CN117357100B - 一种可实时检测全身动态的智能服装 - Google Patents

Abstract

本发明公开了一种可实时检测全身动态的智能服装，涉及视觉识别技术领域，本发明采用AiQ智能织物，与传感器和电子元件的无缝集成，在服装的关键活动部位嵌入了高精度传感器，感知身体与支撑面的接触，为姿势分析提供重要数据，虚拟现实头显单元，通过四元数表示用户头部动作，计算第一视角摄像机的位置和方向，同时还计算第三视角摄像机的位置和方向，将第三视角图像投射到外部显示设备，可在家人或医护人员远程观察运动情况，实时运动优化单元指导用户，实时反馈基于智能服装中的传感器数据，包括姿势、加速度、角速度和肌肉活动水平分析，确定姿势、运动类型和质量，并由虚拟教练控制实时运动优化单元提供反馈和建议。

Description

一种可实时检测全身动态的智能服装

技术领域

本发明涉及视觉识别技术领域，具体为一种可实时检测全身动态的智能服装。

背景技术

服装是现代科技进步的载体当今世界科学技术迅猛发展，知识经济扑面而来，知识经济的支柱是高新技术和信息技术，这个特征将影响和决定21世纪的服装行业，服装行业的科技发展在今后若干年最主要的任务就是利用高新技术和信息技术改变和提升传统的服装功能，这将主要体现在智能服装的研究和开发上。

世界上积极开发“智能服装”的国家主要是德国、芬兰、比利时、瑞士、英国等欧洲国家，这一方面是由于欧洲地区对新型纺织品开发的需求比较强烈，另一方面是他们也具有先进的周边电子电机、通讯、计算机软件工业的相互支持配合，许多服装产业巨头也希望，“智能服装”的研发，能为不景气的传统纺织工业注入一股新的活力和生命力。

然而目前传统的智能服装无法对运动细节进行监控，导致适用范围较小，尤其在面对动作学习的应用场景，如舞蹈学习，健身运动训练以及康复训练等场景，无法远程监控当前运动情况，也无法根据当前获取的动作过程分析是否标准是否有待调整，在用户身边无外部辅助情况下，难以判定自身动作是否标准，是否需要调整，对于用户来说，了解他们的动作是否标准或是否需要调整至关重要，现有智能服装较为依赖外部辅助设备或人员来解释和评估用户的动作，增加了学习和训练的复杂性，同时也增加了时间和资金成本，因此亟需一种可以提供运动细节监控的，可实时检测全身动态的运动辅助智能服装。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种可实时检测全身动态的智能服装，解决现有技术中存在的无法根据当前获取的动作过程分析是否标准是否有待调整的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现，本发明提供了一种可实时检测全身动态的智能服装，采用AiQ智能织物实现传感器和电子元件的无缝集成，包括：

传感器单元，在智能服装的关键活动部位嵌入高精度传感器，包括：

惯性测量单元IMU，用于实时监测加速度和角速度，捕捉用户的运动和姿势；

肌电传感器，用于检测肌肉活动，提供精确的动作信息；

压力传感器，用于感知身体与地面以及支撑面的接触，用于姿势分析；

虚拟现实头显单元，与用户的动作实时同步，包括第一视角和第三视角头显，以提供相应的声音、震动反馈；

实时运动优化单元，智能服装内置震动装置和发声设备，实时运动优化单元提供实时反馈，将虚拟教练与用户实时同步，虚拟教练提供运动指导、鼓励和反馈，指导用户改进姿势、力量和技巧，降低运动伤害风险；

内置数据处理单元，基于机器学习算法对传感器数据进行实时分析，捕捉用户的每个动作和姿势，实时分析同时用于实时反馈和虚拟现实同步；

数据同步单元，通过蓝牙传输将数据传输到智能设备，包括智能手机、平板以及智能眼镜，并同步到云端，供用户本人和其他授权人员随时随地查看和分析；

个性化运动训练建议单元，基于用户的身体数据和健康目标，生成个性化的运动训练计划；

所述虚拟现实头显单元中包含第一视角即用户眼睛所看到的视图和第三视角即外部观察者所看到的视图，此视角可自由调节角度，具体渲染投影方式包括：

建立3D虚拟场景，包括对象、光源和摄像机模型；

根据用户的头部动作，计算第一视角摄像机的位置和方向，采用四元数进行表示，具体为：

其中q即四元数，θ表示旋转角度，i，j，k均表示虚数单位，x，y，z表示摄像机旋转轴；

利用用户的头部位置和方向，渲染第一视角图像，将第一视角图像投射到虚拟现实头显中；

同时计算第三视角摄像机的位置和方向，第三视角计算具体为：

P_v.er＝P_o.b-D_v,er-o.b*V_d.ce，

其中P_v.er就是观察者位置，P_o.b表示物体位置，D_v,er-o.b表示物体到观察者的单位方向向量，V_d.ce则表示观察距离；

渲染第三视角图像，将第三视角图像投射到外部显示设备；

本发明进一步地设置为：所述实时反馈和运动优化方式具体为：

基于智能服装中的传感器IMU和肌电传感器获取用户的动作数据，包括姿势、加速度、角速度和肌肉活动水平；

使用机器学习算法分析用户的动作，确定姿势、运动类型和质量；

利用分析的动作数据，由虚拟教练控制实时运动优化单元提供反馈和建议，指导用户改进姿势、力量和技巧；

根据用户的动作数据和运动优化算法生成反馈，包括建议性的声音、震动和光线反馈；

通过智能服装中的输出装置，振动装置、声音装置反馈传递给用户；

本发明进一步地设置为：所述实时运动优化单元利用个性化算法，根据用户的身体数据，为用户提供运动建议和训练计划；

运动优化算法基于用户的动作数据，识别可能的问题，包括错误姿势和较大幅度偏差姿态，并生成建议的改进措施；

本发明进一步地设置为：从所述动作数据中解析获取运动特征，包括：

关节的角度、关节的位置、动作的类型、姿态平衡度、姿势稳定性；

采用支持向量机SVM对提取的特征进行训练和分类识别用户的动作；

使用训练好的模型对实时数据进行分类确定用户的当前动作；

根据机器学习模型的输出，确定用户的动作、姿势和运动质量；

本发明进一步地设置为：所述采用支持向量机进行动作分类和识别步骤具体包括：

收集和准备已经提取特征的训练数据集，包括已标记的动作数据，其中每个样本包括提取的特征向量和相应的动作标签；

对特征向量进行标准化，使用标准SVM算法训练分类模型，将特征向量映射到不同的动作类别；

确定超平面分隔不同类别的数据点，同时最小化分类错误，具体为：

其中w表示超平面的法向量，b为偏差，x_i表示特征向量，y_i表示样本类别标签；

使用交叉验证方法来评估SVM模型的性能；

当有新的特征向量需要分类时，将其输入到训练好的SVM模型中，模型返回预测的动作标签；

本发明进一步地设置为：所述交叉验证采用K-Fold验证法，步骤具体包括：

设数据集为D，将数据集D分为训练集和测试集，在将数据分为K个不相交的子集D₁,D₂,...,D_K；

对于每个折叠k训练SVM模型，超参数包括正则化参数C_k和核函数参数K_k，训练集表示为D_tr.k；

训练方式具体为：

其中w_k表示模型权重向量，C_k表示正则化参数，为松弛变量；

验证测试集的准确性、精确度以及召回率；

基于性能度量结果调整模型的超参数C_k和核函数参数K_k优化模型性能；

本发明进一步地设置为：所述确定用户当前动作步骤具体包括：

从智能服装传感器获取实时数据，设为x_r.t，使用已训练好的SVM模型，将实时数据x_r.t进行分类；

计算决策函数值f(x_r.t)，表示数据点x_r.t与超平面之间的距离；

决策函数表示为：

其中α_i表示支持向量的拉格朗日乘子，y_i表示类别标签，k(x_i,x_r.t)则为核函数值，b在此处表示偏差项；

根据决策函数值f(x_r.t)，进行决策，设σ为阈值，具体为：

如果f(x_r.t)>σ，则将动作分类为类别C₁；

如果f(x_r.t)<-σ，则将动作分类为类别C₂；

否则视为多类别分类情况，输出分类结果，表示用户当前执行的动作。

(三)有益效果

本发明提供了一种可实时检测全身动态的智能服装。具备以下有益效果：

本申请所提供的可实时检测全身动态的智能服装采用了AiQ智能织物，与传感器和电子元件的无缝集成，在服装的关键活动部位嵌入了高精度传感器，包括惯性测量单元IMU、肌电传感器和压力传感器，集成系统不仅能够实时监测用户的加速度、角速度、肌肉活动和姿势，还能感知身体与支撑面的接触，为姿势分析提供重要数据；

其中虚拟现实头显单元，能够与用户的动作实时同步，用户可以享受到根据其身体状态标准与否提供的声音、震动和光线反馈，更重要的是虚拟现实头显单元中包含了第一视角和第三视角，用户可以自由调整角度，通过四元数表示用户头部动作，计算第一视角摄像机的位置和方向，同时还计算第三视角摄像机的位置和方向，将第三视角图像投射到外部显示设备，可在家人或医护人员远程观察运动情况；

此外实时运动优化单元中包括震动装置和发声设备，用于提供实时反馈，将虚拟教练与用户实时同步，为用户提供运动指导、鼓励和反馈，有助于指导用户改进姿势、力量和技巧，降低运动伤害风险，实时反馈基于智能服装中的传感器数据，包括姿势、加速度、角速度和肌肉活动水平分析，确定姿势、运动类型和质量，并由虚拟教练控制实时运动优化单元提供反馈和建议；

同时运动优化算法能够识别潜在问题，包括错误姿势和较大幅度偏差姿态，并生成改进措施的建议，此过程包括提取运动特征，包括关节的角度、位置、动作类型、姿态平衡度和姿势稳定性，然后使用支持向量机SVM对特征进行训练和分类识别用户的动作，并采用交叉验证方法来评估SVM模型的性能，保证SVM模型有效性；

最后，数据同步单元通过蓝牙传输数据到智能设备，让用户可以随时随地查看和分析他们的健康数据，个性化运动训练建议单元利用用户的身体数据和健康目标，生成了个性化的运动训练计划，不仅可以监测用户的运动，还可以提供实时反馈和指导，确保训练计划的适应性、有效性。

解决了现有技术中存在的无法根据当前获取的动作过程分析是否标准是否有待调整的问题。

附图说明

图1为本发明的可实时检测全身动态的智能服装框架图；

图2为本发明的可实时检测全身动态的智能服装实时反馈和运动优化流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

请参阅图1-图2，本发明提供一种可实时检测全身动态的智能服装，采用AiQ智能织物实现传感器和电子元件的无缝集成，包括：

传感器单元，在智能服装的关键活动部位嵌入高精度传感器，包括：

惯性测量单元IMU，用于实时监测加速度和角速度，捕捉用户的运动和姿势；

肌电传感器，用于检测肌肉活动，提供精确的动作信息；

压力传感器，用于感知身体与地面以及支撑面的接触，用于姿势分析；

虚拟现实头显单元，与用户的动作实时同步，包括第一视角和第三视角头显，以提供相应的声音、震动反馈；

虚拟现实头显单元中包含第一视角即用户眼睛所看到的视图和第三视角即外部观察者所看到的视图，此视角可自由调节角度，具体渲染投影方式包括：

建立3D虚拟场景，包括对象、光源和摄像机模型；

根据用户的头部动作，计算第一视角摄像机的位置和方向，采用四元数进行表示，具体为：

其中q即四元数，θ表示旋转角度，i，j，k均表示虚数单位，x，y，z表示摄像机旋转轴；

利用用户的头部位置和方向，渲染第一视角图像，将第一视角图像投射到虚拟现实头显中；

同时计算第三视角摄像机的位置和方向，第三视角计算具体为：

P_v.er＝P_o.b-D_v,er-o.b*V_d.ce，

其中P_v.er就是观察者位置，P_o.b表示物体位置，D_v,er-o.b表示物体到观察者的单位方向向量，V_d.ce则表示观察距离；

渲染第三视角图像，将第三视角图像投射到外部显示设备；

实时运动优化单元，智能服装内置震动装置和发声设备，实时运动优化单元提供实时反馈，将虚拟教练与用户实时同步，虚拟教练提供运动指导、鼓励和反馈，指导用户改进姿势、力量和技巧，降低运动伤害风险；

实时反馈和运动优化方式具体为：

基于智能服装中的传感器IMU和肌电传感器获取用户的动作数据，包括姿势、加速度、角速度和肌肉活动水平；

使用机器学习算法分析用户的动作，确定姿势、运动类型和质量；

利用分析的动作数据，由虚拟教练控制实时运动优化单元提供反馈和建议，指导用户改进姿势、力量和技巧；

根据用户的动作数据和运动优化算法生成反馈，包括建议性的声音、震动和光线反馈；

通过智能服装中的输出装置，振动装置、声音装置反馈传递给用户；

实时运动优化单元利用个性化算法，根据用户的身体数据，为用户提供运动建议和训练计划；

运动优化算法基于用户的动作数据，识别可能的问题，包括错误姿势和较大幅度偏差姿态，并生成建议的改进措施；

从动作数据中解析获取运动特征，包括：

关节的角度、关节的位置、动作的类型、姿态平衡度、姿势稳定性；

采用支持向量机SVM对提取的特征进行训练和分类识别用户的动作；

使用训练好的模型对实时数据进行分类确定用户的当前动作；

根据机器学习模型的输出，确定用户的动作、姿势和运动质量；

采用支持向量机进行动作分类和识别步骤具体包括：

收集和准备已经提取特征的训练数据集，包括已标记的动作数据，其中每个样本包括提取的特征向量和相应的动作标签；

对特征向量进行标准化，使用标准SVM算法训练分类模型，将特征向量映射到不同的动作类别；

确定超平面分隔不同类别的数据点，同时最小化分类错误，具体为：

其中w表示超平面的法向量，b为偏差，x_i表示特征向量，y_i表示样本类别标签；

使用交叉验证方法来评估SVM模型的性能；

当有新的特征向量需要分类时，将其输入到训练好的SVM模型中，模型返回预测的动作标签；

交叉验证采用K-Fold验证法，步骤具体包括：

设数据集为D，将数据集D分为训练集和测试集，在将数据分为K个不相交的子集D₁,D₂,...,D_K；

对于每个折叠k训练SVM模型，超参数包括正则化参数C_k和核函数参数K_k，训练集表示为D_tr.k；

训练方式具体为：

其中w_k表示模型权重向量，C_k表示正则化参数，为松弛变量；

验证测试集的准确性、精确度以及召回率；

基于性能度量结果调整模型的超参数C_k和核函数参数K_k优化模型性能；

确定用户当前动作步骤具体包括：

从智能服装传感器获取实时数据，设为x_r.t，使用已训练好的SVM模型，将实时数据x_r.t进行分类；

计算决策函数值f(x_r.t)，表示数据点x_r.t与超平面之间的距离；

决策函数表示为：

其中α_i表示支持向量的拉格朗日乘子，y_i表示类别标签，k(x_i,x_r.t)则为核函数值，b在此处表示偏差项；

根据决策函数值f(x_r.t)，进行决策，设σ为阈值，具体为：

如果f(x_r.t)>σ，则将动作分类为类别C₁；

如果f(x_r.t)<-σ，则将动作分类为类别C₂；

否则视为多类别分类情况，输出分类结果，表示用户当前执行的动作；

内置数据处理单元，基于机器学习算法对传感器数据进行实时分析，捕捉用户的每个动作和姿势，实时分析同时用于实时反馈和虚拟现实同步；改进姿势、力量和技巧，降低运动伤害风险并提高效率；

数据同步单元，通过蓝牙传输将数据传输到智能设备，包括智能手机、平板以及智能眼镜，并同步到云端，供用户本人和其他授权人员随时随地查看和分析；

个性化运动训练建议单元，基于用户的身体数据和健康目标，生成个性化的运动训练计划。

综合以上内容，在本申请中：

本申请所提供的可实时检测全身动态的智能服装采用了AiQ智能织物，与传感器和电子元件的无缝集成，在服装的关键活动部位嵌入了高精度传感器，包括惯性测量单元IMU、肌电传感器和压力传感器，集成系统不仅能够实时监测用户的加速度、角速度、肌肉活动和姿势，还能感知身体与支撑面的接触，为姿势分析提供重要数据；

其中虚拟现实头显单元，能够与用户的动作实时同步，用户可以享受到根据其身体状态标准如否提供的声音、震动和光线反馈，更重要的是虚拟现实头显单元中包含了第一视角和第三视角，用户可以自由调整角度，通过四元数表示用户头部动作，计算第一视角摄像机的位置和方向，同时还计算第三视角摄像机的位置和方向，将第三视角图像投射到外部显示设备，可在家人或医护人员远程观察运动情况；

此外实时运动优化单元中包括震动装置和发声设备，用于提供实时反馈，将虚拟教练与用户实时同步，为用户提供运动指导、鼓励和反馈，有助于指导用户改进姿势、力量和技巧，降低运动伤害风险，实时反馈基于智能服装中的传感器数据，包括姿势、加速度、角速度和肌肉活动水平分析，确定姿势、运动类型和质量，并由虚拟教练控制实时运动优化单元提供反馈和建议；

同时运动优化算法能够识别潜在问题，包括错误姿势和较大幅度偏差姿态，并生成改进措施的建议，此过程包括提取运动特征，包括关节的角度、位置、动作类型、姿态平衡度和姿势稳定性，然后使用支持向量机SVM对特征进行训练和分类识别用户的动作，并采用交叉验证方法来评估SVM模型的性能，保证SVM模型有效性；

最后，数据同步单元通过蓝牙传输数据到智能设备，让用户可以随时随地查看和分析他们的健康数据，个性化运动训练建议单元利用用户的身体数据和健康目标，生成了个性化的运动训练计划，不仅可以监测用户的运动，还可以提供实时反馈和指导，确保训练计划的适应性、有效性。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种可实时检测全身动态的智能服装，其特征在于，采用AiQ智能织物实现传感器和电子元件的无缝集成，包括：

传感器单元，在智能服装的关键活动部位嵌入高精度传感器，包括：

惯性测量单元IMU，用于实时监测加速度和角速度，捕捉用户的运动和姿势；

肌电传感器，用于检测肌肉活动，提供精确的动作信息；

压力传感器，用于感知身体与地面以及支撑面的接触，用于姿势分析；

虚拟现实头显单元，与用户的动作实时同步，包括第一视角和第三视角头显，以提供相应的声音、震动反馈；

实时运动优化单元，智能服装内置震动装置和发声设备，实时运动优化单元提供实时反馈，将虚拟教练与用户实时同步，虚拟教练提供运动指导、鼓励和反馈，指导用户改进姿势、力量和技巧，降低运动伤害风险；

内置数据处理单元，基于机器学习算法对传感器数据进行实时分析，捕捉用户的每个动作和姿势，实时分析同时用于实时反馈和虚拟现实同步；

数据同步单元，通过蓝牙传输将数据传输到智能设备，包括智能手机、平板以及智能眼镜，并同步到云端，供用户本人和其他授权人员随时随地查看和分析；

个性化运动训练建议单元，基于用户的身体数据和健康目标，生成个性化的运动训练计划；

所述虚拟现实头显单元中包含第一视角即用户眼睛所看到的视图和第三视角即外部观察者所看到的视图，此视角可自由调节角度，具体渲染投影方式包括：

建立3D虚拟场景，包括对象、光源和摄像机模型；

根据用户的头部动作，计算第一视角摄像机的位置和方向，采用四元数进行表示，具体为：

其中q即四元数，θ表示旋转角度，i，j，k均表示虚数单位，x，y，z表示摄像机旋转轴；

利用用户的头部位置和方向，渲染第一视角图像，将第一视角图像投射到虚拟现实头显中；

同时计算第三视角摄像机的位置和方向，第三视角计算具体为：

P_v.er＝P_o.b-D_v,er-o.b*V_d.ce，

其中P_v.er就是观察者位置，P_o.b表示物体位置，D_v,er-o.b表示物体到观察者的单位方向向量，V_d.ce则表示观察距离；

渲染第三视角图像，将第三视角图像投射到外部显示设备。

2.根据权利要求1所述的一种可实时检测全身动态的智能服装，其特征在于，所述实时反馈和运动优化方式具体为：

基于智能服装中的传感器IMU和肌电传感器获取用户的动作数据，包括姿势、加速度、角速度和肌肉活动水平；

使用机器学习算法分析用户的动作，确定姿势、运动类型和质量；

利用分析的动作数据，由虚拟教练控制实时运动优化单元提供反馈和建议，指导用户改进姿势、力量和技巧；

根据用户的动作数据和运动优化算法生成反馈，包括建议性的声音、震动和光线反馈；

通过智能服装中的输出装置，振动装置、声音装置反馈传递给用户。

3.根据权利要求2所述的一种可实时检测全身动态的智能服装，其特征在于，所述实时运动优化单元利用个性化算法，根据用户的身体数据，为用户提供运动建议和训练计划；

运动优化算法基于用户的动作数据，识别可能的问题，包括错误姿势，并生成建议的改进措施。

4.根据权利要求3所述的一种可实时检测全身动态的智能服装，其特征在于，从所述动作数据中解析获取运动特征，包括：

关节的角度、关节的位置、动作的类型、姿态平衡度、姿势稳定性；

采用支持向量机SVM对提取的特征进行训练和分类识别用户的动作；

使用训练好的模型对实时数据进行分类确定用户的当前动作；

根据机器学习模型的输出，确定用户的动作、姿势和运动质量。

5.根据权利要求4所述的一种可实时检测全身动态的智能服装，其特征在于，所述采用支持向量机进行动作分类和识别步骤具体包括：

收集和准备已经提取特征的训练数据集，包括已标记的动作数据，其中每个样本包括提取的特征向量和相应的动作标签；

对特征向量进行标准化，使用标准SVM算法训练分类模型，将特征向量映射到不同的动作类别；

确定超平面分隔不同类别的数据点，同时最小化分类错误，具体为：

其中w表示超平面的法向量，b为偏差，x_i表示特征向量，y_i表示样本类别标签；

使用交叉验证方法来评估SVM模型的性能；

当有新的特征向量需要分类时，将其输入到训练好的SVM模型中，模型返回预测的动作标签。

6.根据权利要求5所述的一种可实时检测全身动态的智能服装，其特征在于，所述交叉验证采用K-Fold验证法，步骤具体包括：

设数据集为D，将数据集D分为训练集和测试集，在将数据分为K个不相交的子集D₁,D₂,...,D_K；

对于每个折叠k训练SVM模型，超参数包括正则化参数C_k和核函数参数K_k，训练集表示为D_tr.k；

训练方式具体为：

其中w_k表示模型权重向量，C_k表示正则化参数，为松弛变量；

验证测试集的准确性、精确度以及召回率；

基于性能度量结果调整模型的超参数C_k和核函数参数K_k优化模型性能。

7.根据权利要求6所述的一种可实时检测全身动态的智能服装，其特征在于，所述确定用户当前动作步骤具体包括：

从智能服装传感器获取实时数据，设为x_r.t，使用已训练好的SVM模型，将实时数据x_r.t进行分类；

计算决策函数值f(x_r.t)，表示数据点x_r.t与超平面之间的距离；

决策函数表示为：

其中α_i表示支持向量的拉格朗日乘子，y_i表示类别标签，k(x_i,x_r.t)则为核函数值，b在此处表示偏差项；

根据决策函数值f(x_r.t)，进行决策，设σ为阈值，具体为：

如果f(x_r.t)>σ，则将动作分类为类别C₁；

如果f(x_r.t)<-σ，则将动作分类为类别C₂；

否则视为多类别分类情况，输出分类结果，表示用户当前执行的动作。