類.

將不同坐姿體壓數(shù)據(jù)樣本進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，假設(shè)樣本數(shù)據(jù)為i個n維向量Xi=[xi，1，xi，2，…，xi，n]，數(shù)據(jù)標(biāo)準(zhǔn)化處理的公式為

(4)

圖5 利用體壓分布數(shù)據(jù)的SVM坐姿識別建模流程圖Fig.5 Flow chart of SVM sitting posture recognition modeling using body pressure distribution data

(5)

式(5)中：N為訓(xùn)練樣本數(shù)量.

將標(biāo)準(zhǔn)化后的數(shù)據(jù)樣本分為測試樣本和訓(xùn)練樣本，訓(xùn)練樣本再分為幾個訓(xùn)練子集交叉驗證進(jìn)行模型訓(xùn)練和參數(shù)尋優(yōu).利用體壓分布數(shù)據(jù)的SVM坐姿識別建模流程圖，如圖5所示.

3.3 SVM建模與分類驗證

由于體壓分布等高線圖依靠人工分析進(jìn)行坐姿識別的效率較低，擬用SVM算法對體壓分布數(shù)據(jù)進(jìn)行坐姿識別建模，以提高坐姿識別效率，同時證明少量傳感器的體壓數(shù)據(jù)中包含了坐姿特征信息.

建模的數(shù)據(jù)集共600組，樣本來自10個成年人的4種坐姿體壓數(shù)據(jù).其中，青年男、女各3人，老年男性2人，老年女性2人，每個成人提取每種坐姿樣本15個.選定樣本集的坐姿類別標(biāo)簽為0，1，2，3，分別表示正坐、前傾、單邊坐、二郎腿.

樣本數(shù)據(jù)經(jīng)標(biāo)準(zhǔn)化處理后作為特征向量，隨機(jī)選取其中420組作為訓(xùn)練樣本，剩余180組作為測試樣本.420組測試樣本再分成子集進(jìn)行模型訓(xùn)練和參數(shù)尋優(yōu)，利用5折交叉驗證方法進(jìn)行SVM模型訓(xùn)練.坐姿識別模型的預(yù)測結(jié)果，如表4所示.表4中：η為坐姿識別準(zhǔn)確率.

表4 坐姿識別模型的預(yù)測結(jié)果Tab.4 Prediction results of sitting posture recognition model

選取徑向基RBF函數(shù)作為核函數(shù)，采樣網(wǎng)格搜索算法參數(shù)尋優(yōu)，得到訓(xùn)練集的模型學(xué)習(xí)曲線，如圖6所示.最終模型的坐姿識別準(zhǔn)確率為98.1%，其最優(yōu)參數(shù)分別為核函數(shù)系數(shù)γ=0.01，懲罰參數(shù)c=3.556 48.

圖6 訓(xùn)練集的模型學(xué)習(xí)曲線Fig.6 Model learning curves of training set

由表4可知：使用420組訓(xùn)練樣本對最優(yōu)參數(shù)的支持向量機(jī)模型進(jìn)行測試，其坐姿識別準(zhǔn)確率為98.1%；使用180組測試樣本集對最優(yōu)參數(shù)的支持向量機(jī)模型進(jìn)行測試，其坐姿識別準(zhǔn)確率為98.3%，其中，有2個單邊坐坐姿和1個二郎腿坐姿誤判為正常坐姿；重新采集2個陌生成年人的4種坐姿體壓分布數(shù)據(jù)進(jìn)行坐姿識別，其坐姿識別準(zhǔn)確率為92.5%.

而采用兒童樣本的體壓分布數(shù)據(jù)進(jìn)行坐姿識別測試，其識別準(zhǔn)確率僅為22.5%.這是因為兒童的體壓分布數(shù)據(jù)未包含足夠的坐姿特征信息，難以完成坐姿識別，這與體壓分布等高線圖的分析結(jié)果一致.由此可見，用SVM算法對成年人進(jìn)行坐姿識別建模，模型的坐姿識別準(zhǔn)確度較高且泛化能力較好.

綜上所述，采用SVM算法對體壓分布數(shù)據(jù)樣本進(jìn)行建模和參數(shù)尋優(yōu)，所得模型能夠較準(zhǔn)確地識別不同的靜態(tài)坐姿，且泛化能力較好.坐姿識別建模結(jié)果與體壓分布等高線圖的分析結(jié)果基本一致，說明利用少量體壓傳感器進(jìn)行體壓分布檢測和坐姿識別是可行的，達(dá)到了預(yù)期設(shè)計的目標(biāo).

4 結(jié)論

采用少量體壓傳感器和支持向量機(jī)的坐姿識別方法，克服了傳統(tǒng)方法中傳感器數(shù)量多、數(shù)據(jù)處理量較大、系統(tǒng)復(fù)雜和成本高等缺點，得到的體壓分布等高線圖雖然分辨率有限，但保留了不同坐姿的體壓分布特征.將體壓數(shù)據(jù)標(biāo)準(zhǔn)化處理后作為特征向量，結(jié)合SVM分類算法進(jìn)行坐姿識別建模，所得模型具有較高的識別準(zhǔn)確度和較好的泛化能力，驗證了利用少量體壓傳感器進(jìn)行坐姿識別的可行性和實用性，同時得到以下3點主要結(jié)論.

1) 利用少量體壓傳感器構(gòu)建低成本體壓分布檢測陣列應(yīng)注意選取合適參數(shù)的傳感器和合理的傳感器布置方案.

2) 少量傳感器的體壓分布等高線圖分辨率有限，丟失了臀寬、坐深等細(xì)節(jié)數(shù)值，但保留了體壓中心點、坐姿重心等分布特征.數(shù)據(jù)分析表明，這些特征與參測人員的性別、年齡、坐姿種類和生理體征相關(guān).

3) 用支持向量機(jī)算法對體壓數(shù)據(jù)進(jìn)行坐姿分類建模，參數(shù)尋優(yōu)后所得模型對測試樣本的坐姿識別準(zhǔn)確率為98.3%，對陌生樣本的坐姿識別準(zhǔn)確率為92.5%，說明利用少量體壓傳感器進(jìn)行坐姿識別是可行的.