[发明专利]判断座椅是否有人的方法、座椅系统、考勤方法

说明书

本发明提供一种判断座椅是否有人的方法、座椅系统、考勤方法，属于考勤技术领域，其可至少部分解决现有的打卡机存在代打可能，且无法确定打卡后员工去向的问题。本发明的判断座椅是否有人的方法包括：获取座椅的实测压力数据，从中得到多个实测样本；利用多个实测样本和抖动模型判断实测压力数据是否由人造成，以确定座椅是否有人。

技术领域

本发明属于考勤技术领域，具体涉及一种判断座椅是否有人的方法、座椅系统、考勤方法。

背景技术

考勤系统用于记录公司员工上下班的时间。现有考勤系统多为打卡机形式，如工作证打卡、指纹打卡等。

但是，工作证打卡存在为他人代打的可能；而随着指纹膜的诞生，指纹打卡的可靠性也大幅降低。另外，打卡机只能保证在打卡瞬间员工在公司，而无法知道员工在打卡后是否私自离开。

发明内容

本发明至少部分解决现有的打卡机存在代打可能，且无法确定打卡后员工去向的问题，提供一种可避免代打，并可实时监控员工是否在公司的判断座椅是否有人的方法、座椅系统、考勤方法。

解决本发明技术问题所采用的技术方案是一种判断座椅是否有人的方法，其包括：

获取座椅的实测压力数据，从中得到多个实测样本；

利用多个实测样本和抖动模型判断实测压力数据是否由人造成，以确定座椅是否有人。

优选的是，在采集座椅的实测压力数据前，还包括：

通过深度神经网络算法建立抖动模型。

进一步优选的是，所述通过深度神经网络算法建立抖动模型包括：

将多个训练样本输入深度神经网络中训练得到中间模型；

用多个测试样本对中间模型进行测试，若未通过则对中间模型进行修正。

进一步优选的是，所述将多个训练样本输入深度神经网络中训练得到中间模型包括：

从带有标签的训练压力数据中得到多个训练样本，标签表明训练压力数据是否由人造成；

将多个训练样本输入深度神经网络中训练，调整中间模型，以使根据调整后的中间模型做出的判断结果与标签相同。

进一步优选的是，所述用多个测试样本对中间模型进行测试，若未通过则对中间模型进行修正包括：

从带有标签的测试压力数据中得到多个测试样本，标签表明测试压力数据是否由人造成；

利用多个测试样本和中间模型判断测试压力数据是否由人造成，若判断结果与标签不一致，则对测试样本进行傅里叶频率分离，得到多个频段的测试样本，将每个频段中各测试样本的能量加在一起，作为该频段的重要程度，将带有重要程度的多个测试样本输入深度神经网络对中间模型进行修正，以使根据修正后的中间模型做出的判断结果与标签相同。

优选的是，所述样本为预定时间间隔内的压力梯度。

进一步优选的是，所述利用多个样本和模型判断压力数据是否由人造成包括：

计算多个样本与模型间的欧式距离并将其归一化；

判断归一化后的欧式距离是否超过阈值，若是则判断压力是由人造成的，若否则判断压力不是由人造成的。

解决本发明技术问题所采用的技术方案是一种考勤方法，其包括：

通过上述判断座椅是否有人的方法判断被测者的座椅是否有人，认为被测者的座椅有人时到岗。

解决本发明技术问题所采用的技术方案是一种座椅系统，其包括：

座椅；