(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111181174.9 (22)申请日 2021.10.1 1 (65)同一申请的已公布的文献号 申请公布号 CN 113936335 A (43)申请公布日 2022.01.14 (73)专利权人 苏州爱果 乐智能家居 有限公司 地址 215000 江苏省苏州市相城区相城大 道1168号品上商业中心5幢19层1901- 1905室 (72)发明人 陈向林　 (74)专利代理 机构 苏州国诚专利代理有限公司 32293 专利代理师 李小叶 (51)Int.Cl. G06V 40/20(2022.01)G06V 10/82(2022.01) G06N 20/00(2019.01) G08B 21/18(2006.01) 审查员 丁娇 (54)发明名称 一种智能坐姿提醒方法和装置 (57)摘要 本发明公开了一种智能坐姿提醒方法和装 置， 其中， 所述方法包括： 通过联邦学习方法对神 经网络模型进行训练， 获得第三坐姿预设模型； 获得第一用户的身高信息和骨骼信息； 并输入所 述第三坐姿预设模型， 获得所述第一用户的标准 坐姿信息； 通过所述图像采集装置对 所述第一用 户进行多角度图像采集， 获得N个第一图像信息； 构建所述第一用户的三维坐姿模 型； 获得所述第 一用户的第一坐姿信息； 将所述第一坐姿信息与 所述标准坐姿信息进行比对， 获得第一比对结 果； 根据所述第一比对结果， 确定是否获得第一 提醒信息。 解决了现有技术中无法对小学生的不 端坐姿进行实时监测、 智能提醒、 及时校正， 进而 影响后期骨骼的发育校正的技 术问题。 权利要求书4页 说明书12页 附图4页 CN 113936335 B 2022.08.23 CN 113936335 B 1.一种智能坐姿提醒方法， 其中， 所述方法应用于一智能坐姿提醒系统， 所述系统包括 一图像采集装置， 所述方法包括： 通过联邦学习方法对神经网络模型进行训练， 获得第三 坐姿预设模型； 获得第一用户的身高信息和骨骼信息； 将所述身高信 息和所述骨骼信 息输入所述第 三坐姿预设模型， 获得所述第 一用户的标 准坐姿信息； 通过所述图像采集装置对所述第 一用户进行多角度图像采集， 获得N个第 一图像信 息， 所述第一图像信息包括所述第一用户的坐姿图像信息； 根据所述 N个第一图像信息， 构建所述第一用户的三维坐姿模型； 根据所述 三维坐姿模型， 获得 所述第一用户的第一 坐姿信息； 将所述第一 坐姿信息与所述标准 坐姿信息进行比对， 获得第一比对结果； 根据所述第一比对结果， 确定是否获得第一提醒信息， 所述第一提醒信息用于提醒所 述第一用户调整坐姿； 其中， 所述通过联邦学习方法对神经网络模型进行训练， 获得第三坐姿预设模型， 包 括： 获得第一区域的第一用户集合的第一基础数据， 所述第一基础数据包括第一身高信 息、 第一骨骼信息； 根据所述第一身高信息、 所述第一骨骼信息， 构建第一训练数据集； 获得第二区域的第二用户集合的第二基础数据， 所述第二基础数据包括第二身高信 息、 第二骨骼信息； 根据所述第二身高信息、 所述第二骨骼信息， 构建第二训练数据集； 从第三方平台获得初始坐姿预设模型； 通过所述第一训练数据集对所述初始坐姿预设模型进行训练， 获得第一坐姿预设模 型； 通过所述第二训练数据集对所述初始坐姿预设模型进行训练， 获得第二坐姿预设模 型； 根据所述第一坐姿预设模型， 获得第 一模型参数， 根据所述第二坐姿预设模型， 获得第 二模型参数； 根据所述第一模型参数和所述第二模型参数， 对所述初始坐姿预设模型进行更新， 获 得第三坐姿预设模型； 所述通过所述第 一训练数据集对所述初始坐姿预设模型进行训练， 获得第 一坐姿预设 模型， 包括： 对所述第一训练数据集进行分类， 获得不同类别的子训练数据集； 分别利用所述不同类别的子训练数据集对所述初始坐姿预设模型进行训练， 获得多个 子初始坐姿预设模型； 根据所述多个子初始坐姿预设模型， 获得多个子模型参数； 通过所述多个子模型参数对所述初始坐姿预设模型进行更新， 获得所述第 一坐姿预设 模型。 2.如权利要求1所述的方法， 其中， 所述对所述第一训练数据集进行分类， 获得不同类权　利　要　求　书 1/4 页 2 CN 113936335 B 2别的子训练数据集， 包括： 获得所述第一训练数据集的年龄特 征、 兴趣特 征； 构建直角坐标系， 以所述 年龄特征作为横坐标， 以所述兴趣特 征作为纵坐标； 对所述直角坐标系进行区域标签化分类， 获得第一标签分类结果； 将所述第一用户集合的所述年龄特征和所述兴趣特征输入所述直角坐标系， 获得第 一 向量集合； 对所述第一向量 集合进行距离计算， 获得欧氏距离数据集； 根据所述欧氏距离数据集， 获得第一分类数据集， 所述第一分类数据集为所述欧氏距 离数据集中最短k个距离； 根据所述第一分类数据集和所述第一标签分类结果进行映射匹配， 获得第一分类结 果； 根据所述第一分类结果， 获得不同类别的所述子训练数据集。 3.如权利要求1所述的方法， 其中， 所述将所述身高信 息和所述骨骼信 息输入所述第 三 坐姿预设模型， 获得 所述第一用户的标准 坐姿信息， 包括： 将所述身高信息和所述骨骼信息作为输入信息 输入所述第三 坐姿预设模型； 所述第三坐姿预设模型通过多组训练数据训练至收敛获得， 其中， 所述多组训练数据 中的每组数据中均包括所述身高信息和所述骨骼信息和用于标识标准 坐姿的标识信息； 获得所述第 三坐姿预设模型的输出信 息， 所述输出信 息包括所述第 一用户的标准坐姿 信息。 4.如权利要求1所述的方法， 其中， 所述将所述第 一坐姿信 息与所述标准坐姿信 息进行 比对， 获得第一比对结果， 包括： 获得预定误差阈值； 根据所述第 一坐姿信 息与所述标准坐姿信 息， 获得所述第 一坐姿信 息与所述标准坐姿 信息的误差量； 判断所述 误差量是否在所述预定误差阈值之内， 获得 所述第一比对结果。 5.如权利要求 4所述的方法， 其中， 所述方法还 包括： 获得所述第一用户的学习时长历史数据； 根据马尔科夫特性， 预测所述第一用户的第一学习时长； 根据所述第一学习时长， 获得第一 坐姿误差调整参数； 根据所述第一 坐姿误差调整参数， 对所述预定误差阈值进行调整。 6.一种智能坐姿提醒系统， 其中， 所述系统包括： 第一获得单元： 所述第一获得单元用于通过联邦学习方法对神经网络模型进行训练， 获得第三 坐姿预设模型； 第二获得 单元： 所述第二获得 单元用于获得第一用户的身高信息和骨骼信息； 第一输入单元： 所述第 一输入单元用于将所述身高信 息和所述骨骼信 息输入所述第 三 坐姿预设模型， 获得 所述第一用户的标准 坐姿信息； 第一采集单元： 所述第 一采集单元用于通过图像采集装置对所述第 一用户进行多角度 图像采集， 获得N个第一图像信息， 所述第一图像信息包括所述第一用户的坐姿图像信息； 第一构建单元： 所述第一构建单元用于根据 所述N个第 一图像信 息， 构建所述第 一用户权　利　要　求　书 2/4 页 3 CN 113936335 B 3