学术研究报告：基于深度学习的硬质与软质座椅环境下压力分布坐姿识别研究

一、研究团队与发表信息
本研究由深圳大学体育学院人体运动与表现实验室的Boren Wang、Lili Tu、Shiwei Mo（通讯作者）及香港理工大学时装与纺织学院的Qiu-Qiong Shi合作完成，发表于期刊Appl. Sci. 2025年第15卷，文章标题为《Deep Learning-Based Sitting Posture Recognition from Pressure Distribution Across Hard and Soft Seat Environment》。

二、学术背景与研究目标
科学领域：本研究属于生物力学与计算机科学的交叉领域，结合压力传感技术与深度学习算法，致力于解决久坐人群的坐姿健康监测问题。
研究动机：不良坐姿易引发腰椎疼痛等肌肉骨骼疾病，现有坐姿识别系统多依赖多传感器或仅针对单一座椅表面，难以兼顾实用性与泛化性。
研究目标：
1. 开发仅需单压力传感垫即可识别9种常见坐姿的深度学习模型；
2. 评估模型在硬质与软质座椅上的性能差异；
3. 探究跨座椅域（cross-domain）的模型泛化能力。

三、研究流程与方法
1. 数据采集
- 研究对象：11名健康男性志愿者（年龄26.64±8.03岁），无 musculoskeletal disorders（肌肉骨骼疾病）。
- 实验设计：
- 坐姿类型：9种（如自然直立NUP、前倾LF、对侧旋转CLA等），覆盖临床高风险姿势。
- 座椅条件：硬质（5cm厚实木）与软质（高密度泡沫垫）表面，模拟日常场景。
- 传感器：自研16×16压阻式传感矩阵（分辨率0.01V，精度±3kPa），采样频率1Hz。
- 流程：每种姿势维持180秒，随机顺序以避免疲劳偏差。

1. 数据处理

   • 预处理：剔除无效帧（如过渡动作）、过滤低覆盖率数据（<50%传感器激活），基于COP（center of pressure，压力中心）轨迹验证数据有效性。
     
   • 特征提取：计算每帧的峰值压力（peak pressure）、平均压力（mean pressure）和压力方差（pressure variance），反映坐姿生物力学特征。
     

2. 模型开发与训练

   • 算法架构：对比三种神经网络：
     
     • FNN（前馈神经网络）：全连接结构，处理扁平化特征。
       
     • CNN（卷积神经网络）：利用局部空间特征，含3个卷积模块。
       
     • ResNet（残差网络）：引入跳跃连接（skip connection）解决梯度消失。
       
   • 训练策略：五折交叉验证，80%训练集，Adam优化器（学习率0.001），损失函数为交叉熵。
     

3. 跨域验证

   • 测试模型在单一座椅训练后对另一座椅数据的预测能力，评估泛化性。
     

四、主要研究结果
1. 压力分布差异
- 硬质座椅的峰值压力（2517.5±17.0 mV）显著高于软质（2389.5±236.1 mV）（p<0.001），而平均压力更低（610.2 vs 830.4 mV），印证软质座椅压力分散特性。

1. 模型性能

   • 单一域准确率：所有模型>96%，CNN与ResNet略优（硬质座椅：CNN 97.48%，ResNet 97.41%）。
     
   • 跨域性能崩溃：硬→软测试时，FNN仅39.35%准确率，CNN/ResNet更低（38.33%/29.26%），表明座椅材质显著影响空间特征提取。
     
   • 混合训练优势：混合数据集训练的CNN在双域测试中均>97%准确率，凸显数据多样性的重要性。
     

2. 误分类模式

   • 旋转类姿势（如LLA与CLA）混淆率最高（28%-31%），反映压力数据对旋转特征的敏感性不足。
     

五、研究结论与价值
1. 科学价值：
- 首次系统量化座椅硬度对压力分布的影响，揭示CNN在混合数据中的空间特征提取优势。
- 提出跨域泛化瓶颈的解决方案，强调训练数据需覆盖目标场景。

1. 应用价值：
   
   • 为智能座椅系统（如车载疲劳预警、办公ergonomic评估）提供轻量化部署方案，仅需单压力传感垫即可实现高精度分类。
     

六、研究亮点
1. 方法创新：首次对比FNN/CNN/ResNet在坐姿识别中的跨域性能，提出混合训练策略。
2. 临床意义：纳入对侧旋转等高风险姿势，弥补现有研究空白。
3. 技术实用性：自研传感系统（低成本、非侵入）与轻量化模型（CNN参数比FNN减少62.6%）适合嵌入式应用。

七、其他价值
- 公开数据集（需申请获取）为后续研究提供基准；
- 提出未来方向：结合动态姿势分析（如biorthogonal wavelet去噪）及多样化人群验证。