英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
使用压力分布传感器的感应座椅
Hong Z. Tan，IEEE会员，Lynne A. Slivovsky，IEEE学生会员，Alex Pentland会员，IEEE会员
摘要——多模态界面研究面临的一个挑战是缺乏支持多模态相互作用的强大子系统。通过聚焦于椅子——一个几乎包括了所有人机交互的物体。感应椅项目能够使普通办公椅能够意识到其乘客的行为和需求。将压力分布传感器安装在椅子的座椅和靠背上，以实时捕获座椅和乘客之间的关联信息。考虑到压力分布图和灰度图像之间的相似性，计算机和机器人视觉中常用的模式识别技术，如组成成分分析，已成功应用于解决坐姿分类问题。目前实时运行的静态姿势分类系统，对于熟悉的人（以前感受过的人）和不熟悉的用户，其总体分类准确率分别为96％和79％。其未来的工作是针对动态姿态跟踪系统，该系统不仅能够跟踪稳定状态（静态），还能够跟踪（动态）坐姿。这里报告的结果成为了一个智能椅子的重要垫脚石，可以在许多领域找到应用，包括多模式界面，智能环境和汽车操作安全。
导言
随着电脑变得越来越普及，对支持新的交互式的人机界面的需求不断增长。 （人们）目前正在努力开发一种新颖的触觉界面系统，围绕一个包含几乎所有人机交互的物体，但至今仍然存在感官和信息缺失。一把椅子，这把椅子无法察觉乘客的行为，因此无法解释用户的意图。这把椅子被剥夺了信息，因为它没有向乘客提供任何有用的信息。因此，今天可用的椅子是一种不响应用户需求的被动对象。
为了使椅子能读乘员的动作，压力分布传感器被安装在感应椅的座椅和靠背上。为了使椅子能够向乘员提供有用的信息，振动触觉刺激器被嵌入椅子显示器中[27]，[28]。本文报道了我们关于感应椅上的研究。我们工作的动力是希望将普通的座椅转变成具有感知能力的和多模态的人机界面。
A.为什么是感知用户界面？
因为如果计算机不了解其用户，智能电脑将无法表现的智能或有帮助[20]。今天的计算机是盲人，聋子和无意识的（除了能意识到按键和鼠标点击）。明天的计算机将能够看到，听到和触摸环境，以及与之交互的。只有这样，计算机才能识别情况和变得有用——就像一个无形的管家[20]。目前已经开发了许多系统，这些系统探索感知智能的概念，其中计算机配备有类似于我们自己的感觉机制（例如，通过相机的视觉，以及通过麦克风的听觉）[4]，[8]，[9]，[15]，[22]，[29],[31]。其中，很少使用基于触摸的感官信息。感应椅项目的概念是探索使用类似于人造皮肤的传感器的分布式压力信息来实现感知智能。
只有收集和显示感官信息才能实现计算机的感知智能，就像大多数网络摄像头所做的那样。感知智能是理解感官数据揭示环境和人的状态的结果。因此，感应椅所要解决的关键研究问题是触摸传感器信息的自动处理和解释，以及导致这种感知数据的用户行为建模。我们设想明天的计算环境，其中所有物体都配备了一层人造皮肤（例如，感应椅，感应地板，感应文件夹）。我们期望我们使用感应椅开发的算法和行为模型可扩展到大规模分布式触觉感测和解释。
B．为什么是多模态界面
因为人们自然而然地使用多模式信息通道进行通信，并且因为多模式界面已被证明是有效的[19]。认知研究表明，多式联运导致信息传递量增加[14]。且已经表明，具有单个变化属性的信号最多可以向观察者发送2-3比特（例如，我们只能识别固定频率纯音的大约5-7个响度水平）。然而，通过使用具有多种属性的信号可以实现更大的信息传输（例如，由于许多面部特征对面部的整体外观起作用，因此人们可以在一眼或一张照片上轻松识别数百个面部）。传输信息的增加可以通过多种形式传达不同信息或冗余编码相同信息来获得[14]。因此，多模式界面有助于实现更自然，更高效的人机交互。
多模式界面研究面临的一个挑战是缺乏多模式界面系统。用于语音识别或手势解释等应用的强大系统需要来自多学科研究团队的长期研究和开发工作。只有解决了每个应用领域中的问题，才能真正实现多模式交互。我们的工作重点是开发可与其他最先进的接口系统集成的单模态（触觉）接口系统，以使下一代计算机用户能够与计算机自然交互。
我们与感应椅项目的长期目标是开发基于椅子的触觉感应系统，该系统足够强大，可驱动许多实时应用。例如，在智能环境下，感应椅可以允许坐着的参与者使用坐姿来直接控制远程会议室中的摄像机。想象一下，通过向前倾斜来放大远程扬声器，或者通过旋转椅子来平移远程摄像机！关于人体工程学，感应式办公椅可以收集“虚拟姿势教练”所需的信息，以帮助电脑用户保持适当的坐姿。由于以前的疾病，如颈部或背部受伤，需要长期监测时，这可能特别有用。我们的感应椅系统还可以帮助家具设计师通过观察人们长时间坐在椅子上的方式来评估他们的新椅子。在康复方面，传感轮椅可以监测椅子上的压力积聚，并触发表面气囊等机构重新分配椅子表面的压力分布。像这样的系统对于行动不便的人尤其有益。最后，感应驾驶员或乘客座椅可以根据驾驶员的估计重量和尺寸自动调整安全气囊的展开力，或者如果在前排座椅中检测到婴儿汽车安全座椅，则禁用安全气囊。
2.相关工作
由于空间原因以及分散在许多学科中的一系列文献，在此不提供全面的评论。相反，我们将传感椅与椅子系统上的项目以及使用压力分布传感器进行对比。
A．基于座椅的系统
围绕椅子的结构开发了许多系统。例如，英国电信SmartSpace就是围绕转椅建造的未来概念个人工作环境。配备了水平LCD触摸屏，视频投影和3D音场。 相比之下，我们的感应椅的目标是通过设置椅子本身来实现信息提取和显示。
BCAM国际公司（纽约州梅尔维尔）开发了一种带有气动控制气囊的躺椅，放置在躺椅表面附近，可以充气以“拥抱”并支撑身体.2这种被称为“智能表面”的技术最近 在美国航空公司的行家座位席位上实施[7]，[24]。 应该指出的是，气囊激活模式是基于人体工程学的考虑，而不是其占用者的需求。感应椅可以为这些机构提供所需的智能，使得表面分布可以响应椅子中的实时压力分布而以人体工程学方式有利地改变。
B．压力感应
压力分布传感器已被广泛用于评估鞋子，椅子和床的重量支撑表面。鞋类研究的实例包括评估七种类型的鞋子在降低麻风患者行走时的峰值压力方面的能力[2]，评估鞋内峰值压力测量的普遍性以及从众多受试者收集的数据一段时间使用两种校准方案[16]，以及通过减少溃疡压力来验证使用总接触模型治愈足底神经性溃疡[6]。对座椅的研究包括开发测量协议和分析技术来评估办公椅的压力分布[23]，使用体压分布测量作为评估与五个汽车座椅相关的舒适度的一系列测试的一部分[12]，以及对客观压力措施如何能够改善机组座位的更加均匀分布的压力模式的有趣回顾，从而通过减少或消除飞机高加速度机动过程中所承受的疼痛来潜在地提高飞行员的任务绩效[5]。床病研究的例子包括调查老年人群的支持表面压力和反应性充血（对压力的生理反应）[1]，以及基于压力分布测量和人体骨骼模型的睡眠者身体姿态估计系统的最新发展[11]。我们的感应椅项目与上次引用的研究类似[11]，我们关注的是接触式传感器信息的自动处理和解释，而其他研究回答了关于压力分布测量的专家分析。特别重要的是开发可用于驱动其他过程的实时系统，例如基于驾驶员或乘客的体型，重量和坐姿自动控制安全气囊展开力。
3.感应椅系统
A.概述
首先，我们模拟使用感应椅的人的坐姿（图1）。如图2所示，感应椅项目进一步分为静态姿态分类（稳态坐姿识别）和动态姿态跟踪（稳态持续跟踪以及过渡坐标姿势）。在每种情况下，我们都从一个单用户系统开始，然后进入多用户系统。我们的目标是建立一个强大的，实时的，与用户无关的坐姿追踪系统。本文介绍了我们的静态姿势分类系统的方法和结果。考虑到压力图和8-b灰度图像之间的相似性（参见图3），推测为计算机视觉开发的模式识别算法将适用于从压力分布数据解释坐姿。计算机视觉中的对象表示和识别主要有两种方法：基于模型（例如[3]）和基于外观（例如[17]）。后者被认为更适用，因为对象模型的概念并不直接适用于压力图。我们的工作主要基于组成分分析（PCA）技术，也称为“特征空间方法”，“特征分解”或“Karhunen-Loeve扩展”[10]。它已经成功应用于计算机人脸识别问题（例如[21]，[32]）。我们的算法在第四节中介绍。
B．压力数据的硬件配置和预处理
我们的传感椅配备了市售的压力分布传感器，称为体压测量系统（BPMS），由Tekscan，Inc.（South Boston，MA）制造。图1所示的办公椅在座椅和靠背上安装了两个传感器板（隐藏在保护袋内）。BPMS系统已被选中：1）高分辨率（10毫米单元间距）；2）传感器片（厚度为0.10毫米）的灵活性，以便它们可以符合椅子的形状；3）纳蒂克陆军研究实验室（用于军靴设计），Steelcase NA和赫曼米勒（主持评估）等主要研究和工业实验室的使用情况；4）最重要的是，Tekscan愿意提供一个API，使我们能够实时访问和操作压力分布数据。每个传感器片都有一个42times;48压力传感元件阵列。每个传感元件输出一个与局部压力成比例的8位数字值。尽管可以校准传感器板以显示PSI或其他标准单元中的压力读数，但使用原始数字数据，因为我们只对椅子表面上的相对压力分布模式感兴趣。
图3中的图像是用于表示作为二维灰度图像显示的左腿交叉（在去除噪声之后）的静态坐姿的全压力图。 压力图的上半部分和下半部分分别对应于靠背和座椅上的压力分布。 要了解压力图的方向，可以设想站在椅子及其乘员的前方，展开椅子，使靠背和座椅位于同一平面上。 因此，图3中所示的压力图的顶部，底部，左侧和右侧分别对应于乘员的肩部区域，膝部区域，右侧和左侧。 每个全压力图的大小是84times;48（2times;42times;48）或4032个像素。 原始压力分布图通常是嘈杂的（图4左图中的尖峰）。 通过将压力映射与3乘3平滑内核进行卷积来去除噪声。
由于压力传感器片的拐角缠绕在椅子上，平滑的压力图（图4的右图）包含压力伪影（在图像的左上角和右角）。由于这些工件对所有压力图都是通用的，所以没必要消除它们。最后，压力读数的值被归一化，分别用于座椅和靠背地图。 本文的其余部分假定所有的压力图都经历了前述的预处理程序。
图1 感应椅
图 2 感应椅项目概述
图 3用于“左腿交叉”的姿势的完整压力图，显示为2-D灰度图像。 地图的顶部，底部，左侧和右侧分别对应于乘客的肩部区域，膝部区域，右侧和左侧
图 4 在左（右）平滑之前和之后（右），姿势“直立坐姿”的姿势的压力图的3-D视图。
4.静态坐姿分类
A. 基于PCA的分类算法概述
基于PCA的方法的关键是通过查找压力图分布的主要组成部分，或者等同于一组训练压力图的协方差矩阵的特征向量来减少数据表示的维度。我们基于PCA的静态姿势分类算法包括两个独立的步骤：训练和姿势分类。在第一步中，收集一组K个预定义静态姿势的训练数据。使用与相同姿势相对应的压力图来计算最能表示它们之间的变化的特征向量。这个特征空间在本文中被称为特征空间，类似于[21]中用于人脸识别的基于视图的或模块化的特征空间。图5说明了计算一个这样的特征空间的过程。每个训练压力图都被光栅扫描以形成4032个元素（Pm，m = 1，... M）的向量。这些矢量首先被去掉，其中是M个矢量的平均值。均值调整向量，Phi;m=（1，... .M）。然后用于计算协方差矩阵C，（lambda;i，i = 1，... M）是单调递减的（lambda;1ge;lambda;2ge;...ge;lambda;M），从中计算出一组M个特征向量（mu;i，i = 1，... M），这些特征向量 ）可以被认为形成了一个三维特征空间，其中一个4032个单元的压力映射可以用M维空间表示。 此外，我们可以选择仅使用特征值最大的前M#39;（M#39;lt;M）特征向量来进一步提高计算效率（参见第V节）。 对于所有静态姿势重复图5所示的过程。 请注意，特征空间的计算是离线执行的。
给定测试压力图Pt，姿态分类的第二步按如下实时进行（图6）。首先将测试图（Pt）投影到训练步骤期间计算的特征空间上。这是通过从Pt中减去每个姿势的平均压力图（Pk，k = 1，... K），并找到平均调整姿势图（Phi;k，k = 1，... K）与每个姿势的内点积在相应的特征空间中的特征向量。结果是由权重 指定的第k个特征空间中的点，其中ui表示第k个特征空间中的第i个特征向量。这些权重用于计算在每个特征空间中Pt的重建为 ，其中Pt为每个特征空间重建的距离，即所谓的与姿态空间的距离（DFPS ）可以被计算为。就Pt可以由K个特征空间中的一个（如最小εk所示）很好地表示的情况来说，相应的姿势标签（k）被用于将
B. 单用户静态姿势分类系统。
作为一个概念证明，在Windows 3.11环境下（硬件驱动程序要求）在Pentium PC上实现了单用户静态姿势分类系统[26]，[27]。第一作者收集了总共K = 14坐姿和每姿势M = 10个压力分布样本的训练数据。姿势是：1）直立坐姿; 2）向前倾; 3）向左倾斜; 4）向右倾斜; 5）右腿交叉（膝盖接触）; 6）右腿交叉（左脚右脚）; 7）左腿交叉（膝盖接触）; 8）左腿交叉（右脚左脚）; 9）左脚在右大腿下的座椅上; 10）右脚在左大腿下的座椅上; 11）向左倾斜，右腿交叉; 12）左腿向右倾斜; 13）后仰;和14）懒散。这些姿势被认为是可以在办公室环境中找到的典型坐姿的代表[13]。在训练步骤中，计算K = 14个特征空间，每个空间都来自M = 10个压力分布样本。在分类过程中，首先通过比较所有像素值的总和与预设阈值来测试新的压力分布图的“空座位”。一旦压力图通过了这个初始测试，它就被投影到14个特征空间，并找到最小的DFPS，εmin。如果εmin低于预设阈值，则使用相应的特征位置空间来标记新的压力图。否则，系统宣布姿势为“未知”。
全文共12175字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16251]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
