基于柔性力敏傳感器的便攜式坐姿監測與提醒系統①

劉少華, 徐 超, 許金林, 許勝強, 元沐南

1(安徽大學 計算智能與信號處理教育部重點實驗室, 合肥 230601)

2(安徽大學 安徽省農業生態大數據工程實驗室, 合肥 230601)

3(中國科學院 合肥物質科學研究院, 合肥 230031)

隨著社會的發展、生活節奏的加快, 青少年的讀寫時長也在增長, 坐立狀態逐漸成為青少年大多數時間所處的狀態之一[1]. 利用人體解剖學的生理知識可知, 當人體處于不同坐姿時, 腿部、臀部、背部、脊椎等部位所承受的壓力均大不相同[2]. 如圖1所示, 人體脊椎分為4個主要部分: 頸椎, 胸椎, 腰椎和骶, 直立時整個脊柱呈現S型, 稱為脊柱的正常生理彎曲[3]. 當人體以正常坐姿入座時, 脊椎壓力分布均勻, 骨骼以及肌肉所承受的負擔減小, 身體舒適, 可提高青少年的學習效率[4,5]; 而人體長時間處于不良坐姿時, 脊椎及其他部位的壓力分布極其不均勻. 根據研究表明, 坐姿不良所將產生的人體受力不均衡直接導致駝背、頸椎病、腰椎病、肌肉損傷等身體健康疾病[6], 對青少年的身體發育非常不利且難以矯正, 嚴重損害青少年的身體健康.

圖1 人體直立時脊椎解刨結構圖

目前國內外主流的坐姿矯正器基本上分為: 穿戴式坐姿矯正器、機械平衡式坐姿矯正器、支架式坐姿矯正器、電子平衡式坐姿矯正器和測距式坐姿矯正器,如背背佳的U9坐姿矯正器、益視寶支架式坐姿矯正器、貓太子電子電子平衡式坐姿矯正器等. 然而, 這些傳統的坐姿矯正器存在著比較笨重、占用空間大、安裝復雜、缺少數據分析和監控等缺點, 同時對使用者存在一定的干擾, 容易分散使用者的注意力[7]. 由于坐姿情況和座椅接觸面壓力場分布有著密切的聯系, 因此, 研究青少年坐姿時的壓力分布, 對坐姿狀態進行實時的分析和反饋提醒, 可以幫助青少年預防由于坐姿不當而產生的各種疾病、指導青少年坐姿矯正還是很有意義的. 針對于以上缺點, 本文基于柔性力敏傳感器,設計了一套新型的便攜式讀寫坐姿實時監測及智能提醒系統. 該系統通過在座椅上的鋪設點陣式柔性力敏墊, 以及安裝在寫字板上的光敏傳感器與溫濕度傳器,可以應用在任何環境下, 安裝簡易、拆卸靈活、占用空間小、無干擾, 具有較好的便攜性, 但是還存在著能夠識別的不良坐姿種類較少、存在一定的誤差等問題.

1 系統設計

此青少年讀寫坐姿監測系統, 能夠實時監測和分析青少年讀寫過程中坐姿情況和環境變化, 系統總體結構主要由坐姿采集模塊、通信處理模塊、APP客戶端三大部分組成. 坐姿采集模塊包括數據采集電路、柔性力敏傳感器、光強傳感器、溫度傳感器、濕度傳感器, 實時采集青少年讀寫過程中的坐姿壓力分布數據、環境光強、溫度、濕度信息并將相關數據傳入通信處理模塊; 通信處理模塊對傳入的數據進行分析處理, 通過以太網發送給手機APP端; APP接收到通信處理模塊發送的分析結果, 實時顯示青少年當前的坐姿情況和環境參數, 并且完成數據的存儲, 達到實時預警的效果.系統總體示意圖如圖2所示.

圖2 系統總體示意圖

1.1 系統框架

實時采集用戶的坐姿信息與環境參數, 利用無線通訊模塊, 將坐姿信息與環境參數傳遞至手機APP客戶端, 通過坐姿動作識別與分析算法對坐姿狀態進行分類, 將處理結果以圖表的形式顯示在客戶端, 實時提醒用戶達到反饋預警的效果, 系統結構框圖如圖3所示.

1.2 硬件設計

系統硬件結構如圖4所示, 主要包括鋪設于座椅上的點陣式壓力墊、安裝于寫字板上的光敏傳感器與溫濕度傳感器以及網絡通訊模塊.鋪設于座椅上的點陣式柔性壓力墊用于實時采集坐墊的壓力分布信息; 安裝在寫字板上光敏傳感器與溫濕度傳感器用于實時監測當前的環境參數; 通信處理模塊實時接收采集到的壓力分布信息與環境參數, 并且對數據進行分析處理,將分析結果傳遞給手機APP客戶端.

圖3 系統結構框架

圖4 系統硬件結構示意圖

(1) 柔性力敏傳感器

本文采用柔性力敏傳感器, 由兩片超薄耐高溫聚酯薄膜組成. 采用上下層結構, 基于壓阻敏感機理和隧道效應理論, 在上下層接觸表面形成接觸電阻. 在沒有壓力時, 其具有穩定的初始接觸電阻; 在有壓力時, 其接觸電阻隨壓力的增加而線性減小, 通過檢測其接觸電阻的變化值可以計算出其相對應敏感單元或區域的壓力值[8]. 上層薄膜內鋪設40行的帶狀導體, 下層薄膜內鋪設40列的帶狀導體, 則形成了40×40的壓力傳感器陣列, 一共具有1600個有效傳感器節點. 圖5為柔性力敏傳感器圖集, 其中a(1)為行引線, a(2)為列引線,a(3)為敏感單元. 由于此傳感器厚度非常薄, 柔性較好易于彎曲, 因此它可以隨身攜帶, 用于日常生活中的各種場合, 具有很好的便攜性. 在本文的試驗中, 為了增加青少年坐立時的舒適度, 在將柔性力敏傳感器的上面放置了一塊厚底8 mm的坐墊, 并且鑲嵌在座椅表面.

所采用的柔性力敏傳感器, 由中科院合肥智能機械研究所自主研制, 具有完全自主知識產權, 每塊壓力墊的大小為40 cm×40 cm, 由均勻分布的40×40個壓阻傳感器構成, 傳感器密度1個/cm2, 采樣頻率100 Hz.

圖5 柔性力敏傳感器圖集

(2)采集電路設計

以STM32103單片機作為核心控制器, 采用二次測量法對傳感器進行掃描[8]. 利用放大器輸入端等電位的原理, 在同一時間下, 允許一行和一列分別被選中與ADC電路連接, 通過地址的循環依次得到每個節點的實時電壓值, 然后根據壓力與電壓的變化模型, 計算獲得各個壓力節點的壓力值.采集電路結構框圖和實物圖如圖6所示.

(3)設備驅動

驅動主要分為采集、控制和通訊三個主要部分.采集驅動部分, 通過MCU片上ADC模塊將模擬電路調理后的壓力信息、環境信息(溫度、濕度、光強)轉換為數字信號供后期處理; 控制驅動部分, 通過ADC模塊將壓力參數、環境參數傳輸至MCU,MCU根據提出的算法對這些數據進行實時處理分析;通訊驅動部分, 坐墊和寫字板通過WiFi將MCU的分析結果傳遞給手機App客戶端, 實時顯示給用戶, 實現交互體驗.

圖6 采集電路原理圖和實物圖

1.3 客戶端軟件設計

客戶端軟件是基于Android操作系統、采用MVC設計模式實現.相對于其他智能手機操作系統而言, 它的優勢體現在它的開放性: 開放的系統源碼, 主要應用于移動終端設備, 例如智能手機、平板電腦、電視、游戲機等, 是目前市場占有率第一的移動終端操作系統[9].

通過坐姿監測客戶端軟件, 用戶能夠隨時隨地的監測讀寫過程中坐姿情況和環境參數的變化情況, 達到實時預警的效果. 同時以報表的形式直觀統計監測時長、不良坐姿次數的餅狀圖、環境參數的折線圖以及微動作的詳情, 方便家長分析和糾正青少年坐姿. 具有用戶注冊登錄模塊、系統參數調節模塊、坐姿監測模塊、報表信息模塊、微動作詳情模塊, 客戶端軟件結構圖如圖7所示.

在初始界面完成初始設置, 即可開始監測, 以圖表的形式對坐姿監測情況進行實時顯示. 當停止監測后,則顯示在監測期間的相關報表信息, 包括監測時長統計、不良坐姿統計、溫度統計、濕度統計等信息. 在此頁面, 可以進入微動作詳情頁面. 坐姿監測頁面如圖8(a)所示; 報表信息頁面如圖8(b); 微動作詳情頁面如圖8(c).

圖7 客戶端軟件結構圖

圖8 圖片合集

2 算法設計

2.1 柔性力敏傳感器標定

大面積、高密度的柔性力敏傳感器主要用于測量接觸界面的壓力分布信息, 其通過其信號檢出電路獲得輸出的電壓信號, 根據其典型輸入輸出關系圖可知,輸出電壓和壓力分區間成線性關系, 通過直線擬合得到輸入-輸出關系, 因此, 通過輸出電壓即可以解算出壓力值. 開展逐點標定實驗, 實驗方法: 首先按照量程分為10個標定點; 由小到大依次加載, 記錄每次的輸出電壓; 由大到小依次卸載, 記錄每次的輸出電壓值.

按照上述實驗方法重復30次, 對30次記錄的數據進行均值處理后, 得到傳感器的壓力-電壓變化曲線如圖9, 通過直線擬合擬合得到輸入-輸出關系, 實驗誤差±0.25%.

2.2 數據處理

(1)原始數據

圖9 壓力-電壓變化曲線

將坐墊上壓力分布的原始數據經過預處理后用MFC畫出來如圖10所示, 該圖形象的描繪出了臀部的壓力分布情況, 可以清晰的觀察出壓力的變化情況.

圖10 臀部壓力分布圖

(2)數據預處理

在數據采集的過程中, 由于震動和電磁干擾等原因可能會產生一些雜點數據, 因此需要對原始數據進行預處理, 消除圖像中混入的噪聲.

均值濾波是一種線性濾波算法, 它是指在圖像上對目標像素給一個模板(本文選取的模板尺寸為3×3,即以目標像素為中心的周圍8個像素, 構成一個濾波模板), 該模板包括了其周圍的臨近像素, 再用模板中的全體像素的平均值來代替原來像素值.

2.3 坐姿動作識別與分析算法

每個人坐在板凳上會使鋪設于坐墊上的柔性力敏傳感器產生形變, 產生M行×N列的二維壓力矩陣. 正常坐姿時, 身體處于端正狀態, 壓力矩陣具有左右對稱性, 且接觸壓力值處于穩定狀態. 當人出現前后傾、左右傾、翹腿等不良坐姿時, 壓力矩陣不具有對稱性. 此外, 當人出現抖腿等不良坐姿時, 接觸壓力值處于上下波動狀態, 幀與幀之間的接觸壓力變化差值較大. 系統首先實時對坐姿的判斷結果進行統計, 分別記錄正確坐姿、不良坐姿以及離座三種情況的次數, 識別并統計導致不良坐姿的微動作, 在此基礎上, 通過大量數據將坐姿微動作信息與其心理變化以及環境因素等進行關聯分析, 并建立坐姿微動作與用戶的行為習慣、心理特征以及環境因素之間的綜合模型.

算法首先進行是否離座判別, 計算總壓力值p, 若p沒有超過閾值t1, 即p＜t1則判斷為離座, 否則進行對稱性判別; 對稱性判別是尋找壓力矩陣對稱的中心線,通過中心線劃分出左右兩個區域, 統計左邊區域的壓力總值p1和右邊區域的壓力總值p2, 計算出對稱系數w1=p1/p2, 當w1沒有超過閾值t2, 即w1＜t2則判定為正常坐姿, 否則進行波動性判別; 波動性判別是統計前幀壓力值p3和后幀壓力值p4, 計算波動系數w2=p3/p4,當w2超過閾值t3時, 即w2＞t3時則判斷為抖腿. 否則,將此不良坐姿和已有的樣本庫通過K-means聚類, 識別出此不良坐姿的具體類別, 進一步識別出前傾、后傾、左傾、右傾、翹腿[11]. 由于本文的數據樣本中只有一部分是有標簽的, 很大一部分沒有標簽, 考慮到數據增強有利于優化分類模型, 將更多的數據應用到模型中, 所以本文利用K-means算法在已有標簽數據下對未有標簽數據進行聚類, 聚類完成后將此不良坐姿的樣本添加并且更新樣本庫, 這樣增加了帶有數據標簽的樣本.

K-means主要算法流程如下[12]:

1) 為每個聚類確定一個初始聚類中心.由于樣本庫中有5類不良坐姿, 所以有5個初始聚類中心.

2) 將未知標簽的樣本按照最小距離原則分配到最近鄰聚類.

3) 使用每個聚類中的樣本均值作為新的聚類中心.

4) 重復2)、3)知道聚類中心不再變化.

5) 結束, 得到5個聚類.

本文使用的K-means算法具體描述如下:

2) 重復下面的過程直到收斂.

{對于每一個樣例i, 計算其應該屬于的類:

算法流程如圖11所示.

3 實驗結果

本文中, 我們將讀寫過程中常見的坐姿分為正常坐姿、前傾、后傾、左傾、右傾、抖腿、翹腿、離座八種, 如表1所示.

我們選取了20名青少年參加測試, 年齡在15–20歲之間, 體重在40–80 kg之間. 測試人員首先按照指引保持正常坐姿作為標定標準, 也就是脊柱端直略前傾, 稍低頭, 不能歪、扭軀干和頭頸部(嚴格要求做到“三個一”, 即胸距桌緣一拳約7–10 cm, 眼距書一尺約33 cm, 握筆手指距筆尖一寸約3 cm[13]. 然后, 測試人員依次按照前傾→后傾→左傾→…→翹腿的順序依次更換坐姿, 每種坐姿保持4秒, 每個測試對象重復采集10次測試流程. 采集完20個測試對象后, 其中,所有測試者的8次試驗數據作為訓練樣本, 2次試驗數據作為測試樣本, 各個坐姿識別率如圖12所示[14].

圖11 坐姿微動作識別與分析算法流程

表1 八種坐姿

4 總結展望

本文設計了一款便攜式、操作簡單、檢測準確度高的坐姿實時監測及智能提醒系統, 通過柔性力敏傳感器采集坐姿臀部壓力分布, 能夠檢測出正常坐姿、前傾、后傾、左傾、右傾、抖腿、翹腿、離座8種坐姿情況, 平均識別準確率達到98%. 同時采用手機APP客戶端實時顯示坐姿情況和環境參數, 并且完成數據的存儲, 提醒用戶及時糾正坐姿, 達到實時預警的效果. 在接下的研究工作中, 我們將結合微動作心理學,重點研究并分析青少年讀寫過程中坐姿微動作與心理變化的關系, 進一步提高坐姿干預矯正效果[15].

圖12 坐姿識別率