CN106063607B

CN106063607B - 用于球类运动的鞋子

Info

Publication number: CN106063607B
Application number: CN201610258510.8A
Authority: CN
Inventors: 罗伯特·弗兰克·科克; 康斯坦丁·茨维克; 克里斯汀·迪波尼德托; 多米尼克·舒尔豪斯; 比约恩·迈克尔·埃斯克费里; 伊娃·安德里亚·多尔斯克; 伊恩·詹姆斯·萨贝尔特顿; 彼得·格奥尔格·莱滕贝格尔
Original assignee: Adidas AG
Current assignee: Adidas AG
Priority date: 2015-04-23
Filing date: 2016-04-22
Publication date: 2020-06-19
Anticipated expiration: 2036-04-22
Also published as: US10039339B2; JP6364438B2; US20240260705A1; US20210052032A1; US9609904B2; US20230088266A1; US10863790B2; US11540589B2; CN106063607A; US11903448B2; US20170172246A1; EP3092913B1; EP3092913A1; US20160309834A1; JP2016221251A; EP3692848A1; US20180332921A1

Abstract

描述的是用于球类运动的鞋子，其包括具有外表面的鞋面。配置执行器来改变所述鞋面的一部分外表面的至少一种表面性能，和配置传感器使其对于所述鞋子的移动敏感。将处理单元连接到所述执行器和所述传感器上，并且配置为处理获自所述传感器的传感器数据，并且如果在所述传感器数据中检测到预定的事件，则使得所述执行器改变所述鞋面的所述一部分外表面的至少一种表面性能。

Description

用于球类运动的鞋子

发明领域

本发明涉及一种用于球类运动的鞋子。

发明背景

在球类运动例如英式足球，足球，美国足球，橄榄球等中，比赛者的脚通常在例如比赛的非常不同的情形中接触球。例如可以出于下面的目的来踢球：射门得分(例如由射手或者在罚球过程中进行)，传给另一比赛者，在带球中保持控球，在队友传球后接球等。

在全部那些情形中，比赛者对于他的/她的鞋子有不同的需求。例如当比赛者踢球时，他/她希望高摩擦力和最大的能量转移。但是，当比赛者控球时，他/她希望光滑表面和直接触球。

用于球类运动的已知的鞋子经常在那些不同的需求之间折衷。因此，存在着通常的比赛情形，在其中鞋子没有表现的最佳。其他鞋子被特定设计来用于某些比赛情形。例如英式足球鞋是已知的，其在鞋面上具有结构化表面，带有翅片状凸起，其目的是增加与球的摩擦力，例如使得球在飞行过程中旋转。但是当开始控球时，由于该结构化表面，那些鞋子并非最佳的。

所以本发明的一个目标是提供一种用于球类运动的鞋子，其在多种比赛情形中具有最佳的表面性能。

这个和其他目标(其通过阅读下面的说明书而变得显而易见)是通过根据“一种用于球类运动的鞋子，其包含：

具有外表面的鞋面，所述外表面包括至少一个弹性部分；

执行器，其配置连接到一机构以使得经由所述机构改变所述鞋面的所述外表面的所述至少一个弹性部分的至少一种表面性能；

传感器，其配置以对于鞋子的移动是敏感的；和

处理单元，其连接到所述执行器和所述传感器上，并且配置以处理获自所述传感器的传感器数据，并且如果在所述传感器数据中检测到预定的事件，则使得所述执行器改变所述鞋面的所述外表面的所述至少一个弹性部分的所述至少一种表面性能”的鞋子来解决的。

发明内容

本专利中所用的术语“发明”、“本发明”、“这个本发明”和“该发明”目的是宽泛的表示本专利和下面的专利权利要求的全部主题。含有这些术语的表述应当理解为不限制此处所述的主题或者不限制下面的专利权利要求的含义或者范围。本专利所覆盖的发明的实施方案是通过下面的权利要求来定义的，并非发明内容。这个发明内容是对本发明不同的实施方案的高度概述，并且引入了一些概念，在下面的详细说明部分中对其进行了进一步描述。这个发明内容并非打算确定所要求保护的主题的关键的或者基本的特征，也不打算孤立使用来确定所要求保护的主题的范围。该主题应当通过参考本专利的整个说明书的合适部分、任何或者全部附图和每个权利要求来理解。

根据本发明的某些实施方案，一种用于球类运动的鞋子，其包括具有外表面的鞋面，配置为改变该鞋面的一部分外表面的至少一种表面性能的执行器，和配置为对于该鞋子的移动敏感的传感器。一种处理单元被连接到该执行器和传感器上，并且配置为处理获自该传感器的传感器数据，并且如果在该传感器数据中检测到预定的事件，则使得该执行器改变该鞋面的外表面所述部分的至少一种表面性能。

在一些实施方案中，至少一种表面性能是外表面所述部分的表面结构。该至少一种表面性能可以是外表面所述部分的摩擦力或者外表面所述部分的表面积。

在某些实施方案中，至少该鞋面的外表面所述部分可以是弹性的，并且鞋子可以进一步包含多个翅片(fins)，所述多个翅片设置在该鞋面的外表面所述部分下方并且被连接到执行器，以使得翅片可以依靠该执行器下降或上升，以改变该外表面的弹性部分的至少一种表面性能。

在另一实施方案中，至少该鞋面的外表面所述部分可以是弹性的，并且执行器可以是气动阀，鞋子可以进一步包含配置为提供加压空气至气动阀的空气泵，气动阀，和设置在鞋面外表面的弹性部分下方的至少一种可充气元件，其中气动阀配置为提供加压空气至可充气元件，以给可充气元件充气并且以改变外表面所述部分的至少一种表面性能。加压空气可以通过穿着鞋子的比赛者的动作来产生。

在另外的实施方案中，至少鞋面的外表面所述部分可以是弹性的，并且鞋子可以进一步包含设置在鞋面的外表面的弹性部分下方的多个销钉(pins)，和设置在多个销钉下方并且连接至执行器的波形结构，以使得波形结构可以相对于销钉移动，来使得销钉相对于外表面下降或上升，以改变外表面所述部分的至少一种表面性能。

在某些实施方案中，外表面所述部分包含多个皮瓣(flaps)，所述皮瓣配置来依靠执行器下降或上升。执行器可以基于形状记忆合金或者电动机。

传感器可以是加速计、陀螺仪或者磁场传感器。

外表面可以是皮肤状的。

根据某些实施方案，鞋子进一步包含鞋底，其中传感器、执行器和处理单元整合在鞋底中。

在一些实施方案中，预定的事件是踢球。预定的事件还可以是短传、长传、射门或者控球。

在某些实施方案中，处理单元适于如下来检测预定的事件：从传感器检索传感器数据的时间序列，预处理该时间序列，将时间序列分段成多个视窗，从每个视窗中的传感器数据中提取多个特征，基于从多个视窗中的传感器数据提取的多个特征，来评估与多个视窗相关联的事件种类。

可以通过使用例如非回归移动平均滤波器、级联积分梳状滤波器或者滤波器组进行数字滤波来预处理时间序列。

事件种类包含至少待检测的事件和与不属于特定事件的传感器数据相关的空值种类。

在某些实施方案中，特征基于至少下面之一：通过施加例如小波分析、主组分分析或者快速傅里叶变换的时间、时空、光谱或者集合统计。

在另一实施方案中，特征基于下面之一：简单平均、标准化信号能量、移动强度、信号量级面积、轴间关联性、视窗中最大值、视窗中最小值、小波变换的最大细节系数、与模板的关联性、在模板主组分上的投射、到模板的本征空间的距离、光谱矩心、带宽或者优势频率。

时间序列可以分段成基于滑动视窗的多个视窗。时间序列还可以基于时间序列中存在的至少一种条件，来分段成多个视窗。在一些实施方案中，所述至少一种条件是定义的阈值的传感器数据的相交或者使用关联性的模板、匹配滤波、动态时间变形或者最长的共用子序列和它的滑动视窗变量、变形最长的共用子序列的匹配。

在一些实施方案中，事件种类是基于贝叶斯分类器例如

Bayes分类器、最大余量分类器例如支持向量机、集合学习算法例如AdaBoost分类器和随机森林分类器、紧邻算法分类器、神经网络分类器、规则基分类器或者树基分类器被评估的。在另一实施方案中，事件种类是基于通过条件随机场或者动态贝叶斯网络来概率性模拟事件和空值种类的顺序行为被评估的。在另外的实施方案中，事件种类是基于混合分类器被评估的，其包含步骤：在待检测的事件和空值种类的不同阶段之间进行区分，其中空值种类是与不属于特定事件的传感器数据相关的；通过动态贝叶斯网络来模拟事件和空值种类的顺序行为。

在一些实施方案中，评估步骤是基于这样的分类器，其已经基于监督式学习进行了培训。在另一实施方案中，评估步骤是基于这样的分类器，其已经基于在线学习进行了培训。在另外的实施方案中，评估步骤是基于动态贝叶斯网络，其已经基于无监督式学习进行了培训。

预定的事件可以实时被检测。

附图说明

本专利或者申请文件包含了至少一个用鞋子展示的附图。专利申请带有的公开文本的拷贝将通过请求和支付必要的费用后由官方提供。

在下面的详细说明中，本发明的实施方案是参考下图来描述的：

图1A是根据本发明的某些实施方案，处于被动态的鞋子的透视图和某些部分放大的图。

图1B是图1A的鞋子处于活动态时的透视图。

图2A和2B图示了根据本发明的某些实施方案，用于使用皮瓣来改变表面性能的机构。

图3A、3B和4是根据本发明的某些实施方案，在鞋子内的加压空气系统的透视图。

图5A和5B图示了根据本发明的某些实施方案，用于使用销钉来改变表面性能的机构。

图6是图5A和5B的机构的分解图。

图7A和7B图示了根据本发明的某些实施方案，用于使用皮瓣来改变表面性能的机构。

图8A和8B显示了电活性聚合物的原理。

图9A和9B图示了根据本发明的某些实施方案的电活性聚合物。

图10是根据本发明的某些实施方案，包含电活性聚合物的模块的透视图。

图11是根据本发明的某些实施方案，具有可改变的表面性能的鞋面的一部分外表面的透视图。

图12是根据本发明的某些实施方案，一种检测事件的方法的图示。

图13是根据本发明的某些实施方案，一种获自3轴加速计的时间序列的图。

图14是根据本发明的某些实施方案，一种时间序列被分段成视窗的图示。

图15显示了根据本发明的某些实施方案，一种分段步骤的示例性结果。

图16是根据本发明的某些实施方案，一种特征提取方法步骤的图示。

图17是一个图，其显示了根据本发明的某些实施方案，快速小波变换的执行。

图18是根据本发明的某些实施方案，一种一阶段分类的图示。

图19是根据本发明的某些实施方案，一种支持向量机的图示。

图20是根据本发明的某些实施方案，一种两阶段分类的图示。

图21是待检测的事件的隐藏马尔科夫模型的图示。

图22是空值种类的隐藏马尔科夫模型的图示。

图23是一种具有状态、输出和参数待检测的事件的隐藏马尔科夫模型的图示。

图24是一种具有状态、输出和参数的空值种类的隐藏马尔科夫模型的图示。

具体实施方式

根据本发明，一种用于球类运动的鞋子，包含：(a.)具有外表面的鞋面；(b.)执行器，其配置为改变鞋面的一部分外表面的至少一种表面性能；(c.)传感器，其对于鞋子的移动是敏感的；和(d.)处理单元，其连接到该执行器和传感器上，并且配置为处理获自传感器的传感器数据，并且如果在传感器数据中检测到预定的事件，则使得执行器改变鞋面的外表面所述部分的至少一种表面性能。

移动在本说明书上下文中被理解为平移、旋转移动(旋转)或者二者的组合。通常，移动被理解为运动状态的改变，即，加速、减速、旋转等。运动状态可以通过位置，速度和方向来描述。因此，移动在本文上下文中被理解为位置、速度、加速度和方向中的至少一种的改变。

根据本发明的特征的特定组合使得鞋子适于具体的比赛情况。例如，处理单元可以检测穿着该鞋子的比赛者正好进行了猛烈的长距离射门。在这种情形中，处理单元可以指示执行器来改变鞋面的外表面所述部分的至少一种表面性能例如摩擦力，来增加与球的摩擦力。例如表面结构可以从光滑表面变成裂纹的、皱缩的或者翅片状结构。相反，如果该处理单元检测到比赛者进行带球，则它可以指示执行器来将鞋面的表面结构变成光滑表面构造，来直接触球。

以这种方式，本发明的鞋子在每个比赛情形中处于最佳的表面构造。不同于现有技术的鞋子，本发明的鞋子没有折衷。

应当注意的是本发明的鞋子包含至少一种执行机构，即至少一种执行器和至少一种传感机构器，即至少一种传感器。

至少一种表面性能可以是鞋面的外表面所述部分的表面结构。因此，如果处理单元检测到例如比赛者控球，则它会使得执行器改变鞋面的外表面所述部分的表面结构，来允许最佳的控球，例如通过为它提供波形结构来改变。

至少一种表面性能可以是鞋面的外表面所述部分的摩擦力。因此，如果处理单元检测了例如比赛者进行劲射，则它会使得执行器增加鞋面的外表面所述部分的表面摩擦力，以使得比赛者可以以更大的旋转来发射所述球。

应当注意的是可以一次改变多个表面性能。因此该结构可以与摩擦力同时改变。摩擦力可以与表面积同时改变。表面积可以与表面结构同时改变。全部的三种所述的性能可以同时改变。同样，这个性能列表不是限制性的，并且其他性能也可以在本发明上下文中改变。

执行器可以直接或间接地改变该鞋面的外表面所述部分的至少一种表面性能。如果没有涉及另外的机构来改变表面性能，则执行器可以直接改变所述表面性能。例如执行器(其在某些条件(例如电活性聚合物、形状记忆合金、压电晶体等)下改变了它的状态，例如体积、尺寸、形状、长度等)可以设置在鞋面外表面的下方，并且可以在改变它的状态时直接改变所述表面性能(例如表面结构、摩擦力、表面积等)。

如果执行器改变了它的状态例如体积、尺寸、形状、长度等并且由此驱动一个机构，其依次引起表面性能(例如表面结构、摩擦力、表面积等)的改变，则执行器可以间接改变表面性能。

在下文中，描述了用于两种选项(即执行器直接和间接地改变了至少一种表面性能)的实施例和实施方案。

至少一部分的鞋面的外表面可以是弹性的，并且鞋子可以进一步包含多个翅片，所述翅片设置在鞋面的外表面所述部分的下方，并且被连接到执行器，以使得该翅片可以依靠执行器下降或上升，来改变弹性外表面的至少一种表面性能。

“弹性”在本发明上下文中被理解为鞋面的外表面在力和/或压力下变形，但是将它的形状几乎完全(高到小的公差)恢复到初始状态。

这类机构允许翅片较大的升高，即，在其中翅片下降的光滑构造表面和其中翅片上升的高摩擦力构造之间存在着大的差值。

至少一部分的鞋面外表面可以是弹性的，并且执行器可以是气动阀，鞋子可以进一步包含空气泵，所述空气阀配置来提供加压空气到气动阀和可以包含至少一种可充气元件，所述可充气元件设置在鞋面的弹性外表面的下方，其中气动阀配置为提供加压空气到可充气元件，以给可充气元件充气并且改变鞋面的外表面所述部分的至少一种表面性能。

因此，设置在弹性表面下的可充气元件直接影响了所述表面的至少一种表面性能并且因此例如影响了所述表面的摩擦力。这种结构具有优点，即，具有仅仅几个可移动零件，即，气动阀和可充气元件。所以，它是非常坚固的结构。

要注意的是执行器可以包含大于一个的气动阀，鞋子可以包含两个或更多个空气泵。

加压空气可以通过穿着鞋子的比赛者的动作来产生。例如气囊可以经由阀门连接到空气存储器，所述阀门仅仅在一个方向上允许空气流动。当比赛者走、跑或者跳时，气囊压缩，并且驱使空气穿过阀门进入空气存储器。以这种方式，空气存储器中的空气压力增加。因此，改变鞋面的至少一种表面性能所需的能量是通过穿着鞋子的比赛者的移动来提供的，并且无需另外的能量源例如电池组(除了用于处理单元、阀门和传感器的电池组之外)。

至少鞋面的外表面所述部分可以是弹性的，并且鞋子可以进一步包含多个销钉，所述销钉设置在鞋面的弹性外表面下方；和波形结构，所述波形结构设置在多个销钉下并且连接到执行器，以使得该波形结构可以相对于销钉移动，以使得该销钉相对于外表面下降或上升，来改变外表面所述部分的至少一种表面性能。

销钉允许在鞋面的表面上产生非常精细的颗粒化结构。因此，在控球时，用这种结构所实现的摩擦力是较高的，即，可以保持“接触”。

“销钉”在本发明上下文中被理解为任何这样的结构，其能够通过靠着弹性外表面移动而改变表面性能。因此，销钉可以具有尖嘴、球形、棱锥、立方体等形状。

外表面所述部分可以包含多个皮瓣，所述皮瓣配置为依靠执行器下降或上升。这种结构可以模拟具有结构化表面(例如具有肋条构造或者翅片状凸起)的已知的鞋子的外观和行为，而同时皮瓣可以在其中需要控球的情形例如在带球过程中下降。

执行器可以基于形状记忆合金(例如金属丝)或者电动机。形状记忆合金和电动机允许执行器施加更大的力来调整鞋面的至少一种表面性能，而同时它们表现出仅仅需要适度的电能。形状记忆合金是一种合金，当其变形和加热时恢复到它的初始形状。例如形状记忆合金丝可以例如经由流过该丝的电流来加热。当达到某些温度阈值时，该丝收缩。在冷却到低于该温度阈值时，该丝松弛和恢复到它的初始状态，即，长度和/或形状。所述材料特别地为轻量的，并且允许非常小的执行器。

执行器可以基于螺线管。如果通过电流源供电，则螺线管产生了磁场。该磁场可以在铁磁体材料上施加力。因此，螺线管可以驱动改变鞋面的外表面所述部分的表面性能的机构。

执行器可以是热执行器。热执行器改变了优选具有较大的热膨胀系数的材料的温度。因此，当温度改变时，材料的长度也改变，这可以用于驱动改变鞋面的外表面所述部分的表面性能的机构。

执行器可以是气动执行器。例如小的活塞可以通过加压空气驱动，来依次驱动改变鞋面的外表面所述部分的表面性能的机构。

执行器可以是电活性聚合物。此类聚合物响应电刺激而表现出形状改变。例如如果将电压施加到此类聚合物，则所述聚合物会在磁场线的方向上收缩并且在垂直于它们的方向上膨胀。电活性聚合物可以通过用含碳的软聚合物膜在介电弹性体薄膜的前和后上层压来产生。可以用于本发明上下文中的电活性聚合物的主要类型包括电子电活性聚合物(其是通过电场驱动的)、离子电活性聚合物(其包括离子的迁移性)和纳米管。

至少鞋面的外表面所述部分可以是弹性的，并且电活性聚合物可以设置在该弹性部分下方，以使得电活性聚合物形状的改变引起鞋面外表面的弹性部分的表面性能的改变。以这种方式，表面性能可以通过执行器来直接改变，而无需另外的机构。电活性聚合物形状的改变可以包括长度、体积、厚度、宽度、表面积、弹性模量和/或刚性模量的改变。

执行器可以是电活性聚合物并且可以连接到机构，以使得电活性聚合物可以经由所述机构来改变鞋面的一部分外表面的表面性能。所述机构可以是上述机构，即销钉、皮瓣和/或翅片。

执行器可以驱动锁定机构。在锁定机构中，驱动所述机构(其改变了鞋面的外表面所述部分的表面性能)的力是通过预应力元件来提供的，例如弹簧、弹性带、压缩气囊等。执行器用于将该预应力元件从预应力状态释放到无应力状态。通过这种转变来驱动改变了鞋面的外表面所述部分的表面性能的机构。

执行器可以通过预应力元件来支撑。例如来自于预应力弹簧、弹性带或者压缩气囊的力可以加入到执行器的力中，来支撑执行器。

传感器可以是加速计、陀螺仪或者磁场传感器。此类传感器适于可靠地检测鞋子运动状态(即运动、旋转和方向)的改变。鞋子的运动状态直接涉及到比赛者进行的运动(例如踢球、射门、过人、控球等)。

外表面可以是皮肤状的。在处理单元指示执行器来引起鞋面的光滑表面的情形中，皮肤状外表面提供了对球的直接控制和接触。

鞋子可以进一步包含鞋底，其中传感器、执行器和处理单元整合到鞋底中。这种设置是节约空间的，并且实现了对于传感器、执行器和处理单元的最大保护。可选择地，至少一部分的执行器可以延伸至鞋面中，特别是在使用形状记忆合金(“SMA”)丝时更是如此。例如SMA丝可以固定(anchored)到鞋底板上并且延伸进入鞋面。

通过处理单元检测的预定事件可以是踢球。踢球是在运动例如英式足球、足球、美国足球和橄榄球中经常进行的。所以，使得鞋子适于踢球对于比赛者来说是高价值的。

预定的事件可以是短传、长传、射门或者控球。同样这些事件是在运动例如英式足球、足球、美国足球和橄榄球中经常进行的。所以，使得鞋子适于那些事件之一对于比赛者来说是高价值的。

处理单元可以通过进行下面的步骤来适于检测预定的事件：(a.)从传感器检索传感器数据的时间序列；(b.)应用滤波器和适当的信号处理方法预处理该时间序列；(c.)将该时间序列分段成多个视窗；(d.)从该多个视窗的每个视窗中的传感器数据中提取多个特征；和(e.)基于从该多个视窗中的传感器数据提取的多个特征，来评估与该多个视窗相关联的事件种类。

这个步骤次序允许可靠的检测事件，是计算不昂贵的，能够用于实时处理并且可以应用于比赛中的多种不同的事件。具体地，事件可以在它们实际完成之前被检测。例如射门可以在早期被识别。这些优点是通过步骤的具体组合来实现的。因此，通过在多个视窗中分段传感器所检索的时间序列，数据的处理可以接近于通过视窗尺寸所给出的有限量的数据。通过在每个视窗中提取传感器数据的多个特征，可以降低问题的大小。例如如果每个视窗包含几百个数据点，提取大约一打的相关的特征导致了计算成本的明显降低。此外，随后的评估与多个视窗有关的事件种类的步骤需要仅仅基于所提取的特征来运行，而不是基于每个视窗的全组数据点。

事件种类可以包含至少待检测的预定事件。空值种类是与这样的传感器数据相关的，其不属于任何特定的事件。以这种方式，可以在那些事件之间进行区分，其是具体活动和全部其他事件所关注的。

时间序列可以基于滑动视窗分段成多个视窗。滑动视窗可以是容易执行的，并且是计算不昂贵的。

可以基于时间序列中所存在的至少一种条件将时间序列分段成多个视窗。以这种方式，可以确保每个视窗是与待检测的预定事件处于固定的时间关系。例如多个视窗的第一视窗的时间位置可以与预定事件的始点一致。

所述条件可以是定义的阈值的传感器数据的相交。传感器数据的相交可以是容易检测的，是计算不昂贵的，并且表现出与待检测的事件的时间位置良好的相关性。

时间序列可以基于使用与事件的模板(其是使用预先记录的事件的已知的信号来定义的)匹配被分段成多个视窗。该匹配可以基于关联性、匹配滤波、动态时间变形或者最长的共用子序列(“LCSS”)和它的滑动视窗变量、变形LCSS。

特征可以基于至少下面之一：通过施加例如小波分析、主组分分析(“PCA”)或者快速傅里叶变换(“FFT”)的时间、时空、光谱或者集合统计。所述的统计和变换适于从每个视窗中的时间序列推导出特征，其是尽可能非冗余的，并且允许可靠的事件检测。

特征可以基于下面之一：简单平均、标准化信号能量、移动强度、信号量级面积、轴间关联性、视窗中最大值、视窗中最小值、小波变换的最大细节系数、与模板的关联性、在模板主组分上的投射、到模板的本征空间的距离、光谱形心、带宽或者优势频率。已经发现这些种类的特征允许可靠地检测与人运动有关的事件。

事件种类可以基于贝叶斯分类器例如

Bayes分类器、最大余量分类器例如支持向量机、集合学习算法例如AdaBoost分类器和随机森林分类器、紧邻算法分类器、神经网络分类器、规则基分类器或者树基分类器来评估。已经发现这些方法提供了对于与人的活动有关的事件可靠的分类。

事件种类可以基于通过条件随机场、动态贝叶斯网络或者其他来概率性模拟事件和空值种类的顺序行为被评估。

事件种类可以基于混合分类器被评估，其包含步骤：(a.)在待检测的预定事件和空值种类的不同阶段之间进行区分，其中空值种类是与不属于特定事件的传感器数据相关的；和(b.)通过动态贝叶斯网络例如隐藏马尔科夫类型模型来模拟事件和空值种类的顺序行为。这样的混合分类增加了响应时间，并且因此极其适于实时检测事件。这归因于这样的事实，即，混合分类器可以在事件已经实际上完成之前对其进行分类。

评估步骤可以基于这样的分类器，其已经基于监督式学习进行了培训。监督式学习能够使得分类器适于预定种类的事件(例如踢球、射门、过人等)和/或适于预定类型的运动员(例如专业的、业余的、娱乐的)或者甚至适于具体的人。

评估步骤可以基于动态贝叶斯网络，其已经基于无监督式学习进行了培训。无监督式学习能够模拟空值种类，其折衷了非特定事件。

评估步骤可以基于这样的分类器，其是基于在线学习来培训的。在线学习使得分类器适于鞋子穿戴者，而无人的互动。这可以通过反馈回路在检测球接触后更新分类器来实现。

预定的事件可以被实时检测。实时分析可以用于预测某些事件和通过执行器来开始改变鞋面的外表面所述部分的至少一种表面性能。

具体实施方式

本发明实施方案的主题在此是以具体满足法定要求来描述的，但是该说明书无需打算限制权利要求的范围。所要求保护的主题可以体现为其他方式，可以包括不同的元件或者步骤，并且可以与其他现有的或者未来的技术一起使用。该说明书不应当解释为暗示了不同的步骤或者元件之中或之间任何特别次序或者排列，除非当明确描述了单个步骤或者元件排列的次序之外。

图1a和1b显示了根据本发明的某些实施方案的用于球类运动的鞋子100的示意图。这样的鞋子100可以用于球类运动例如英式足球、足球、美国足球、橄榄球等。如图1a和1b中可见，鞋子100包含具有外表面102的鞋面101。鞋面101可以由常规材料制成，例如皮革、合成皮革、塑料例如聚酯等。如果鞋面是由纱线制成的，则它可以例如是纬编的、经编的、织造的等。

如图1a和1b所示，鞋面101连接到鞋底103上。鞋底103可以由常规材料制成，例如乙烯-乙酸乙烯酯(“EVA”)、聚氨酯(“PU”)、热塑性聚氨酯(“TPU”)等。鞋面101可以例如经由胶合、缝合、焊接或者其他技术连接到鞋底103上。

鞋子包含执行器104，其配置为改变鞋面101的一部分的外表面102的至少一种表面性能。在图1a和1b的实施方案中，执行器104基于形状记忆合金(SMA)，即，它包含了由SMA制成的处于V形构造的一个金属丝。代替一个SMA金属丝，可以使用多个金属丝，并且构造可以是不同的，例如U形、S形等。同样，可以使用除了SMA之外的任何材料，其能够改变它的形状。通常，电动机或气动阀也可以用作执行器104。

鞋面101的外表面102的所述部分(它的性能是改变的)可以设置在前脚区域中，仅仅在中间侧上、仅仅在横侧上、在两个侧面上、在脚后跟区域中、在(中间和/或横侧)足中区域中等。该部分还可以设置在前述区域的任何组合上。因此，“部分”被理解为鞋面101的表面102上的单个区域，或者两个或者更多个分离的和不同的区域。通常，所述部分(它的性能是改变的)可以设置在鞋面101的表面102上的任意位置。

关于此处所述的全部实施方案，至少一种表面性能可以是鞋面101的外表面102所述部分的表面结构。因此，如果处理单元106检测了例如比赛者控球，则它会使得执行器104改变鞋面101的外表面102所述部分的表面结构，以允许最佳的控球，例如通过为它提供波形结构。此外，至少一种表面性能可以是鞋面的外表面所述部分的摩擦力。因此，如果处理单元106检测到例如比赛者进行射门，则它可以使得执行器104增加鞋面101的外表面102所述部分的表面摩擦力，以使得比赛者能够以大的旋转来发射球。至少一种表面性能可以是鞋面的外表面所述部分的摩擦力。因此，如果处理单元106检测到例如比赛者进行射门，则它可以使得执行器104增加鞋面101的外表面102所述部分的表面摩擦力，以使得比赛者能够以大的旋转来发射球。

应当注意的是可以一次性改变多个表面性能。因此所述结构可以与摩擦力同时改变。摩擦力可以与表面积同时改变。表面积可以与表面结构同时改变。全部三种所述性能可以同时改变。同样，这个性能列表并非限制性的，并且在本发明上下文中其他性能也可以改变。

鞋子100包含至少一种传感器105，其对于鞋子100的移动是敏感的。传感器105可以是任何类型的传感器，其能够测量鞋子100的移动，例如加速计、陀螺仪或者磁场传感器。另外，可以使用不同的传感器的组合，即，传感器105可以能够测量加速度、旋转和磁场的组合，来改进精确度。多个分离的传感器也可以用于这个目的。

如图1a和1b所示，鞋子还包含处理单元106，其连接到执行器104，并且其在这些实施方案中设置在与传感器105相同的外壳中。但是，处理单元106也可以设置在单独的外壳中。处理单元106配置为处理从传感器105检索的传感器数据。如果在传感器数据中检测到预定事件，则处理单元106此外配置为使得执行器104改变鞋面101的外表面102的一部分的至少一种表面性能。这样的事件可以例如是踢球、短传、长传、射门或者控球。如下详细所述，处理单元可以在事件实际完成之前，应用技术来检测它。因此，处理单元可以使得执行器在球冲击之前改变鞋面所述部分的至少一种表面性能。

同样显示在图1a和1b的实施方案中的是电池组107，其为处理单元106、传感器105和执行器104提供了必需的电功率。电池组在变低时可以更换。可选地，电池组可以是可再充电的，并且可以通过感应带电或者使用线缆(例如USB电缆)来再充电。代替电池组，可以使用压电晶体、磁体和线圈或者任何其他能量获取技术，其从穿戴者移动所引起的压力来产生必需的功率。

图1A显示了具有“被动”表面结构的鞋面101，即，处理单元106没有检测到传感器数据中的预定事件和没有使得执行器104改变鞋面101的外表面102的一部分的表面性能。如图1A所示，鞋面101包含光滑表面。

相反，图1B显示了具有“活性”表面结构的鞋面101，即，处理单元106检测到传感器数据中的预定事件和使得执行器104改变鞋面101的外表面102的一部分的至少一种表面性能。如图1B所示，鞋面101外表面102的一部分已经将它的结构从光滑外观变成皱缩外观，即，由于该皱缩表面，增加了所述部分的摩擦力以及表面积。图1a和1b还显示了用于改变表面结构的下面的机构200，并且在下面参考图2A和2B进行详细描述。

参考图2A和2B来描述示例性机构200，其用于依靠执行器104来改变鞋面101的表面结构。在这些实施方案中，至少鞋面101的外表面102的部分是弹性的。“弹性”在本发明上下文中被理解为鞋面的外表面在力和/或压力下变形，但是几乎完全(高到小的公差)将它的形状恢复到初始状态。

多个翅片201设置在鞋面101的外表面的弹性部分下面。翅片201设置在鞋面101的外表面102下的挠性铰链结构中。在翅片201下设置有滑动层202，其包含几个特征203，其在所述两层相对于彼此移动时与翅片201相互作用。翅片201和滑动层202的相对移动是由执行器104，通过拉或者推翅片201或者滑动层202来产生的。这种相对移动使得铰链结构(即，翅片201)移入和移出与翅片201共面的平面。因为翅片201设置在鞋面101的弹性外表面102下，因此改变了外表面102的皱缩、外观和性能。

因此，如图2A中可见，在翅片201的下降状态中，滑动层202的特征203设置在翅片201的端部之间。当执行器104(图2A和2B中未示出)推或者拉翅片201或滑动层202时，特征203的成角度的端部推动翅片201的端部向上，如图2B中可见。

在转变成活动态(在其中鞋面101外表面102所述部分的至少一种表面性能改变)之后，所述机构可以再次转变回被动态。这种转变可以由弹簧机构，通过使用弹簧或者弹性性能的材料(这可以是分离的材料或者鞋面101的弹性表面本身)来引起。同样，可以使用多个执行器系统，这里两个或者更多个执行器是在不同的时间触发的，并且第一执行器在“活性”方向上拉动，而第二执行器在相反的、“被动”方向上拉动，并且将所述机构恢复成它的初始状态。

参考图3A、3B和4来描述了另一示例性机构300，用于依靠执行器104改变鞋面101的表面结构，其中图3A显示了整个鞋子100，图3B和4显示了机构300的细节。同样在这些实施方案中，鞋面101的至少一部分的外表面102是弹性的。条状形式的多个可充气元件301设置在鞋面101外表面102的弹性部分下。当然，可充气元件301的数目可以改变，以及可充气元件的形状也可以改变。例如，可充气元件的数目可以是1-10，但是可以使用更多的可充气元件。此外，代替条状，可以使用点形或者波形可充气元件。

鞋面101外表面102所述部分(其性能是改变的)可以设置在前脚区域中，仅仅在中间侧上、仅仅在横侧上、在两个侧面上、在脚后跟区域中、在(中间和/或横侧)足中区域中等。该部分还可以设置在前述区域的任何组合上。因此，“部分”被理解为鞋面101的表面102上的单个区域，或者两个或者更多个分离的和不同的区域。通常，所述部分(它的性能是改变的)可以设置在鞋面101的表面102上的任意位置。

如图3B中详细所述，可充气元件301连接到含有作为执行器104的气动阀的模块302上。该连接是经由软管303来进行的。在图3A、3B和4的这些实施方案中，模块302不仅包纳着气动阀，而且还包纳着处理单元106和传感器105。当然，代替地，处理单元106和/或传感器105可以设置为与气动阀104分离。依靠空气存储器304将加压空气提供到气动阀。空气存储器304经由另一软管305连接到气动阀。在图3A、3B和4的这些实施方案中，加压空气通过空气泵306提供到空气存储器304，其通过穿着鞋子100的比赛者的动作产生了加压空气。因此，当该比赛者走、跑、跳等时，空气存储器304填充了加压空气。但是，必须要注意的是代替由比赛者的动作来驱动空气泵，还可以使用例如电功率驱动的小型化压缩机。

在图3A、3B和4的这些实施方案中，模块302中的气动阀被配置来将加压空气从空气存储器304提供到可充气元件301。当元件301充气时，元件301穿过鞋面101的弹性外表面102露出。以这种方式，改变了一部分的外表面102的至少一种表面性能。

加压空气可以通过使用例如三通阀从可充气元件301释放。可充气元件301连接到阀门的中间口上，其当阀门处于第一状态时连接到侧口之一上，当阀门处于不同的、第二状态时连接到另一侧口上。空气存储器304连接到一个侧口上，并且另一侧口是打开的，即，可以用于排气。因此，可充气元件301可以用处于第一状态的阀门加压，而可充气元件301在另一第二状态的阀门排气。

为了节约电池组功率，可以使用锁定阀门。因此，功率必须只在阀门的不同状态之间的切换过程中施加到阀门。

图4以分解图显示了上述机构300相对于鞋子100的鞋底103的设置，其包含可充气元件、模块、软管、空气存储器、软管和空气泵。因此，空气泵306设置在鞋底103的脚后跟部分和穿着鞋子的比赛者的脚后跟之间。在这个位置，比赛者动作的能量是通过泵306最佳地变换成加压空气。空气泵306的不同位置也是可能的，例如处于脚后跟或脚趾下。

如图4所示，模块302置于鞋底103的腔室401内，其位于比赛者的足弓下。在这个位置，模块302不干扰比赛者，并且保护防止冲击。空气泵306的不同位置也是可能的，例如处于脚后跟或脚趾下。

参考图5A、5B和6来描述另一示例性机构500，其用于依靠执行器104改变鞋面的一部分的外表面102的至少一种表面性能。同样在这些实施方案中，鞋面101的至少一部分的外表面102是弹性的。多个销钉501设置在鞋面101的外表面102的弹性部分下。波形结构502设置在多个销钉501下。波形结构502连接到执行器104，以使得波形结构502可以相对于销钉501移动。以这种方式，销钉501可以相对于外表面102下降或上升。因为销钉501设置在鞋面101的弹性外表面102下，因此可以改变外表面102的表面结构，即，当销钉501上升时，带扣或者突起在该表面上露出。

“销钉”在本发明上下文中被理解为任何这样的结构，其能够通过靠着弹性外表面移动来改变表面性能。因此，销钉可以具有尖嘴、球、棱锥、立方体等形状。

鞋面101的外表面102的所述部分(其性能是改变的)可以设置在前脚区域中，仅仅在中间侧上、仅仅在横侧上、在两个侧面上、在脚后跟区域中、在(中间和/或横侧)足中区域中等。该部分还可以排列在前述区域的任何组合上。因此，“部分”被理解为鞋面101的表面102上的单个区域，或者两个或者更多个分离的和不同的区域。通常，所述部分(它的性能是改变的)可以设置在鞋面101的表面102上的任意位置。

在图5A中，销钉501显示在下降位置中。在这个位置，销钉501静置于波形结构502的凹窝503中。当执行器104相对于销钉501移动波形结构502时，销钉501上升。因此，在图5B中，销钉501显示在鞋面位置中，在其中波形结构502的凹窝503已经远离销钉501移动。

这个机构的某些实施方案显示在图6中。鞋面101的外表面102的弹性部分601排列在中间层602的顶上，该中间层包含用于销钉501的开口603。在中间层602下设置有导向层604。导向层604在垂直方向上引导销钉501。但是，导向层604是任选的，并且中间层602将足以将销钉501保持在适当位置。在销钉501下排列着具有凹窝503的波形结构502。波形结构502被基底层605包围。图6所示的机构的运行已经参考图5A和5B进行了描述。

参考图7A和7B描述了另一示例性机构700，其用于依靠执行器104来改变鞋面的一部分的外表面102的至少一种表面性能。在这些实施方案中，鞋面101的外表面102包含多个皮瓣701。皮瓣701适于依靠执行器104(图7A和7B中未示出)下降或上升。如图7A和7B中可见，具有波形表面结构的层702设置在皮瓣701下面。层702的波形表面结构是与皮瓣701的结构互补的。当执行器104拉或者推层702时，皮瓣701下降或上升。作为一个选项，覆盖层可以设置在外表面102上。

在图7A中，皮瓣701处于下降位置，在其中皮瓣701的头703静置在设置于皮瓣701下的层702相应的凹进704中。在图7B中，执行器104使得层702相对于皮瓣701移动。归因于层702的波形结构，皮瓣701现在处于上升位置。以这种方式，可以改变鞋面101的外表面102的表面结构。

执行器104可以是电活性聚合物。这样的聚合物响应电刺激而表现出形状改变。例如如果将电压施加到这样的聚合物，则该聚合物会在磁场线的方向上收缩和在垂直于它们的方向上膨胀。电活性聚合物可以通过用含碳的软聚合物膜在介质弹性体薄膜的前和后上层压产生。

图8A和8B显示了电活性聚合物的原理。在这个例子中的电活性聚合物是介电弹性体膜81，其被分别处于上侧和下侧的屈从电极82a和82b覆盖。电极82a和82b能够将电压施加到介电弹性体膜81。为此目的，电线83a和83b分别连接到电极82a和82b。图8A显示了处于没有施加电压的状态的电活性聚合物。

在图8B中，电压V已经经由电线83a和83b和电极82a和82b沿着介电弹性体膜81施加。如图8B所示，介电弹性体膜81的厚度减小，如箭头84a和84b分别所示。同时，介电弹性体膜81的宽度和深度增加，如箭头85a，85b，85c和85d所示。该形状变化是由施加电压引起的。

可以用于本发明上下文中的主要类型的电活性聚合物包括电子电活性聚合物(其是通过电场驱动的)、离子电活性聚合物(其包括离子的迁移性)和纳米管。

电子电活性聚合物可以分为几个子类型，例如铁电聚合物、介电弹性体、电阻性聚合物和液晶材料。电子电活性聚合物的活性原理是基于所施加的电场的，其通过直接作用于聚合物内的电荷上而进行了形状改变。电子电活性聚合物表现出快速的响应，其是有效的(低到1.5mW)并且对于温度和湿度波动是相对不敏感的。它们在高电压和低电流下运行。

种类离子电活性聚合物包含离聚物聚合物-金属复合材料、离子聚合物凝胶、导电聚合物和电流变性流体。离子电活性聚合物的活性原理是基于电驱动的离子或带电物质的大规模传输，其引起了形状改变。离子电活性聚合物可以施加相对高的压力并且可以通过低电压被驱动。

图9A和9B显示了某些实施方案的电活性聚合物，其可以用于本发明的上下文中，其中图9A显示了电活性聚合物的失活(即，没有施加电压)，图9B显示了活性(即，施加了电压)状态。该电活性聚合物是薄膜91，其是分别用电极92a和92b涂覆的。如图9A所示，在失活状态时，膜91处于非平坦构造。如果电压V经由电极沿着膜91施加，则膜91平坦化，并且增加了它的宽度和深度，即，它的表面积，如涉及图8A和8B所述的。归因于增加的表面积，膜91弯曲并且获得半球形构造。还可能的是膜91具有不同的形状(例如立方形、长方形…)，其未示出。如果电压中断，则膜91返回平坦构造，如图9A所示。

这样的电活性聚合物81和91可以如下来用于本发明上下文中：鞋面101的至少一部分的外表面102可以是弹性的，并且电活性聚合物81、91可以设置在弹性部分下面，以使得电活性聚合物81、91形状的变化引起鞋面101的外表面102的弹性部分的表面性能的变化。以这种方式，表面性能可以通过执行器81、91直接改变，而无需另外的机构。电活性聚合物81、91形状的变化可以包括长度、体积、厚度、宽度、表面积、弹性模量和/或刚性模量的变化。

图10显示了模块1000，其包含参考图9A和9B所述的弹性体聚合物。模块显示为处于活动态(施加电压)，在其中该弹性体聚合物作为凸块(即，小半球)在模块1000的上侧露出。三个的那些凸块是用附图标记1001来示意性表示的。在失活状态时，该凸块将消失。模块1000还分别包含电线1002a和1002b，来将电压施加到模块1000。

模块1000可以例如安装在鞋面101的外表面102的弹性部分下。因此，在该模块上形成的凸块将在外表面102的所述部分上露出。以这种方式，表面性能例如摩擦力、表面积和表面结构可以依靠模块1000和其中的弹性体聚合物(其充当了执行器)容易地进行改变。

电活性聚合物还可以间接引起鞋面101的外表面102的所述部分的表面性能的改变。为此目的，电活性聚合物，例如图8A、8B和9A、9B分别所示的聚合物81和91可以连接到机构，以使得电活性聚合物可以经由该机构来改变鞋面101的一部分的外表面102的表面性能。该机构可以是此处详细描述的机构，即，销钉、皮瓣和/或翅片等。

图11显示了本发明的鞋面101的外表面102的部分1101的一种示例性设置，它的至少一种性能是改变的。如图11所示，部分1101从脚背上接近于脚趾的鞋子的侧面延伸到接近于足弓的中间侧。该设置对于全脚背和半脚背踢球来说是值得期望的，其是球类运动例如英式足球、美国足球和橄榄球中最重要的。在图11所示的部分1101下，可以设置上述的示例性机构之一。

但是，鞋面101的外表面102的所述部分(它的性能是改变的)也可以设置在前脚区域中，仅仅在中间侧上、仅仅在横侧上、在两个侧面上、在脚后跟区域中、在(中间和/或横侧)足中区域中等。该部分还可以设置在前述区域的任何组合上。因此，“部分”被理解为鞋面101的表面102上的单个区域，或者两个或者更多个分离的和不同的区域。通常，所述部分(它的性能是改变的)可以设置在鞋面101的表面102上的任意位置。

在下面，描述了一种如何检测传感器105所提供的数据中的预定事件的示例性方法，其使得处理单元106指示执行器104来改变鞋面101的一部分的外表面102的至少一种表面性能。

这样的方法120的一个概述显示在图12中。在第一方法步骤121中，对原始传感器数据进行预处理来降噪和提高计算效率，即，应用信号处理方法如低通滤波器和抽选。在第二方法步骤122中，将时间序列分段。在第三方法步骤123中，从该分段的时间序列中提取特征。在第四方法步骤124中，将所提取的特征分类来检测事件。

该时间序列可以通过使用例如非回归移动平均滤波器、级联积分梳状(“CIC”)滤波器或者滤波器群的数字滤波进行预处理。

该传感器数据可以写作时间序列

T＝(s[0],...,s[k-1],s[k])，这里s表示在过去取样点的一个传感器轴的信号振幅，k表示最近的取样点。

图13显示了一种获自3轴加速计的示例性时间序列。在这个图中，横坐标指的是时间(秒)，而纵坐标指的是所测量的加速度，单位是地球重力加速度g。该图显示了加速度在全部三个维度(三个轴)加速度的时间发展。这种示例性时间序列是在穿着该鞋子的英式足球比赛者进行脚背踢球时，通过置于足球鞋内的加速计来获得的。

在传感器数据的时间序列已经被检索和在方法步骤121中进行预处理后，该时间序列是在方法步骤122中以视窗分段的，如图14所示。该视窗定义为W＝(s[k₁],...,s[k₂])，这里k₁和k₂确定了它的边界。来自于时间序列T的分段的视窗表示为1,...,n，{W⁽¹⁾,...,W⁽ⁿ ^-1),W⁽ⁿ⁾}，如图14所示。

分段步骤122的一个示例性结果显示在图15中。显示了通过分段步骤122所获得的两个示例性视窗151和152。示例性视窗151和152的持续期是大约210ms。通常，该时间序列的分段视窗可以具有任何持续期，其适于所述应用，例如在英式足球应用中是10-1000ms，优选210ms。但是，如果视窗尺寸选择得过小，则有意义的、全球特征的计算是几乎不可能的。相反，如果视窗尺寸过长，则直到某些时间信息的实时计算将更困难。

图15中的示例性视窗151和152交叠了50％。交叠面积是用附图标记153表示的。图15所示的时间序列的分段122是基于滑动视窗，其具有固定尺寸和交叠比。代替这样的滑动视窗分段，可以使用这样的分段，其基于该时间序列中所存在的某些条件。例如该条件可以是规定阈值的传感器数据的相交。如果在任一方向上超过该阈值，则该视窗开始并且在接下来的交点处终止。可以设定最小和最大视窗长度来忽略不相关的数据和降低计算工作量。一种示例性最小视窗长度是50ms和一种示例性最大视窗长度是300ms。此外，最小加速度的阈值可以导致降低不相关的视窗的数目，其不属于待检测的事件。因此，该阈值基视窗的限度是通过身体或身体的部分例如踢球脚的向前和向后的加速度来确定。该时间序列还可以使用与事件相关的模板匹配，在多个视窗中分段，其是使用预先记录的事件的已知的信号来定义的。该匹配可以基于关联性、匹配滤波、动态时间变形或者最长的共用子序列(“LCSS”)和它的滑动视窗变量、变形LCSS。

图12中所示的接下来的步骤是特征提取930。在这个步骤930中，提取了来自于每个视窗的传感器数据的多个特征。提取特征(也称作特征变量)来以较低的尺寸呈现具体视窗，如图16所示。因此，含有在F维度上的特征值的特征向量x是由每个视窗1,...,n：x⁽ⁿ⁾＝f(W⁽ⁿ⁾)来计算的，其中f(.)是多维度函数。

所提取的特征可以例如基于下面的至少一种：通过使用例如小波变换、主组分分析(PCA)、线性预测编码器(“LPC”)的系数、快速傅里叶变换(“FFT”)的系数(例如光谱形心和带宽)的时间统计、时空统计、光谱、或者集合统计。其他特征也可以使用。所选择的特征在下面解释。

人的运动具有类似于人的关节的有限的自由度，这导致了多个传感器轴的多余的观察。例如在向后移动来开始踢球时，身体轴是相关的。传感器轴之间的线性关系，即，不同维度的观察，可以通过样品关联性来测量。两个传感器轴之间的关联系数可以通过Pearson关联系数来评估。

视窗的样品平均数是通过平均在一个维度上的数据样品(即，与一个传感器轴相关的数据)来定义的。此外，该信号能量证明了移动强度。人事件可以因此通过反映该强度来分析：例如在英式足球中，踢球事件被假定为具有高于其他事件如短传或者盘带动作的功率。在一个观察视窗中在维度d(即传感器轴d)的信号能量是通过

来评估的，其中该视窗的长度用K表示。

为了捕集人运动的整体强度，引入移动强度MI作为在全部维度D上的标准化能量的累积值：

另外，标准化信号量级区域SMA通过加和绝对值|s_d[k]|定义为

还可以使用高阶统计如峰度和偏斜度。

另外或者可选地，时空特征例如沿着视窗维度w的最小和最大值可以捕集信号中强峰的信息。因此示例性时间和时空统计包括样品平均值、标准化信号能量、移动强度、信号量级区域、轴间关联性、视窗中的最大值和视窗中的最小值。

除了时间或者时空统计之外或者可选地，小波分析也可以用于特征提取130。小波分析可以表征非固定信号，它的光谱统计随着时间变化。此外，在它同时捕集信号的时间和光谱特征时，它具有反映瞬间事件的性能。小波变换是使用称作小波的单个原型功能来进行的，其等价于带通滤波器。将多等级形式的小波用信号卷积，通过收缩/删除形式的小波来提取它的高频/低频组分。给定传感器数据观察视窗，通过扩大基础小波来进行时间-频率域中的多解析度分析。该小波变换提供了高频组分的优异的时间解析度和低频组分的优异的频率解析度。小波分析的细节可以在Martin Vetterli和Cormac Herley，“Waveletsand filter banks：Theory and design”，IEEE Transactions on Signal Processing，40(9)：2207-2232，1992中找到。

离散小波变换可以用于捕集人运动的特征。它可以作为快速小波变换来有效执行。它是通过滤波器组来表示的，其通过一系列低通和高通滤波器来分解信号，如图17所示。在每个水平i时，输入信号s[k]是通过低通滤波器g_i[k]和高通滤波器h_i[k]来滤波的。在随后的水平，低通滤波的信号通过两个因素下取样它来连续分解成更低的解析度，而细节系数q_i可以从高通滤波的信号提取，并且可以用作各自的视窗的特征。如果高通信号同样进行分解时，变换称作小波包分解。用于捕集人运动细节的离散小波变换的细节可以在Martin Vetterli和Cormac Herley，“Wavelets and filter banks：Theory and design”，IEEE Transactions on Signal Processing，40(9)：2207-2232，1992中找到。

Daubechies小波可以用于本发明上下文中，因为它们可以有效计算执行。例如七级Daubechies小波可以用于特征提取。

除了时间，时空和光谱分析之外，人时间的观察的集合统计提供了所记录的数据不太复杂的表达。所获得的属于特定移动的视窗可以用于产生模板。在d维维度中，观察的视窗W⁽ⁿ⁾的向量是根据

构建的。从现在开始，忽略维度指数d，这归因于可读性。收集一个事件的全部视窗W⁽ⁿ⁾，并且n∈{1,...,N}，在全部观察N上的平均值可以充当模板τ：

模板匹配方法例如通过计算Pearson关联性系数而测量了视窗的观察和模板之间的类似性。每个观察n与模板的区别为向量φ⁽ⁿ⁾＝w⁽ⁿ⁾-τ。在减去τ之后，可以通过计算属于同一事件的全部观察的样品协方差矩阵COV来应用二级统计：

这里矩阵Φ是通过居中观察Φ＝[φ⁽¹⁾,φ⁽²⁾,...φ^(N)]来跨距(spanned)的。矩阵Φ的主组分(PC)通过解决ΦΦ^Tv_m＝μ_mv_m，证明了全部实现的W偏差的主方向，这里μ_m指的是m-th本征值，其属于ΦΦ^T的本征向量v_m，并且m∈{1,...,N}(全等级)。

这等价于计算矩阵协方差矩阵COV的本征向量。属于M最大本征值μ₁>μ_m>μ_M的主组分可以用于特征提取。属于特定事件的视窗W的每个维度可以作为由在线观察计算的同一事件的相应主组分的线性组合来表示：

这里系数ω_m是通过在主组分上的投射来计算的：

系数ω_m可以被认为是用于图12的随后分类步骤140的特征。

此外，对于视窗W，到降低的本征空间{v₁,K,v_m}的欧几里得距离ε是通过：

来给出的。对于作为计算的主组分从同一事件出现的视窗，欧几里得距离假定高于不同事件的视窗。所以，到降低的本征空间的距离ε也可以用作特征。

因此，多个特征可以基于使用小波分析、主组分分析等的时间、时空、光谱、或者集合统计来提取。示例性特征包括样品平均值、标准化信号能量E_d、移动强度(MI)、信号量级区域(SMA)、轴间关联性、视窗中最大值、视窗中最小值、通过小波变换所获得的在水平i的最大细节系数q_i、模板τ关联性、ω_m在模板τ的m-th主组分上的投射、到模板τ的本征空间的距离ε。

给定全部提取的特征的特征组，应当选择最相关的和非多余的特征来降低执行所述方法的复杂性。特征间的任何冗余会导致计算成本不必要的增加。同时，这种特征子组应当产生最佳的分类性能。可以在不同的选择技术之间进行区分：包装材料方法、选择滤波器和植入的方案。

包装材料方法使用不同的特征子组评价了本发明方法的性能。例如，依次向前选择迭代增加了最佳表现特征。

选择滤波器是一种寻找最重要的特征的快速方法，因为在该选择程序中不包括分类器。交互信息可以显示特征子组的关联性并且可以通过不同的滤波器技术来进行评估。

最后，植入的选择可以用于避免包装材料方法的穷举搜索，以及通过选择滤波器对概率密度函数的评估。植入选择是合理的，因为用于方法步骤124的一些分类器已经包括特征重要性的分级。

例如随机森林分类器可以用于特征选择。随机森林可以描述为决策树分类器的集合，其通过随机选择训练数据的特征而增长。对于每个树，训练数据的子组是从整个训练组用置换(引导法)推出的。在这个子组内，特征是随机选择的，并且阈值是用它们在决策树的每个分离节点的值来构建的。在分类过程中，每个树有利于最可能的种类的所观察的特征向量，并且全部树的输出是相结合的。具有最多票数的种类是分类器的最终输出(多数表决)。随机森林分类器的细节可以在Leo Breiman，“Random forests”,Machine learning，45(1)：5-32，2001中找到。

如图12所示，在本发明方法的接下来的步骤124中，基于从各自视窗的传感器数据所提取的多个特征，评估了与每个视窗相关的事件种类。这个步骤也称作分类。

分类可以一级或者多级进行。在下面，描述一级分类和二级分类方案。图18显示了在给定特征向量x的时间情况n下的一种示例性一级分类。分类步骤124将特征向量{x⁽¹⁾,K,x^(n-1),x⁽ⁿ⁾}对评估的事件种类

在时间情况n下绘图。表示事件种类的标签组可以例如通过Y＝{0,1}给出，这里y＝1指的是踢球事件(在示例性英式足球应用中)和y＝0指的是空值种类，即，全部事件不是踢球事件。另外一种示例性表示事件种类的标签组可以通过Y＝{SP,CO,LP,ST,NULL}给出，这里“SP”指的是短传，“CO”指的是控球，“LP”指的是长传，“ST”指的是射门，和“NULL”指的是空值种类，其含有情况例如慢跑，跑步或者抱起。因此，在后者的例子中，事件分类是更精细的，并且不仅允许识别踢球，而且允许识别踢球的类型，即短传、控球、长传、射门。

因此，方法步骤124评估了打算与各自视窗{W⁽¹⁾,...,W^(n-1),W⁽ⁿ⁾}的特征向量{x⁽¹⁾,K,x^(n-1),x⁽ⁿ⁾}相关联的标签。假定最佳的分段，即，每个视窗W属于仅仅一个事件种类，则该事件种类可以通过条件概率密度函数的最大值：

来评估。

假定的是事件y⁽ⁿ⁾具有有限持续期的ν视窗，并且统计上独立于在先的特征向量{x⁽¹⁾,...,x^(n-ν)}。给定这种限制，前面等式中的条件概率密度函数等于p(y⁽ⁿ⁾|x⁽¹⁾,...,x⁽ⁿ ^-1),x⁽ⁿ⁾)＝p(y⁽ⁿ⁾|x^(n-ν+1),...,x⁽ⁿ⁾)。因此，评估仅仅涉及最后的ν特征向量：

所以，特征向量是在组合的特征向量

中合并的，这里vec(.)算符通过将列向量上下粘贴而从矩阵中产生了列向量。事件标记y⁽ⁿ⁾变为：

在待评估的多个事件的情况中(例如示例性事件组Y＝{SP,CO,LP,ST,NULL})，这个标记因此改变。

这意味着仅仅待评估的事件(例如踢球事件)的最后段(n)是通过

表示的。如果没有完全观察待评估的事件，

被赋予空值种类，

因此，通过降低时间指数(n)，评估是通过

给出的。

在下面，将所述三种分类器评估

称作一级分类器。所考虑的分类器是

Bayes、支持向量机和随机森林。但是，其他分类器例如AdaBoost分类器、紧邻算法分类器、神经网络分类器、感知器分类器、规则基分类器、树基分类器也可以用于这个目的。

在

Bayes方案中，应用贝叶斯公式，事后概率密度函数可以写作

代替最大化事后概率密度函数，种类条件概率密度函数

可以最大化来评估种类

Bayes分类在这样的假定下解决了这个等式，即，特征向量

的全部组分是相互独立的。这导致了简化：

种类条件概率密度函数，观察特征

给定种类

被假定是高斯概率密度函数：

因此该概率密度函数仅仅是通过它们的平均值μ_f和方差

来定义的。

给定培训数据组

确定了概率密度函数

这是通过平均值的最大可能性评估μ_f和

来进行的。另外，事先概率密度函数

是考虑错分类成本来定义的。例如，概率

(假定评估单个事件如踢球事件的上面的例子)可以假定是大于

因为错失踢球事件的成本应当高于分类代替空值种类的踢球事件。当然，上述方案可以应用于用于概率密度函数的不同的分布，例如学生的t分布、瑞利分布、指数分布等。此外，代替下面的概率密度函数的参数的最大可能性评估，还可以使用不同的方案。

现在，在方法步骤124中给定在时间情况n下的未标记的特征向量

在每个特征值

下估计了每个种类

的高斯分布

因此，该种类是通过上面推导的等式来估计的：

来获得

以此方式，事件种类可以在方法步骤124中，基于

Bayes分类器来评估。对于用于分类的

Bayes方案的概述可以在Sergios Theodoridis and Konstantinos Koutroumbas，Pattern Recognition，第4版，Elsevier，2008中找到。

另一分类器(其可以用于方法步骤124)是基于支持向量机(“SVM”)。SVM直接聚焦于种类边界，即，在初始特征空间中在种类边界的线性SVM的情况中。特征空间定义为在多维系统中对特征向量绘图，这里特征向量的每个维度对应于一个坐标轴。理念是找到两个种类的特征向量之间的最大线性余量，如图19所示。在这种情况中，二维特征组是线性可分离的。位于余量194和195上的特征向量191，192和193(称作载体向量)定义了最佳超平面。

给定训练数据组D，事件的特征向量的评估和空值种类的分析是在特征空间中进行的。最大余量是通过SVM，用最大距离分离所述种类来找到的。这个距离等于特征组的凸包之间的最大距离。除了使用线性内核，也可以使用其他内核类型，例如多项式或者径向基础函数(“RBF”)。详细描述可以例如在Richard O.Duda，Peter E.Hart和David G.Stork，“Pattern Classification”，第2版，John Wiley&Sons，2000中找到。

对于SVM，可以使用软余量模型，其允许培训失误，即，位于余量的错误侧上的离群值。这些失误是通过非线性可分离特征组引起的。在最优化问题中，种类y的离群值是通过成本来惩罚的。例如，待估计的事件的成本可以设定为高于空值种类的成本，以降低非检测的事件的数目。最佳的超平面朝着具有较低成本的种类y的特征族偏移。定义该超平面的载体向量被存储用于该分类程序。

现在，在方法步骤124中给定在时间情况n下的未标识的特征向量

它是在特征空间中分析的。关于分离超平面的距离和位置给出了关于事后概率的证据。但是，没有直接提供该可能性，因为仅仅测量了距离。关于线性判定边界的位置对应于最大可能的种类，并且用作评估

在测定大于一种事件的情况中，必须考虑到分离特征空间的几个超平面的距离向量。

另一方案(其可以用于方法步骤124中)是基于随机森林的。如前所述，随机森林包括决策树分类器的集合，其通过随机选择训练数据组的特征而增长。

给定训练数据组D，该树可以如Trevor Hastie，Robert Tibshirani，JeromeFriedman，“The elements of statistical learning”，第2卷，Springer 2009中所述来构建。对于每个树，子组的数据是用置换(引导数据)从训练数据组推出的。因此，每个树是通过循环重复下面的步骤直到达到最小节点尺寸而从引导数据增长的：首先，随机选择子组特征。其次，在该子组中，精选在种类之间提供了最佳分离的特征，来构建在当前节点处的阈值。在下一次重复中省略所选择的特征。第三，将这个节点分离成子节点。

现在，给定步骤124中在时间情况n下的未标识的特征向量

种类

是根据所评估的全部树的种类来评估的。具有多数票的种类对应于随机森林

的评估。

代替上述一级分类器，可以使用二级分类器来评估

其在下面描述。这个两级方案能够在事件完成之前评估它，并且观察全部ν视窗。所以，令人期望的是与实时应用(在线处理)一起使用。如图20所示，这个方案的二级是分类级，随后是通过隐藏马尔科夫模型(“HMM”)顺序模拟。基本上，需要模拟待检测事件和空值种类的顺序行为以保持早期事件检测。

首先，待检测事件是通过相位来表征的：

这里随机变量

表示在时间情况n下待检测事件的当前阶段。这个顺序方法可以描述为马尔科夫链，具有状态z_K，如图21所示。第一级马尔科夫链定义为随机过程，这里接下来的状态

仅仅取决于当前状态

在分类过程中，待检测事件的阶段，即状态z_K，是未知的或者“隐藏的”。仅仅可以观察到状态输出γ(例如特征向量)。这导致HMM，其如下描述。

除了待检测事件的状态之外，该空值种类还通过有限数目的状态z_N∈{1,2}来模拟，如图22所示。这些状态之间的转变没有事先规定，但是在HMM培训过程中规定。HMM可以延伸到更多状态以便改进空值种类的模型。

给定计算的特征向量，所述问题是找到下面的模型，即，该特征向量是否被待检测的事件或者空值种类的HMM所忽略。所以，必须测定在给定状态观察输出γ的概率p(γ|z_K)和p(γ|z_N)。所观察的特征向量没有直接用作HMM的输出。

第一级分类器在待检测的事件(它的HMM状态)和空值种类的不同阶段之间进行了区分。该视窗是独立分类的。计算了给定特征向量x的事后概率密度函数

状态

将全部状态

的个体概率插入向量

中。

第二级分类器通过HMM模拟了待检测事件和空值种类的顺序行为，如图21和22所示。给定通过第一级分类器在时间情况n下所计算的输出(γ^(n-ν+1),...,γ⁽ⁿ⁾)，可以决定是否通过待检测事件或者空值种类的HMM来忽略所述观察。在其之前，必须测定描述HMM的参数，分别如图23和24所示。

HMM是通过状态之间的过渡概率来描述的。关于待检测事件的HMM，从状态

到状态

的过渡概率是通过

给出的，这里i,j∈{1,...,ν}。过渡矩阵A_K＝{a_K,ij}包含这些可能性，这里a_K,ij对应于在第i行和第j列中的元素。如图23中可见，该过渡矩阵是稀少的

因为对于每个状态z_K来说，仅仅一个过渡是可能的。相反，在培训的同时测定了空值种类A_N∈[0,1]^2×2的过渡矩阵(下面描述)。

处理过渡概率之外，发射概率密度函数标准了HMM。对于待检测事件的HMM，关于状态z_K＝i的发射概率密度函数是通过b_K,i＝p(γ⁽ⁱ⁾|z_K＝i)给出的。

发射概率密度函数汇总在阵列B_K＝{b_K,i}中，这里b_K,i对应于第i行中的元素。发射概率密度函数可以假定是高斯分布的p(γ|z_K＝i)～N(γ；μ_K,i,Σ_K,i)，并且

-维度表示向量μ_K,i和

表示协方差矩阵Σ_K,i，这里

表示马尔科夫链可能状态的数目。如果协方差矩阵是对角线矩阵，则γ的组分在统计上是独立的。当然，代替高斯分布的发射概率密度函数，还可以考虑其他多维分布。

B_N(参见图24)涉及空值种类的发射概率密度函数。对于每个状态，发射概率密度函数是

并且

-维度表示向量μ_N,i和

表示协方差矩阵Σ_N,i，这里

表示马尔科夫链的可能状态的数目。

另外，必须测定初始状态概率π_K,i＝P(z_K＝i)和π_N,i＝P(z_N＝i)，来用参数组Θ_K＝(A_K,B_K,π_K)和Θ_N＝(A_N,B_N,π_N)完全描述HMM。参数组Θ_K和Θ_N是在培训HMM的同时学习的，如下段所述。

给定标记的序列D^*＝((z⁽¹⁾,γ⁽¹⁾),K,(z^(N),γ^(N)))作为第一级分类器的输出，待检测事件的HMM是通过监督式学习来培训的。监督表示待测定事件的状态z_K是已知的。这意味着发射概率密度函数p(γ|z_K)可以通过μ_K和Σ_K的最大可能性评估来直接计算，给定观察γ⁽ⁿ⁾和

因此获得了B_k。这导致完全定义的待检测事件的HMM、Θ_K，因为A_K是已知的，事先和初始状态概率π_K假定对于全部状态是相同的。

给定标记的序列D^*作为第一级分类器的输出，空值种类的HMM是通过无监督式学习来培训的。无监督表示空值种类的状态z_N是未知的。这意味着参数组Θ_N需要评估，而不知道相应的状态z_N。这是通过首先寻找D^*的子序列来进行的，这里保持z⁽ⁿ⁾＝0。这些子序列用作调整的培训数据。其次，预期最大化算法找到了参数A_N、B_N和π_N.的最大可能性评估。这种算法也称作Baum-Welch算法，其描述在Collin F.Baker，Charles J.Fillmore和JohnB.Lowe，“The Berkeley fragment project”，计算机语言协会第36届年会和计算机语言协会第17届国际会议的会议录–第1卷，第86-90页，Association form ComputationalLinguistics，1998中。

最后，分类(即，在方法步骤124中评估事件种类)是如下进行的：给定未标示的序列(γ^(n-ν+1),K,γ⁽ⁿ⁾)作为第一级分类器在时间情况n下的输出，该事件种类γ⁽ⁿ⁾是通过评估L_K＝P(D^*|Θ_K)和L_N＝P(D^*|Θ_N)来评估的，即，发射序列D^*的待检测事件和空值种类的HMM的可能性。这是通过向后算法递归地评估通过HMM的全部可能路径的概率来进行的。该向后算法描述在Richard O.Duda，Peter E.Hart和David G.Stork，“Pattern Classification，第2版，John Wiley&Sons，2000中。代替该向后算法，可以使用向前算法以及时间相反形式的向后算法。

该向后算法执行了下面的步骤(伪代码)：

对于t←t-1-t＝n-η+1进行

结束

返回

指数η≤ν表示后向传播的长度。所以，概率b_K,j(γ)＝p(γ|z_K＝j)和b_N,j(γ)＝p(γ|z_N＝j)是通过在γ^(n-η+1),K,γ⁽ⁿ⁾对于全部状态z_K和z_N评估发射概率密度函数来计算的。指示待检测事件或者空值种类的指数K和N落入上面的向后算法的伪代码中，如对于两种情况所保持的推导等式那样。在待检测事件的情况中，该算法简化为

因为A_K是稀少的，并且对于每个状态z_K∈{1,Kν}来说仅仅一个转变是可能的。在计算了可能性L_K和L_N之后，

是通过评估

来找到的。阈值δ是设计参数。如果超过δ，则是用于待检测事件的一个决定

否则，所述观察还可能属于空值种类

在下面，描述了另外的例子来便于理解本发明：

1.一种用于球类运动的鞋子(100)，其包含：

a.具有外表面(102)的鞋面(101)；

b.执行器(104)，其配置为改变所述鞋面(101)的一部分外表面(102)的至少一种表面性能；

c.传感器(105)，其对于所述鞋子(100)的移动是敏感的；和

d.处理单元(106)，其连接到所述执行器(104)和所述传感器(105)上，并且配置为处理获自所述传感器(105)的传感器数据，并且如果在所述传感器数据中检测到预定的事件，则使得所述执行器(104)改变所述鞋面(101)的所述一部分外表面(102)的至少一种表面性能。

2.根据前述例子的鞋子，其中所述至少一种表面性能是所述一部分外表面的表面结构。

3.根据前述例子之一的鞋子，其中所述至少一种表面性能是所述一部分外表面的摩擦力。

4.根据前述例子之一的鞋子，其中所述至少一种表面性能是所述一部分外表面的表面积。

5.根据前述例子之一的鞋子，其中至少所述鞋面的所述一部分外表面是弹性的并且所述鞋子进一步包含：

多个翅片，其设置在所述鞋面的所述一部分外表面之下，并且连接到所述执行器，以使得所述翅片可以依靠所述执行器下降或上升，以改变弹性外表面的至少一种表面性能。

6.根据例子1的鞋子，其中至少所述鞋面的所述一部分外表面是弹性的，并且所述执行器是气动阀，以及所述鞋子进一步包含：

空气泵，其配置为提供加压空气到所述气动阀；和

至少一种可充气元件，其设置在鞋面的弹性外表面下；

其中所述气动阀配置为提供加压空气到所述可充气元件，以使得所述可充气元件充气和改变所述一部分外表面至少一种表面性能。

7.根据前述例子的鞋子，其中所述加压空气是通过穿着所述鞋子的比赛者的动作产生的。

8.根据例子1的鞋子，其中至少所述鞋面的所述一部分外表面是弹性的，并且所述鞋子进一步包含：

多个销钉，其设置在所述鞋面的弹性外表面下；和

波形结构，其设置在所述多个销钉下，并且连接到执行器，以使得所述波形结构可以相对于所述销钉移动，来使得所述销钉相对于所述外表面下降或上升，以改变所述一部分外表面的至少一种表面性能。

9.根据例子1的鞋子，其中所述一部分外表面包含多个皮瓣，其配置为依靠所述执行器而下降或上升。

10.根据前述例子之一的鞋子，其中所述执行器是基于形状记忆合金或电动机。

11.根据前述例子之一的鞋子，其中所述传感器是加速计、陀螺仪或者磁场传感器。

12.根据前述例子之一的鞋子，其中所述外表面是皮肤状的。

13.根据前述例子之一的鞋子，其进一步包含：

鞋底，其中所述传感器、所述执行器和所述处理单元整合在所述鞋底中。

14.根据前述例子的鞋子，其中所述预定的事件是踢球。

15.根据前述例子之一的鞋子，其中所述预定的事件是短传、长传、射门或者控球。

16.根据前述例子之一的鞋子，其中所述处理单元适于通过进行下面的步骤，来检测所述预定的事件：

a.从所述传感器检索传感器数据的时间序列；

b.预处理(910)所述时间序列；

c.将所述时间序列分段(920)成多个视窗；

d.从所述多个视窗的每个中的传感器数据中提取(930)多个特征；和

e.基于从所述多个视窗中的传感器数据提取的多个特征，来评估(940)与所述多个视窗相关联的事件种类。

17.根据例子16的鞋子，其中所述时间序列是通过使用例如非回归移动平均滤波器、级联积分梳状(CIC)滤波器或者滤波器群来数字滤波而被预处理。

18.根据例子16-17之一的鞋子，其中所述事件种类包含至少所述待检测的事件和与不属于特定事件的传感器数据相关的空值种类。

19.根据例子16-18之一的例子，其中所述特征基于至少下面之一：通过施加例如小波分析、主组分分析PCA或者快速傅里叶变换FFT的时间、时空、光谱或者集合统计。

20.根据例子16-19之一的例子，其中所述特征基于下面之一：简单平均、标准化信号能量、移动强度、信号量级面积、轴间关联性、视窗中最大值、视窗中最小值、小波变换的最大细节系数、与模板的关联性、在模板主组分上的投射、到模板的本征空间的距离、光谱形心、带宽或者优势频率。

21.根据例子16-20之一的例子，其中所述时间序列分段成基于滑动视窗的多个视窗。

22.根据例子16-21之一的例子，其中所述时间序列基于所述时间序列中存在的至少一种条件，被分段成多个视窗。

23.根据前述例子的鞋子，其中所述条件是定义的阈值的传感器数据的相交或者使用关联性的模板、匹配滤波、动态时间变形或者最长的共用子序列(LCSS)和它的滑动视窗变量、变形LCSS的匹配。

24.根据例子16-23之一的例子，其中所述事件种类是基于贝叶斯分类器例如

Bayes分类器、最大余量分类器例如支持向量机、集合学习算法例如AdaBoost分类器和随机森林分类器、紧邻算法分类器、神经网络分类器、规则基分类器或者树基分类器来评估的。

25.根据例子16-24之一的例子，其中所述事件种类是基于通过条件随机场、动态贝叶斯网络或者其他来概率性地模拟事件和空值种类的顺序行为来进行评估的。

26.根据例子16-25之一的例子，其中所述事件种类是基于混合分类器来评估的，其包含步骤：

a.在待检测的事件和空值种类的不同阶段之间进行区分，其中所述空值种类是与不属于特定事件的传感器数据相关的；和

b.通过动态贝叶斯网络来模拟该事件和空值种类的顺序行为。

27.根据例子16-26之一的例子，其中所述评估步骤是基于这样的分类器，其已经基于监督式学习进行了培训。

28.根据例子16-27之一的例子，其中所述评估步骤是基于这样的分类器，其已经基于在线学习进行了培训。

29.根据例子16-28之一的例子，其中所述评估步骤是基于动态贝叶斯网络，其已经基于无监督式学习进行了培训。

30.根据前述例子之一的鞋子，其中所述预定的事件是被实时检测的。

附图所示的或者上述部件的不同设置，以及未示出或描述的部件和步骤是可能的。类似地，一些特征和子组合是有用的，并且可以不参考其他特征和子组合来使用。已经出于说明性而非限制性目的来描述了本发明的实施方案，并且可选择的实施方案将对于本专利的读者变得显而易见。因此，本发明不限于上述或者附图所示的实施方案，并且可以进行不同的实施方案和改变，而不脱离下面的权利要求的范围。

Claims

1.一种用于球类运动的鞋子，其包含：

具有外表面的鞋面，所述外表面包括至少一个弹性部分；

传感器，其配置以对于鞋子的移动是敏感的；和

处理单元，其连接到所述执行器和所述传感器上，并且配置以处理获自所述传感器的传感器数据，并且如果在所述传感器数据中检测到预定的事件，则使得所述执行器改变所述鞋面的所述外表面的所述至少一个弹性部分的所述至少一种表面性能；

其中,所述机构是翅片，所述鞋子进一步包含：多个翅片，其设置在所述鞋面的一部分外表面之下，并且连接到所述执行器，以使得所述翅片可以依靠所述执行器下降或上升，以改变所述外表面的所述至少一个弹性部分的所述至少一种表面性能；或者

其中，所述执行器是气动阀，并且所述鞋子进一步包含：空气泵，其配置以提供加压空气到所述气动阀；所述机构包括至少一种可充气元件，其设置在所述鞋面的所述外表面的所述至少一个弹性部分的下方；其中所述气动阀配置以提供加压空气到所述可充气元件，以使得所述可充气元件充气和改变所述外表面的所述至少一个弹性部分的所述至少一种表面性能；或者

其中，所述机构是销钉，所述鞋子进一步包含：多个销钉，其设置在所述鞋面的所述外表面的所述至少一个弹性部分的下方；和波形结构，其设置在所述多个销钉下，并且连接到所述执行器，以使得所述波形结构可以相对于所述销钉移动，以使得所述销钉相对于外表面下降或上升，以改变所述外表面的所述至少一个弹性部分的所述至少一种表面性能；或者

其中，所述机构是皮瓣，所述外表面的所述至少一个弹性部分包含多个皮瓣，其配置为依靠所述执行器而下降或上升。

2.根据权利要求1所述的鞋子，其中所述至少一种表面性能是所述外表面的所述至少一个弹性部分的表面结构。

3.根据权利要求1所述的鞋子，其中所述至少一种表面性能是所述外表面的所述至少一个弹性部分的摩擦力。

4.根据权利要求1所述的鞋子，其中所述至少一种表面性能是所述外表面的所述至少一个弹性部分的表面积。

5.根据权利要求1所述的鞋子，其中，所述执行器是气动阀，并且所述鞋子进一步包含：空气泵，其配置以提供加压空气到所述气动阀；所述机构包括至少一种可充气元件，其设置在所述鞋面的所述外表面的所述至少一个弹性部分的下方；其中所述气动阀配置以提供加压空气到所述可充气元件，以使得所述可充气元件充气和改变所述外表面的所述至少一个弹性部分的所述至少一种表面性能；以及

所述加压空气是通过穿着所述鞋子的比赛者的动作产生的。

6.根据权利要求1所述的鞋子，其中,所述执行器基于形状记忆合金或者电动机；以及

其中，所述机构是翅片，所述鞋子进一步包含：多个翅片，其设置在所述鞋面的一部分外表面之下，并且连接到所述执行器，以使得所述翅片可以依靠所述执行器下降或上升，以改变所述外表面的所述至少一个弹性部分的所述至少一种表面性能；或者

7.根据权利要求1的所述鞋子，其中所述传感器是加速计、陀螺仪或者磁场传感器。

8.根据权利要求1所述的鞋子，其中所述外表面是光滑的。

9.根据权利要求1所述的鞋子，其进一步包含：

10.根据权利要求1所述的鞋子，其中所述预定的事件是踢球。

11.根据权利要求1所述的鞋子，其中所述预定的事件是短传、长传、射门或者控球。

12.根据权利要求1的鞋子，其中所述处理单元适于通过进行下面的步骤，来检测所述预定的事件：

从所述传感器检索传感器数据的时间序列；

预处理所述时间序列；

将所述时间序列分段成多个视窗；

从所述多个视窗的每个视窗中的传感器数据中提取多个特征；和

基于从所述多个视窗中的传感器数据提取的所述多个特征，来评估与所述多个视窗相关联的事件种类。

13.根据权利要求12所述的鞋子，其中所述时间序列是通过使用非回归移动平均滤波器、级联积分梳状滤波器或者滤波器群来数字滤波而被预处理。

14.根据权利要求12所述的鞋子，其中所述事件种类包含至少待检测的事件和与不属于特定事件的传感器数据相关的空值种类。

15.根据权利要求12所述的鞋子，其中所述特征基于至少下面之一：通过施加小波分析、主组分分析或者快速傅里叶变换的时间、时空、光谱或者集合统计。

16.根据权利要求12所述的鞋子，其中所述特征基于下面之一：简单平均、标准化信号能量、移动强度、信号量级面积、轴间关联性、视窗中最大值、视窗中最小值、小波变换的最大细节系数、与模板的关联性、在模板主组分上的投射、到模板的本征空间的距离、光谱形心、带宽或者优势频率。

17.根据权利要求12所述的鞋子，其中所述时间序列被分段成基于滑动视窗的多个视窗。

18.根据权利要求12所述的鞋子，其中所述时间序列基于所述时间序列中存在的至少一种条件，被分段成多个视窗。

19.根据权利要求18所述的鞋子，其中所述至少一种条件是定义的阈值的传感器数据的相交或者使用关联性的模板、匹配滤波、动态时间变形或者最长的共用子序列和它的滑动视窗变量、变形最长的共用子序列的匹配。

20.根据权利要求12所述的鞋子，其中所述事件种类是基于贝叶斯分类器、最大余量分类器、集合学习算法、紧邻算法分类器、神经网络分类器、规则基分类器或者树基分类器来评估的。

21.根据权利要求12所述的鞋子，其中所述事件种类是基于通过条件随机场或者动态贝叶斯网络来概率性地模拟事件和空值种类的顺序行为来进行评估的。

22.根据权利要求12的鞋子，其中所述事件种类是基于混合分类器来评估的，其包含步骤：

在待检测的事件和空值种类的不同阶段之间进行区分，其中所述空值种类是与不属于特定事件的传感器数据相关的；和

通过动态贝叶斯网络来模拟所述待检测的事件和所述空值种类的顺序行为。

23.根据权利要求12所述的鞋子，其中所述评估步骤是基于这样的分类器，其已经基于监督式学习进行了培训。

24.根据权利要求12所述的鞋子，其中所述评估步骤是基于这样的分类器，其已经基于在线学习进行了培训。

25.根据权利要求12所述的鞋子，其中所述评估步骤是基于动态贝叶斯网络，其已经基于无监督式学习进行了培训。

26.根据权利要求12所述的鞋子，其中所述预定的事件是被实时检测的。

27.根据权利要求20所述的鞋子，其中所述贝叶斯分类器是

Bayes分类器。

28.根据权利要求20所述的鞋子，其中所述最大余量分类器是支持向量机。

29.根据权利要求20所述的鞋子，其中所述集合学习算法是AdaBoost分类器或随机森林分类器。