基于机器学习的坐姿监测系统的设计与实现

摘要

随着我国经济发展转型升级，社会中职业分布不断更新，工作、学习也越来越多地占据了人们的时间，相应地，久坐伏案型人群占人口比例逐年增加。久坐时人们很难一直维持健康坐姿，如果长期处于不良坐姿，人体眼部、颈椎、脊椎、腰椎等部位出现损伤引发病变的几率非常之大。研究坐姿矫正系统对帮助人们在日常工作和学习中保持健康的坐姿，从而养成良好的坐姿习惯，维护身心健康、预防疾病有着重要的意义。
　　国内外目前在坐姿实时监测研究工作中主要采用的方法有两种:利用摄像仪器记录用户动态姿态，从视频流中识别用户特征并运用不同的算法进行坐姿判断，或者利用传感器获得人体信息进而判断坐姿。本文使用薄膜压力传感器铺设在座椅上获取人体施加在座椅上的压力分布情况，进而判断坐姿，这种监测方式应用场景较为广泛，不会给用户增加工作量，更为方便。
　　本文的坐姿识别与分类系统设计分为硬件部分和软件部分，硬件部分以大面积阵列分布电阻式薄膜压力传感器为数据采集基础，以意法半导体公司的STM32F103VCT6单片机芯片作为控制器，由解耦电路、多路模拟开关电路、接口电路组成信号测量与采集电路，由与单片机串行通信的SD卡存储数据，由蓝牙模块向安卓系统发送数据;单片机软件部分由数据采集、处理、存储、发送模块组成;坐姿识别与分类算法采用机器学习技术，在PC机上进行训练，通过比较传统机器学习算法中的支持向量机、随机森林、人工神经网络与深度学习中的卷积神经网络算法模型的识别准确率，最终选取由自动提取特征的深度学习算法来构建分类器模型，并将模型移植到安卓移动端进行识别与提示。

目录

声明

致谢

摘要

1 绪论

1．1 课题研究的背景和意义

1．2 坐姿识别的国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 本文主要研究内容

2 伏案型人群坐姿分析与检测

2．1 坐姿对伏案人群的影响

2．2 坐姿的分类

2．2．1 坐姿原理

2．2．2 健康坐姿

2．2．3 不良坐姿

2．3 常用的坐姿监测方法

2．4 本章小结

3 基于薄膜压力传感器的系统硬件设计

3．1 坐姿识别系统的基本组成

3．2 薄膜压力传感器介绍

3．2．1 行业应用现状

3．2．2 技术研究现状

3．3 本实验薄膜压力传感器模块及其信号采集电路设计

3．3．1 传感器的选取及其测量电路设计

3．3．2 传感器信号采集电路设计

3．3．3 主控制器电路设计

3．4 本章小结

4 坐姿识别分类器设计

4．1 机器学习的相关技术

4．1．1 机器学习的定义

4．1．2 学习方式

4．2 基于传统机器学习的分类器设计

4．2．1 基于压力分布数据的特征提取

4．2．2 支持向量机(SVM)

4．2．3 随机森林(RF)

4．2．4 人工神经网络(ANNs)

4．3 基于深度学习的分类器设计

4．3．1 深度学习概述

4．3．2 多层感知机(MLP)

4．3．3 卷积神经网络(CNNs)

4．4 本章小结

5 实验与效果分析

5．1 基于SVM的分类器实验与效果分析

5．2 基于RF的分类器实验与效果分析

5．3 基于ANNs的分类器实验与效果分析

5．4 基于CNNs的分类器实验与效果分析

5．5 本章小结

6 总结与展望

6．1 总结

6．2 展望

作者攻读研究生期间发表的论文

参考文献