7、轮椅使用者坐姿监测系统：智能识别与优化策略

轮椅使用者坐姿监测系统：智能识别与优化策略

1 引言

坐姿监测对于预防轮椅使用者的长期肌肉骨骼疾病至关重要。传统的监测方法主要依赖主观问卷或医学观察，缺乏客观性和连续性。为了解决这一问题，一种名为 i - KuXin 的坐姿监测设备应运而生，它配备了 16 个 FSR 传感器，能够精准捕捉坐姿信息。本文将详细介绍该系统的设计、训练过程以及最终的实验结果。

2 输入特征计算

系统的输入特征是通过传感器测量的力值计算得到的。对于每个传感器，其计算百分比 (x_i(t)) 的公式为：
[x_i(t)=\frac{F_i}{\sum_{j = 1}^{n}F_j}]
其中，(F_i) 是该传感器在同一时刻测量的力，分母是所有传感器在测量时刻测量的力的总和。这样，每个传感器对应一个输入特征，系统共有 16 个输入特征。

3 智能坐姿识别系统设计

3.1 坐姿识别智能技术选择

为了设计智能系统，我们选择了三种广泛使用的机器学习技术：支持向量机（SVM）、K 近邻（KNN）和多层感知器人工神经网络（MLP - ANN）。以下是对这些技术的详细介绍：
- 支持向量机（SVM） ：这是一种常用的监督学习算法，用于分类任务。其核心思想是在高维特征空间中构建一个超平面，以最优方式分离不同类别的数据点。SVM 的目标是找到一个既能最大程度分离各类别，又能最小化分类误差的超平面。通过使用核函数，SVM 能够处理复杂的非线性数据集。需要调整的两个主要超参数是 (C) 和 (\Gamma)。其中，(C) 参数决定了最大化间隔和最小化训练误差之间的权衡，而 (\Gamma)