摘要
随着社会进步、新奇潮流的生活方式使人们的生活发生巨大变化。不良姿势及其引起的相关症状正成为一个重要的公共卫生问题。非正常站姿属于不良姿势的一种，目前对人体站姿的识别主要有基于图像和传感器两种形式。而基于图像的人体站姿识别大多会遇到环境因素限制。针对这些问题，本文拟通过柔性传感阵列的方式直接将足部压力数值转换成深度学习网络的输入数据，并结合深度学习算法对人体站姿进行识别。本文所做的主要工作有: (1)设计并制作三种电极排布方式不同的压力传感器件结构，并使用相关仪器进行性能表征测试。对比择优选择SS-3电极排布方式作为本研究所使用的传感器件结构。接着通过对其进行性能测试模拟在使用过程中会出现的问题。以此传感单元为标准设计排布合理的共有1024个传感点的全织物基柔性传感阵列(All-Textile Pressure Sensor Array,ATPSA)。 (2)为了能够更好的采集人体站姿特征信息，ATPSA中需要排布尽可能多的传感点，因此需要在全织物基柔性传感阵列场景下制定高速信号采集方案，为后期数据成像与站姿识别提供数据分析基础。 (3)针对制作完成的ATPSA编写数据可视化软件，进行成像效果测试。将站姿划分为六种常见的类别，通过志愿者对不同站姿进行站姿数据的采集并建立对应的站姿数据集。接着通过构建三层BP神经网络来验证ATPSA采集数据对于提取足部特征信息的可行性。 (4)为了提升站姿判断的准确性，使用现有的卷积神经网络模型LeNet,并对相关参数进行微调，构建出更适合本文数据集格式的LeNet模型。对四种不同模型(SVM、RF、BP、LeNet)的泛化能力进行实验比较，最终得出本文提出的人体姿态监测评估通用系统ATPSA-LeNet最为适合提取站姿特征信息。 本文提出了一种全新的高鲁棒性人体姿态监测评估通用系统ATPSA-LeNet,利用这一分类器及传感器融合技术能够直接通过ATPSA将足部压力值转化为输入数据，建立起人体足底压力分布特征同脚部形态的非线性关联,对于站姿的识别准确率高达98.84％。实验结果表明ATPSA-LeNet能为临床诊断以及复健过程提供参考，具有重要意义，应用潜力巨大。
NETL