一种基于压力传感矩阵的AI人体卧姿识别系统的研究

常振云 赵琳 屈志文

摘要：随着智能识别系统在各个领域应用的普及，精准化、针对性的管理和服务已经有了越来越优秀的表现。本文以AI姿态识别在卧床病患的精准护理方面的应用为研究对象，设计了一种基于压力传感矩阵采集人体卧姿数据，然后在上位机进行数据清洗与存储、数据点可视化成像、AI算法根据数据可视化图像进行人体卧姿识别的系统。经数据实验测试，基本可以实现初步效果。该系统可应用在养老、助残护理中的辅助智能提醒及精准护理领域。

关键词：传感阵列;数据可视化;AI;姿态识别

中图分类号： TP212   文献标识码：A    文章编号：1007-9416（2020）10-0000-00

0 引言

近年来，随着智能感知技术以及大数据和人工智能技术的发展，在各行业不同的应用场景中技术融合解决实际问题的需求日益增加。对于家庭及护理机构和医院来说，长期卧床病患的护理工作是一项不可避免又非常耗费人力、物力的工作，尤其是对于失去部分身体机能的重症病患来说，精准有效的护理需求越来越突出。本文针对的研究内容就是建立一个从病床到精准护理的模型。本文是天津市大学生创新训练计划项目“基于压力传感矩阵的人体部位识别系统”研究成果的一部分，重点阐述了从通过压力传感阵列设计及数据采集、数据清洗及分析、数据可视化成像到智能图像识别判断人体卧姿的模型建立及实践。

1 系统模型建立

课题以可视化展现为目标，以卧姿识别为成果，通过硬件压力传感阵列采集的数据为基本处理对象，设计研究的具体系统模型如图1所示。

2 传感阵列硬件及数据采集设计

传感阵列的数据采集系统主要由信号采集模块、单片机最小系统模块、数据通信模块和上位机组成。首先选择合适的针对人体姿态检测的压力传感器矩阵作为信号采集的主要模块，然后针对该传感器矩阵进行外围电路的设计，完成对矩阵上压力信息的采集，接着利用单片机最小系统对该传感器矩阵检测的信号进行信号采集、处理以及发送，其中主要包括系统时钟电路、复位电路、单片机程序下载电路、滤波电路、数据通信电路和系统工作指示等相关电路，最后将这些数据发送至上位机，由上位机将数据图像化，生成压力分布二维图像，实时分析当前压力分布状态[1]。具体设计框图如图2所示。

为了满足本课题的实际要求，在分析和研究了各种压力传感器的基础上，最后选择了电阻式薄膜压力传感器矩阵。该传感器是在柔性聚酯基材上印刷电极、力敏、结缘、胶水以及其他需要的功能材料，具有柔软性好、延展性好、透明度高，重量轻等特点，非常适合本设计。该阵列的原理是根据压阻效应来测量压力。

信号采集模块采用的是一个8×8的传感器矩阵模拟，采用行列扫描的方法，利用CD74HC4067芯片控制传感器矩阵的采集顺序。数据通信模块考虑到系统的使用环境、传输距离和传输信号的抗干扰能力，最终决定使用USB串口通信，主要利用CH340转接芯片，实现USB转串口、USB转IrDA或者USB转打印口，通过简单的配置和外部连线即可满足系统的通信要求。单片机是本模块中的核心，选择一款合适的单片机对于该模块是至关重要的。它的性能、功耗及支持的外围设备等都能决定系统最后的成本和性能。在研究了许多适合本系统的单片机后，选择了STM32F103C8T6单片机。本课题单片机程序是基于Windows操作系统，在KeiluVision5集成开发环境中实现的，程序的核心是采集压力信息的功能。采集压力信息子程序对各传感单元进行AD转换，在一次转换完成后进行数据读取、通道切换等操作，在完成最后一列的转换后，将这些数据发送至处理压力信息子程序进行数据处理，最后将数据打包发送至上位机[2]。

3 数据处理

下位机采集和传输的数据还不能进行可视化使用，需要经过相关的数据处理才能使用，本课题数据处理主要采用如下几种方法[3]：

（1）判断数据是否正确。根据需求设定数据格式为长度是3的数组[横坐标，纵坐标，压力值]，如果接收的数组长度不为3，则代表这组数据在传输的过程中出现了错误，对此类数据只存储但是不做任何处理。如果采集数据量不够，采用均值填充策略对缺项的数据进行填充。（2）去掉最大值、最小值。为了降低极端数据对结果的影响，利用对数据进行去掉最大值最小值进行不合理数据的去峰处理。（3）去重复值。去重复值可以降低众数对结果的影响，因此根据数据采集的情况，对数据进行去重处理。（4）求取平均值。对数据求平均值可以使结果更加准确，最终结果采用保留整数的形式。数据的存储以三元组的形式进行存储，采集的原始数据和经过处理后的数据各作为一个数据表单独存储。

4 数据可视化及报警实现

Matplotlib 是一个 Python 的 2D绘圖库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形，本课题在数据可视化处理上就采用了Matplotlib工具进行设计。首先使用Matplotlib对存储的合理数据进行读取，然后进行图形绘制，绘制的图形参考量主要是三个：横坐标、纵坐标和压力值，绘图的数据存放在一个list里面[4]。

本课题还涉及到I/O流的控制操作，所以在设计时将使用报警系统来体现I/O流的控制，报警系统是用来提醒医护人员发生的突发情况，如果当病人的温度过低、心跳率降低或者人体姿态长时间不发生改变的时候，会及时向医护人员报警，让医护人员采取紧急措施。

5 利用AI模型进行人体卧姿识别

本课题在卧姿识别功能上利用的是Keras框架下的序惯模型（Sequential）和函数式模型（Model）完成卷积神经网络中的输入层、卷积层、池化层以及全连接层搭建。

由于生成的可视化图像受制于数据量限制，所以对于人体卧姿识别的数据集图像采用的是按需独立建立和处理。数据集图像中所选择的图片一共分有六个类别分别是：（1）分类的头在左侧平躺位;（2）分类的头在左侧俯卧位;（3）分类的头在右侧俯卧位;（4）分类的头在右侧平躺位;（5）分类的头在左侧侧躺位;（6）分类的头在右侧侧躺位。为保证训练的准确度，测试集是已选数据集还未参与训练时提前抽取出来的[5]。

因为数据集数量不大，所以选择了TensorFlow Hub可用的离线模型。对随机抽取测试集中的任意一张图片进行识别分类，保证识别分类的随机性和准确识别性，并通过引用Python库中的PIL将最后识别分类出来的图片显示出来并标注说明图片出处以及所属的分类。

本研究运行测试模块从测试集中抽取图片进行识别分类和显示，最终得到一张可视的图片，并标识所属出处为（1）分类，分类结果属于（6）分类，即使图像的分类出处不对，通过本模型也可以正确识别，并标注出正确的分类。如图3所示。

6 结语

本文介绍了一种融合传感阵列、数据采集处理、数据可视化成像及AI姿态识别等技术的应用系统模型，虽然在有些数据集采集量上还有一定不足，但是具体模型设计完整，具有较强的实用价值，能够为精准护理提供一定的研究基础，同时也有继续深入研究和进行成果转化的意义。本文实验成果以期为后续研究和其他领域的相关研究提供一定的参考。

参考文献

[1] 赵治羽，马磊，孙永奎.基于足底压力传感器的步态识别方法研究[J].电子测量技术，2019（13）：26-31.

[2] 刘少华.基于柔性阵列压力传感器的坐姿监测与提醒系统的设计与实现[D].合肥：安徽大学，2018.

[3] 高大伟，郁珍艳，姚益平，等.Python在FY-2G定量业务产品自动可视化中的应用[J].气象科技，2018（1）：43-50.

[4] 田元，李方迪.基于深度信息的人体姿态识别研究综述[J].计算机工程与应用，2020（4）：1-8.

[5] 赵浩.基于TensorFlow的卷积神经网络图像分类实践策略研究[J].价值工程，2020（9）：205-207.

收稿日期：2020-08-20

基金项目：天津市大學生创新训练计划项目“基于压力传感矩阵的人体部位识别系统”（201910859005）。

作者简介：常振云（1978—），女，天津人，硕士，副教授，研究方向：数据采集、数据可视化分析。

Research on AI Human Posture Recognition System Based on Pressure Sensing Matrix

CHANG Zhen-yun， ZHAO Lin， QU Zhi-wen

（Tianjin Tianshi University， Tianjin  301700）

Abstract： With the popularization of intelligent identification system in various fields， the accurate and targeted management and service have been more and more excellent performance. In this paper the application of AI posture recognition in precise nursing of bedridden patients is studied， A kind of data acquisition system based on pressure sensor matrix is designed， then the data is cleaned and stored in the upper computer、 data point visualization imaging、 AI algorithm according to the data visualization image of human body posture recognition system. Through the data experimental test， the preliminary results can be achieved. The system can be used in the field of auxiliary intelligent reminder and precise nursing in the field of pension and disability care.

Key words： sensor array; data visualization; AI; attitude recognition