CN113749644A - 可对人体腰椎运动进行监测及自主姿态矫正的智能服装 - Google Patents

Abstract

本发明涉及一种可对人体腰椎运动进行监测及自主姿态矫正的智能服装，具体包括服装本体、识别监测模块和振动提醒模块。***首先通过人体运动状态及姿态识别模块获取使用者实时的运动状态及姿态，并基于提前构建的姿势评价***获取使用者实时的腰部弯曲Cobb角度的合理阈值。然后，***通过腰部运动角度测量模块获取使用者实时腰部弯曲的Cobb角度，同时判断该角度是否超出合理阈值时间过长并决定是否通过振动装置来提醒使用者注意用腰姿势。本发明在腰椎矫正方面通过运动状态及姿态识别、振动提醒、自主纠正的方式来代替原有产品盲目强力矫正的做法，能够有效减轻腰椎患病人群在矫正过程中的不适感，帮助广大用腰人群养成良好的用腰习惯。

Description

可对人体腰椎运动进行监测及自主姿态矫正的智能服装

技术领域

本发明属于人体姿态监测技术领域，具体涉及一种可对人体腰椎运动进行监测及自主姿态矫正的智能服装。

背景技术

随着互联网的发展普及，现代年轻人的娱乐、学习和办公等活动方式都发生了明显的改变，长期低头玩手机和长时间对着电脑久坐的生活习惯引发了一系列的腰椎健康问题。有相关数据显示，腰椎疾病正逐渐趋向于大众化和年轻化。

大多数年轻群体会使用一种名为腰椎固定器的辅助矫正腰带。这种器械通过强力固定的方式束缚腰部活动来防止不合理的用腰情况出现。但由于对腰部的束缚性过大、穿戴舒适性较差、不利于身体活动等问题，这种矫正方式极容易引起使用者的排斥感。而且，患者长期使用这种器械可能会压迫血管和神经，既不利于血液回流，也会造成一定程度的神经损伤。

而在智能医疗领域，基于人体姿态识别的人体姿势矫正装置也层出不穷。这些装置的主要特点在于能够识别人体的集中不同姿态并进行提醒。但是人体在相同的运动状态下，不同的瞬时姿态对人体腰椎的影响不同；而人体在不同的运动状态下，相同的瞬时姿态对人体腰椎的影响也不同。因此，人体用腰姿势的合理性需要同时结合人体所处运动状态和处于该运动状态下的瞬时姿态共同进行评估。其次，目前存在的一些矫正设备只包含提醒功能，而在如何矫正、调整姿态等方面并未给出具体方案。此外，现有的矫正设备作为一种装置无法在使用者的日常工作和学习中佩戴，体积较大并缺乏美观性。

因此，在缓解和治疗逐渐大众化和年轻化的腰椎疾病上，研究者不仅需要考虑腰椎辅助矫正设备的有效性问题，也需要考虑其不同运动状态下和不同姿态下的矫正合理度、穿戴舒适性和矫正过程中所造成的负面效果，还需要考虑使用者日常工作和学习中能否正常佩戴使用等问题。

本发明包含人体工学柔性矫正功能和人体运动状态及姿态识别功能，通过柔性矫正和振动提醒的方式能够在一定程度上弥补现有腰椎辅助矫正设备在上述方面上的缺失，并让使用者自主养成良好的用腰习惯。

发明内容

本发明的目的就是要提供一种可对人体腰椎运动进行监测及自主姿态矫正的智能服装。

可对人体腰椎运动进行监测及自主姿态矫正的智能服装，包括服装本体、识别监测模块和振动提醒模块，所述识别监测模块和振动提醒模块均设置在服装本体上，所述识别监测模块用于采集人体的运动状态和身体姿态信息，建立人体生活姿态评价模型，通过人体生活姿态评价模型获得在目前运动状态和姿态下Cobb角度的合理值域，还用于利用姿势评价***计算使用者实时的腰部弯曲Cobb角度，并判断Cobb角度是否在合理值域内，若否则启动振动提醒模块，振动提醒模块用于通过振动提醒使用者注意用腰姿势。

进一步的，识别监测模块包括深度传感器和三轴角加速度传感器，所述深度传感器包括嵌入在服装的胳膊及手臂关节处的右肩关节深度传感器、左肩关节深度传感器、左肘关节深度传感器、右肘关节深度传感器，四处深度传感器均采用超声波测距原理，跨障碍获取服装关节之间的相对间距，所述三轴角加速度传感器包括设置在服装本体的后领部第一三轴角加速度传感器、嵌入在服装本体的第一腰椎处的第二三轴角加速度传感器和嵌入在服装本体的第五腰椎处的第三三轴角加速度传感器，所述第一三轴角加速度传感器用于对人体运动状态进行识别，所述第二三轴角加速度传感器和第三三轴角加速度传感器分别用于获取第一腰椎和第五腰椎的垂直对地角加速度，进而对人体腰椎生理曲度进行实时监测。

进一步的，计算使用者实时的腰部弯曲Cobb角度的方式为，通过角加速度对时间积分的方式分别测量第一腰椎处垂直对地角度α和第五腰椎处垂直对地角度β；通过第五腰椎处垂直对地角度β与第一腰椎处垂直对地角度α相减即可得到β与α的差值，该差值即为传感器测量出的腰椎Cobb角度。

进一步的，腰带可拆卸设置在服装本体上，腰带包括腰带本体和复合层，所述复合层设置在腰带中部，所述复合层包括从外到内顺次设置的复合材料覆盖层、第一柔性缓冲层、医用尼龙支撑层和第二柔性缓冲层。

进一步的，建立人体生活姿态评价体系的方法包括以下步骤:

步骤1、第一三轴加速度传感器获取加速度计和陀螺仪的3轴原始信号tac-XYZ和tGyro-XYZ；

步骤2、中值滤波器和角频率为20hz的三阶低通巴特沃思滤波器对tac-XYZ和tGyro-XYZ进行滤波，另一个角频率为0.3Hz的低通巴特沃斯滤波器将加速度信号tac-XYZ分割成身体加速度信号BodyAcc-XYZ和重力加速度信号tGravityAcc-XYZ；

步骤3、推导出身体的线加速度和角速度，获得反射信号，即加速度计返回的身体加速度时域反射信号tBodyAccJerk-XYZ和陀螺仪返回的身体角速度时域返回信号tBodyGyroJerk-XYZ，使用欧几里得范数计算这些三维信号的幅度，分别为身体加速度时域幅度信号tBodyAccMag,重力加速度时域幅度信号tGravityAccMag,身体加速度时域幅度反射信号tBodyAccJerkMag,身体角速度时域幅度信号tBodyGyroMag以及身体角速度时域幅度反射信号tBodyGyroJerkMag；

步骤4、对产生的身体加速度频域信号、身体加速度频域反射信号、身体角速度频域信号、身体加速度频域幅度反射信号、身体角速度频域幅度信号、身体角速度频域幅度反射信号进行快速傅里叶变换，得到身体加速度时域信号tBodyAcc-XYZ、重力加速度时域信号tGravityAcc-XYZ、身体加速度时域反射信号tBodyAccJerk-XYZ、身体角速度时域信号tBodyGyro-XYZ、身体角速度时域反射信号tBodyGyroJerk-XYZ、身体加速度时域幅度信号tBodyAccMag、重力加速度时域幅度信号tGravityAccMag、身体加速度时域幅度反射信号tBodyAccJerkMag、身体角速度时域幅度信号tBodyGyroMag、身体角速度时域幅度反射信号tBodyGyroJerkMag、身体加速度频域信号fBodyAcc-XYZ、身体加速度频域反射信号fBodyAccJerk-XYZ、身体角速度频域信号fBodyGyro-XYZ、身体加速度频域幅度信号fBodyAccMag、身体加速度频域幅度反射信号fBodyAccJerkMag、身体角速度频域幅度信号fBodyGyroMag和身体角速度频域幅度反射信号fBodyGyroJerkMa，其中，“-XYZ”用于表示X、Y和Z方向的3轴信号；

步骤5、通过步骤1-3的信号得到时域特征向量和频域特征向量，并记录了不同时域和频域下的人体所处的运动状态信息；

步骤6、***采用层次化分类方法对人体站姿、坐姿、卧姿、走路、上楼和下楼6种基本运动状态进行分类，在每一层次中，将包含时域特征向量和频域特征向量的数据作为训练集，并输入到随机森林分类模型中进行训练，得到人体生活姿态评价模型。

进一步的，所述层次化分类方法具体包括以下步骤：

步骤6.1、第1个层次对静态姿势和动态姿势进行分类，首先，将运动状态为站姿、坐姿和卧姿的样本对应的目标预测集统一规定为静态姿态并数据化为同一值；将运动状态为走路、上楼和下楼的样本对应于的目标预测集在统一规定为动态姿态并数据化为另一同一值，然后将数据化后的目标预测集利用随机森林算法进行数据预测，得到预测分类结果，预测分类完成后进入第2个层次；

步骤6.2、第2个层次对动态姿势中的走路和上下楼进行分类，首先，筛选出原始数据集中目标预测集为动态姿态的样本，然后将动态姿势为走路的样本对应的目标预测集统一规定为走路姿态并数据化；将动态姿势中为上楼和下楼的样本对应的目标预测集统一规定为上下楼姿势并数据化为同一值，最后利用随机森林算法进行数据训练，训练过程与步骤6.1中的相同，预测分类完成后进入第3个层次；

步骤6.3、第3个层次对上下楼姿势中的上楼和下楼进行分类，首先，筛选出原始数据集中目标预测集为上楼或下楼的样本，然后将上楼或下楼的样本输入随机森林算法进行预测分类，预测分类完成后进入第4个层次；

步骤6.4、第4个层次对静态姿势中的站姿和坐卧进行分类，首先，筛选除原始数据集中目标预测集为静态姿态的样本，然后将静态姿势为站姿的样本对应的目标预测集统一规定为站姿并数据化为同一值；将静态姿势中为站姿和坐卧的样本对应的目标预测集统一规定为坐卧姿势并数据化为另一同一值；然后将数据化后的目标预测集利用随机森林算法进行数据预测，得到预测分类结果，预测分类完成后进入第5个层次；

步骤6.5、第5个层次对坐卧中的坐姿和卧姿进行分类，首先，筛选出原始数据集中目标预测集为坐姿或卧姿的样本，然后，将坐姿和卧姿的样本输入随机森林算法进行预测分类，得到最终预测分类结果，预测分类完成结束数据训练过程并得到人体生活姿态评价模型。

进一步的，通过人体生活姿态评价模型获得在目前运动状态和姿态下Cobb角度的合理值域的方式为，获得目前运动状态和姿态后，根据现有的医学标准获得目前运动状态和姿态下的Cobb角度的合理值域。

进一步的，所述利用随机森林算法进行数据预测的方法包括以下步骤：

步骤6.11、对包含时域特征向量和频域特征向量的数据的训练集进行可放回的随机取样，每次随机取出m个特征向量，共取样n次；

步骤6.12、对于每次取样得到的特征向量矩阵生成1个决策树，共生成n个决策树；

步骤6.13、基于决策树信息增益及信息增益率的计算及判定方式，算法形成n个决策树预测模型并对样本的目标预测集进行预测；

步骤6.14、通过n个决策树投票的方式确定最终预测分类结果。

本发明的有益效果为：1、本发明在实现矫正功能性的过程中，采用的是适度矫正和自主纠正并存的方式。通过***的振动提醒和服装腰带的柔性固定相结合的方式帮助使用者正确用腰并养成良好的用腰习惯。2、本发明在人体用腰姿势的识别中，采用的是人体运动状态识别和人体姿态识别相结合的方式，提升用腰姿势识别的精度，保证服装在使用过程中的矫正合理性。3、本发明人体腰椎生理曲度的测量中，采用的***采用Cobb角作为人体腰椎生理曲度监测的主要指标。该指在标医学上与人体腰椎生理曲度相关性强，并更易测量。简化了人体腰椎生理曲度合理性评估的过程。4、本发明的蓝牙数据收发模块可将测得的Cobb角数据实时上传至移动终端。通过对该数据进行数据分析，可以获取使用者的日常用腰习惯信息，并评估其疾病严重程度和复发几率。5、本发明以服装作为载体，将人体运动状态识别***、人体姿态识别***、人体腰椎生理曲度监测***以及信号收发模块均置于智能服装内部，便于使用者在日常的工作和学习中携带，满足使用者在日常活动中的审美需求。6、本发明自主设计了人体生活姿态评价模型，可以对人体姿态进行有效分类，准确性高。

附图说明

图1为本发明的人体腰椎运动监测及自主姿态矫正智能服装的正面示意图；

图2为本发明的人体腰椎运动监测及自主姿态矫正智能服装的背面示意图；

图3为本发明的人体腰椎运动监测及自主姿态矫正智能服装的腰部正面造型示意图；

图4为本发明的人体腰椎运动监测及自主姿态矫正智能服装的腰部背面造型示意图；

图5为本发明的人体腰椎运动监测及自主姿态矫正智能服装的腰部内部结构示意图；

图6为本发明的人体腰椎运动监测及自主姿态矫正智能服装的腰椎弯曲角度测量的原理示意图；

图7为本发明的人体腰椎运动监测及自主姿态矫正智能服装的功能实现流程图；

图8为本发明的人体运动状态识别方法流程图；

图9所示为本发明的人体运动状态识别层次化分类方法流程图；

图10所示为本发明的人体运动状态识别训练集中的各运动状态的数据分布图；

图11所示为本发明的人体运动状态识别测试集中的各运动状态的数据分布图；

图12所示为本发明的人体运动状态识别的测试集中某一时域内各个运动状态的特征向量angle(X,gravityMean)的数据分布图；

图13所示为本发明的人体运动状态识别的测试集中某一时域内各个运动状态的特征向量tGravityAcc-min()-X的数据分布图；

图14所示为本发明的人体运动状态识别的测试集中某一时域内各个运动状态的特征向量tBodyAcc-energy()-X的数据分布图；

图15所示为本发明的人体运动状态识别的测试集中某一时域内各个运动状态的特征向量TBodyAcc-mean()-X的数据分布图；

图16所示为本发明的人体腰椎运动监测及自主姿态矫正智能服装通过T-SNE流形学习将高维流形映射至二维空间后的对人体不同运动状态的聚类结果图；

图17所示为本发明的人体腰椎运动监测及自主姿态矫正智能服装对不同运动状态测试集的准确率测试结果图；

图18所示为本发明的人体腰椎运动监测及自主姿态矫正智能服装对人体不同姿态测试集的准确率测试结果图。

附图中各标号代表的部件列表如下：

30、服装本体；1、右肩关节深度传感器；2、左肩关节深度传感器；3、左肘关节深度传感器；4、右肘关节深度传感器；5、右腰部固定粘扣带子面；6、左腰部固定粘扣带子面；7、第一轴角加速度传感器；8、腰带本体；9、第二三轴角加速度传感器；10、第三三轴角加速度传感器；11、电源开关；12、左腰部固定粘扣带母面；13、右腰部固定粘扣带母面；14、腰带透气层；15、腰带复合材料覆盖层；16、腰带柔性缓冲层A；17、医用尼龙支撑层；18、柔性缓冲层B；19、微型加压振动单元；20、柔性信号传输线；21、柔性主控电路；22、蓝牙数据收发模块；23、蓄电池；24、第一腰椎；25、第五腰椎；26、第一腰椎处垂直对地角度α；27、第五腰椎处垂直对地角度β；28、β与α的差值；29、腰椎Cobb角度。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细说明：

图1所示为本发明服装本体30的正面示意图。服装的胳膊及手臂关节四处分别内嵌右肩关节深度传感器1、左肩关节深度传感器2、左肘关节深度传感器3、右肘关节深度传感器4。四处深度传感器均采用超声波测距原理，可跨障碍获取服装关节之间的相对间距。服装正面腰部分别设有右腰部固定粘扣带子面5和左腰部固定粘扣带子面6，用于对腰带本体8进行固定。

图2所示为本发明服装本体30的背面示意图。服装本体30的后领部内嵌第一三轴角加速度传感器7，传感器型号为mpu6050。mpu6050传感器可获取人体在X、Y、Z轴三个方向上的角速度数据和加速度数据。服装本体30的腰部设有符合人体工学的腰带本体8，用于对人体腰部姿态进行轻微矫正和对腰椎生理曲度进行实时监测。

图3所示为本发明腰带本体8的正面示意图。腰带本体8正面左右两侧分别设有左腰部固定粘扣带母面12和右腰部固定粘扣带母面13。腰带本体8中部两侧设有腰带透气层14，用以保证腰带具有良好的透气性。

图4所示为本发明腰带本体8的背面示意图。腰带本体8的中部最外层为腰带复合材料覆盖层15。该覆盖层符合人体腰部结构轮廓，可紧密贴合人体腰部皮肤。腰带本体8的中部第二层为腰带柔性缓冲层A16，与腰带本体中部最内层的腰带柔性缓冲层B18共同起到减轻腰带束缚和人体腰部压力的作用。腰带本体8的中部第三层为医用尼龙支撑层17，用于对腰部姿态进行适当矫正。

图5所示为本发明腰带本体8的内部结构示意图。腰带本体8的内部结构中轴线上下两侧分别嵌入第二三轴角加速度传感器9和第三三轴角加速度传感器10，型号均为mpu6050。上下两处三轴角加速度传感器分别用于获取第一腰椎和第五腰椎的垂直对地角加速度。腰带本体8的内部结构中轴线中部位置内嵌微型加压振动单元19。该单元可通过振动的方式用于对使用者进行不合理用腰提醒。腰带本体8的内部结构偏右处为连接微型加压振动单元19和柔性主控电路21的柔性信号传输线20。该信号传输线采用杜邦线，用于第二三轴角加速度传感器9和第三三轴角加速度传感器10以及微型加压振动单元19与柔性主控电路21之间的信号传输。柔性主控电路21包含特定结构的单片机，用于对腰带各项电子元件的控制。柔性主控电路21左侧连接电源开关11和蓝牙数据收发模块22。蓝牙数据收发模块可向移动终端发送监测数据并接受移动终端的各项指令。柔性主控电路21下方连接蓄电池23。蓄电池23可进行充放电，用于对柔性主控电路进行供电。

图6所示为本发明腰带本体8的腰椎弯曲角度测量的原理示意图。第一腰椎24和第五腰椎25有点分别贴合第二三轴角加速度传感器9和第三三轴角加速度传感器10。上下两处传感器分别可测量第一腰椎24和第五腰椎25的垂直对地角加速度，并通过角加速度对时间积分的方式分别测量第一腰椎处垂直对地角度α26和第五腰椎处垂直对地角度β27。通过第五腰椎处垂直对地角度β27与第一腰椎处垂直对地角度α26相减，算法即可得到β与α的差值28，并将该差值作为传感器测量出的腰椎Cobb角度29。

本发明功能的具体实现过程如下：

如图7所示，本发明首先利用服装本体30后领处内嵌的第一三轴角加速度传感器7获取人体在X、Y、Z三个轴向上的角速度和加速度数据，并通过一定的数据处理得到相应的角、加速度衍生数据(衍生数据的获取将在本发明技术方案的进一步描述中作出具体介绍)。利用随机森林算法对这些数据进行数据训练最终得到相应的人体运动状态预测模型。基于该模型，***可识别人体的实时运动状态。然后，本发明利用服装本体8位于四处关节处的深度传感器1、2、3、4可获取四处传感器的相对距离。***采用坐标法和距离法并利用卷积神经网络算法对相对距离数据进行数据训练构建相应的人体姿态预测模型。基于该模型，***可识别人体的实时姿态，最终得到使用者在特定运动状态下的特定姿态。在获取人体的运动状体及姿态信息后，***通过云端数据库建立的人体生活姿态评价体系获取在目前运动状态和姿态下Cobb角度的合理值域。(不同性别、年龄阶段的人群在不同的运动状态及姿态下，其腰椎前凸角(Cobb角)在医学上均有一个常规合理标准，本发明的人体生活姿态评价***建立在此医学标准之上。具体医学标准见表1(该表只列举了部分姿态下的腰椎前凸角合理值域)。)

表1不同情况下测量的平均腰椎前凸角(Cobb角)

^*弯曲臀部和膝盖。

¹受试者在进行垂直磁共振成像(MRI)时，被要求略微倾斜地倚靠在检查台上，并将手臂放在横杆上以确保不活动。

同时，本发明利用腰带本体8内部中轴上下两侧的第二三轴角加速度传感器9和第三三轴角加速度传感器10测量人体此时的Cobb角度并判断该角度是否在合理阈值内。当测量所得的Cobb角度在合理范围内时，腰带本体8内部中轴线处的微型加压振动单元19不发生振动；当测量所得的Cobb角度超出合理范围并且超出时间过长时，该微型加压振动单元19则发生振动并提醒使用者自主调整用腰姿势。此外，本发明的腰带本体8本身包含柔性矫正功能，可通过医用尼龙支撑层17对腰部姿态进行适当矫正。同时，腰带本体8的内部结构中的蓝牙数据收发模块和向移动终端实时发送使用者Cobb角数据，实现对人体腰椎生理曲度的实时监测

下面是对本发明的技术方案作进一步的描述。

如图8所示，本发明在角加速度衍生数据的获取和人体运动状态的识别包括以下步骤：

首先，服装后领部内嵌的三轴加速度传感器获取加速度计和陀螺仪3轴原始信号tac-XYZ和tGyro-XYZ。这些时域反射信号(前缀“t”表示时间)以50hz的恒定频率被捕获。

然后，***使用中值滤波器和角频率为20hz的三阶低通巴特沃思滤波器进行滤波，用以去除噪声。同时，***使用另一个角频率为0.3Hz的低通巴特沃斯滤波器，加速度信号被分割成身体和重力加速度信号(BodyAcc-XYZ和tGravityAcc-XYZ)。

随后，***及时推导出身体的线加速度和角速度，获得反射信号，即加速度计返回的身体加速度时域反射信号(tBodyAccJerk-XYZ)和陀螺仪返回的身体角速度时域返回信号(tBodyGyroJerk-XYZ)。使用欧几里得范数计算这些三维信号的幅度。该幅度表示为身体加速度时域幅度信号(tBodyAccMag),重力加速度时域幅度信号(tGravityAccMag),身体加速度时域幅度反射信号(tBodyAccJerkMag),身体角速度时域幅度信号(tBodyGyroMag)以及身体角速度时域幅度反射信号(tBodyGyroJerkMag)。

最后，***对产生的身体加速度频域信号、身体加速度频域反射信号、身体角速度频域信号、身体加速度频域幅度反射信号、身体角速度频域幅度信号、身体角速度频域幅度反射信号(即fBodyAcc-XYZ,fBodyAccJerk-XYZ,fbodygyro-XYZ,fBodyAccJerkMag,fBodyGyroMag,fBodyGyroJerkMag)进行快速傅里叶变换(FFT)。(“f”表示频域信号)。这些信号能够被用来估计每个模式下的特征向量的变量。这些信号包括身体加速度时域信号tBodyAcc-XYZ、重力加速度时域信号tGravityAcc-XYZ、身体加速度时域反射信号tBodyAccJerk-XYZ、身体角速度时域信号tBodyGyro-XYZ、身体角速度时域反射信号tBodyGyroJerk-XYZ、身体加速度时域幅度信号tBodyAccMag、重力加速度时域幅度信号tGravityAccMag、身体加速度时域幅度反射信号tBodyAccJerkMag、身体角速度时域幅度信号tBodyGyroMag、身体角速度时域幅度反射信号tBodyGyroJerkMag、身体加速度频域信号fBodyAcc-XYZ、身体加速度频域反射信号fBodyAccJerk-XYZ、身体角速度频域信号fBodyGyro-XYZ、身体加速度频域幅度信号fBodyAccMag、身体加速度频域幅度反射信号fBodyAccJerkMag、身体角速度频域幅度信号fBodyGyroMag、身体角速度频域幅度反射信号fBodyGyroJerkMag。其中，“-XYZ”用于表示X、Y和Z方向的3轴信号。

***通过这些信号得出的变量集包含了熵、旋转角、仰角、平均值、绝对偏差、四分位数、峰度、中位数、标准差和方差等时域特征以及能量、熵和DC均值等频域特征。最终，***共得到了包含时域和频域变量的561个特征向量，并记录了不同时域和频域下的人体所处的运动状态信息。

最终，***采用层次化分类方法对人体6种基本运动状态进行分类。在每一层次中，将包含时域和频域变量的561个特征向量数据作为训练集，并输入到随机森林分类算法中进行数据训练，得到人体运动状态识别模型。

如图9所示，本发明在人体运动状态中的层次化分类过程包含以下步骤：

***将人体运动状态初步分为6种基本姿态，其中包括3种静态姿势(站姿、坐姿、卧姿)和3种动态姿势(走路、上楼、下楼)，并将识别过程划分为5个层次。

第1个层次用于对静态姿势和动态姿势进行分类。首先，将运动状态为站姿、坐姿和卧姿的样本对应的目标预测集统一规定为静态姿态并数据化为同一值；将运动状态为走路、上楼和下楼的样本对应于的目标预测集在统一规定为动态姿态并数据化为另一同一值。然后利用随机森林算法进行数据训练。其数据训练过程为，首先对561个特征向量进行可放回的随机取样，每次随机取出m个特征向量，共取样n次。然后对于每次取样得到的特征向量矩阵生成1个决策树，共生成n个。基于决策树信息增益及信息增益率的计算及判定方式，算法形成n个决策树预测模型并对样本的目标预测集进行预测。最后通过n个决策树投票的方式确定最终样本的目标预测集的值。预测分类完成后进入第2个层次。

第2个层次用于对动态姿势中的走路和上下楼进行分类。首先，筛选出原始数据集中目标预测集为动态姿态的样本。然后将动态姿势为走路的样本对应的目标预测集统一规定为走路姿态并数据化(其数据化后本身就为同一值)；将动态姿势中为上楼和下楼的样本对应的目标预测集统一规定为上下楼姿势并数据化为同一值。最后利用随机森林算法进行数据训练，其训练过程同上。预测分类完成后进入第3个层次。

第3个层次用于对上下楼中的上楼和下楼进行分类。首先，筛选出原始数据集中目标预测集为上下楼的样本。然后，由于这一层次由于上楼和下楼分别数据化后均为同一值，因此可直接进行随机森林算法数据训练，其训练过程同上。预测分类完成后进入第4个层次。

第4个层次用于对静态姿势中的站姿和坐卧进行分类。首先，筛选除原始数据集中目标预测集为静态姿态的样本。然后将静态姿势为站姿的样本对应的目标预测集统一规定为站姿并数据化(其数据化后本身就为同一值)；将静态姿势中为站姿和坐卧的样本对应的目标预测集统一规定为坐卧姿势并数据化为同一值。然后利用随机森林算法进行数据训练，其训练过程同上。预测分类完成后进入第5个层次。

第5个层次用于对坐卧中的坐姿和卧姿进行分类。首先，筛选出原始数据集中目标预测集为坐卧的样本。然后，由于这一层次由于坐姿和卧姿分别数据化后均为同一值，因此可直接进行随机森林算法数据训练，其训练过程同上。预测分类完成结束数据训练过程并得到人体运动姿态识别模型。对于新采集样本，其运动状态类型的识别均需要通过层次化分类流程来实现。

如图10、11所示，本发明在人体运动状态识别模型的构建中共测量了10299条数据，其中测试集7352条，测试集2947条。

如图12、13、14、15所示，本发明在人体运动状态识别模型的构建中，对某一时域内各个运动状态下的特征向量angle(X,gravityMean)、tGravityAcc-min()-X、tBodyAcc-energy()-X、TBodyAcc-mean()-X的数据分布进行了展示。可以发现在所选的这一时域中，各个运动状态下的特征向量具有较为明显的差异性。

如图16所示，本发明在人体运动状态识别模型的构建中，通过T-SNE流形学习将高维流形映射至二维空间后的对人体不同运动状态的聚类结果。从图中可知，除坐姿(运动状态3)和站姿(运动状态4)的聚类结果不太理想外，其他运动状态均被明显区分。

如图17所示，本发明在人体运动状态的识别中，利用样本测试集对数据训练获得模型的准确率进行测试。图中横坐标表示算法预测结果，纵坐标表示实际运动状态。对角线重合区域表示不同运动状态的正确样本数。经计算，步行状态(0)预测正确率为97.5％，上楼状态(1)预测正确率为92.5％，下楼状态(2)预测正确率为85.1％，坐姿状态(3)预测正确率为89.6％，站姿状态(4)预测正确率为97.1％，躺姿状态(5)预测正确率为100％。总体预测正确率高达93.7％。

如图18所示，本发明在人体姿态的识别中，对人体上肢5种姿态进行预测的准确率测试结果。其中姿态A、C、D、E均能得到有效识别，姿态B的识别准确率也高达90％。

综上所述，本发明的人体腰椎运动监测及自主姿态矫正智能服装，具有主要特点如下：

第一，本发明在实现矫正功能性的过程中，采用的是适度矫正和自主纠正并存的方式。通过***的振动提醒和服装腰带的柔性固定相结合的方式帮助使用者正确用腰并养成良好的用腰习惯。

第二，本发明在人体用腰姿势的识别中，采用的是人体运动状态识别和人体姿态识别相结合的方式，提升用腰姿势识别的精度，保证服装在使用过程中的矫正合理性。

第三，本发明人体腰椎生理曲度的测量中，采用的***采用Cobb角作为人体腰椎生理曲度监测的主要指标。该指在标医学上与人体腰椎生理曲度相关性强，并更易测量。简化了人体腰椎生理曲度合理性评估的过程。

第四，本发明的蓝牙数据收发模块可将测得的Cobb角数据实时上传至移动终端。通过对该数据进行数据分析，可以获取使用者的日常用腰习惯信息，并评估其疾病严重程度和复发几率。

第五，本发明以服装作为载体，将人体运动状态识别***、人体姿态识别***、人体腰椎生理曲度监测***以及信号收发模块均置于智能服装内部，便于使用者在日常的工作和学习中携带，满足使用者在日常活动中的审美需求。

本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

任何基于本发明的技术启示而进行的等效变换，也在本发明的保护范围之内。

Claims (8)

1.可对人体腰椎运动进行监测及自主姿态矫正的智能服装，其特征在于，包括服装本体、识别监测模块和振动提醒模块，所述识别监测模块和振动提醒模块均设置在服装本体上，所述识别监测模块用于采集人体的运动状态和身体姿态信息，建立人体生活姿态评价模型，通过人体生活姿态评价模型获得在目前运动状态和姿态下Cobb角度的合理值域，还用于利用姿势评价***计算使用者实时的腰部弯曲Cobb角度，并判断Cobb角度是否在合理值域内，若否则启动振动提醒模块，振动提醒模块用于通过振动提醒使用者注意用腰姿势。

2.根据权利要求1所述的可对人体腰椎运动进行监测及自主姿态矫正的智能服装，其特征在于，识别监测模块包括深度传感器和三轴角加速度传感器，所述深度传感器包括嵌入在服装的胳膊及手臂关节处的右肩关节深度传感器、左肩关节深度传感器、左肘关节深度传感器、右肘关节深度传感器，四处深度传感器均采用超声波测距原理，跨障碍获取服装关节之间的相对间距，所述三轴角加速度传感器包括设置在服装本体的后领部第一三轴角加速度传感器、嵌入在服装本体的第一腰椎处的第二三轴角加速度传感器和嵌入在服装本体的第五腰椎处的第三三轴角加速度传感器，所述第一三轴角加速度传感器用于对人体运动状态进行识别，所述第二三轴角加速度传感器和第三三轴角加速度传感器分别用于获取第一腰椎和第五腰椎的垂直对地角加速度，进而对人体腰椎生理曲度进行实时监测。

3.根据权利要求2所述的可对人体腰椎运动进行监测及自主姿态矫正的智能服装，其特征在于，计算使用者实时的腰部弯曲Cobb角度的方式为，通过角加速度对时间积分的方式分别测量第一腰椎处垂直对地角度α和第五腰椎处垂直对地角度β；通过第五腰椎处垂直对地角度β与第一腰椎处垂直对地角度α相减即可得到β与α的差值，该差值即为传感器测量出的腰椎Cobb角度。

4.根据权利要求2所述的可对人体腰椎运动进行监测及自主姿态矫正的智能服装，其特征在于，腰带可拆卸设置在服装本体上，腰带包括腰带本体和复合层，所述复合层设置在腰带中部，所述复合层包括从外到内顺次设置的复合材料覆盖层、第一柔性缓冲层、医用尼龙支撑层和第二柔性缓冲层。

5.根据权利要求2所述的可对人体腰椎运动进行监测及自主姿态矫正的智能服装，其特征在于，建立人体生活姿态评价体系的方法包括以下步骤:

步骤1、第一三轴加速度传感器获取加速度计和陀螺仪的3轴原始信号tac-XYZ和tGyro-XYZ；

步骤2、中值滤波器和角频率为20hz的三阶低通巴特沃思滤波器对tac-XYZ和tGyro-XYZ进行滤波，另一个角频率为0.3Hz的低通巴特沃斯滤波器将加速度信号tac-XYZ分割成身体加速度信号BodyAcc-XYZ和重力加速度信号tGravityAcc-XYZ；

步骤3、推导出身体的线加速度和角速度，获得反射信号，即加速度计返回的身体加速度时域反射信号tBodyAccJerk-XYZ和陀螺仪返回的身体角速度时域返回信号tBodyGyroJerk-XYZ，使用欧几里得范数计算这些三维信号的幅度，分别为身体加速度时域幅度信号tBodyAccMag,重力加速度时域幅度信号tGravityAccMag,身体加速度时域幅度反射信号tBodyAccJerkMag,身体角速度时域幅度信号tBodyGyroMag以及身体角速度时域幅度反射信号tBodyGyroJerkMag；

步骤4、对产生的身体加速度频域信号、身体加速度频域反射信号、身体角速度频域信号、身体加速度频域幅度反射信号、身体角速度频域幅度信号、身体角速度频域幅度反射信号进行快速傅里叶变换，得到身体加速度时域信号tBodyAcc-XYZ、重力加速度时域信号tGravityAcc-XYZ、身体加速度时域反射信号tBodyAccJerk-XYZ、身体角速度时域信号tBodyGyro-XYZ、身体角速度时域反射信号tBodyGyroJerk-XYZ、身体加速度时域幅度信号tBodyAccMag、重力加速度时域幅度信号tGravityAccMag、身体加速度时域幅度反射信号tBodyAccJerkMag、身体角速度时域幅度信号tBodyGyroMag、身体角速度时域幅度反射信号tBodyGyroJerkMag、身体加速度频域信号fBodyAcc-XYZ、身体加速度频域反射信号fBodyAccJerk-XYZ、身体角速度频域信号fBodyGyro-XYZ、身体加速度频域幅度信号fBodyAccMag、身体加速度频域幅度反射信号fBodyAccJerkMag、身体角速度频域幅度信号fBodyGyroMag和身体角速度频域幅度反射信号fBodyGyroJerkMa，其中，“-XYZ”用于表示X、Y和Z方向的3轴信号；

步骤5、通过步骤1-3的信号得到时域特征向量和频域特征向量，并记录了不同时域和频域下的人体所处的运动状态信息；

步骤6、***采用层次化分类方法对人体站姿、坐姿、卧姿、走路、上楼和下楼6种基本运动状态进行分类，在每一层次中，将包含时域特征向量和频域特征向量的数据作为训练集，并输入到随机森林分类模型中进行训练，得到人体生活姿态评价模型。

6.根据权利要求2所述的可对人体腰椎运动进行监测及自主姿态矫正的智能服装，其特征在于，所述层次化分类方法具体包括以下步骤：

步骤6.1、第1个层次对静态姿势和动态姿势进行分类，首先，将运动状态为站姿、坐姿和卧姿的样本对应的目标预测集统一规定为静态姿态并数据化为同一值；将运动状态为走路、上楼和下楼的样本对应于的目标预测集在统一规定为动态姿态并数据化为另一同一值，然后将数据化后的目标预测集利用随机森林算法进行数据预测，得到预测分类结果，预测分类完成后进入第2个层次；

步骤6.2、第2个层次对动态姿势中的走路和上下楼进行分类，首先，筛选出原始数据集中目标预测集为动态姿态的样本，然后将动态姿势为走路的样本对应的目标预测集统一规定为走路姿态并数据化；将动态姿势中为上楼和下楼的样本对应的目标预测集统一规定为上下楼姿势并数据化为同一值，最后利用随机森林算法进行数据训练，训练过程与步骤6.1中的相同，预测分类完成后进入第3个层次；

步骤6.3、第3个层次对上下楼姿势中的上楼和下楼进行分类，首先，筛选出原始数据集中目标预测集为上楼或下楼的样本，然后将上楼或下楼的样本输入随机森林算法进行预测分类，预测分类完成后进入第4个层次；

步骤6.4、第4个层次对静态姿势中的站姿和坐卧进行分类，首先，筛选除原始数据集中目标预测集为静态姿态的样本，然后将静态姿势为站姿的样本对应的目标预测集统一规定为站姿并数据化为同一值；将静态姿势中为站姿和坐卧的样本对应的目标预测集统一规定为坐卧姿势并数据化为另一同一值；然后将数据化后的目标预测集利用随机森林算法进行数据预测，得到预测分类结果，预测分类完成后进入第5个层次；

步骤6.5、第5个层次对坐卧中的坐姿和卧姿进行分类，首先，筛选出原始数据集中目标预测集为坐姿或卧姿的样本，然后，将坐姿和卧姿的样本输入随机森林算法进行预测分类，得到最终预测分类结果，预测分类完成结束数据训练过程并得到人体生活姿态评价模型。

7.根据权利要求2所述的可对人体腰椎运动进行监测及自主姿态矫正的智能服装，其特征在于，通过人体生活姿态评价模型获得在目前运动状态和姿态下Cobb角度的合理值域的方式为，获得目前运动状态和姿态后，根据现有的医学标准获得目前运动状态和姿态下的Cobb角度的合理值域。

8.根据权利要求2所述的可对人体腰椎运动进行监测及自主姿态矫正的智能服装，其特征在于，所述利用随机森林算法进行数据预测的方法包括以下步骤：

步骤6.11、对包含时域特征向量和频域特征向量的数据的训练集进行可放回的随机取样，每次随机取出m个特征向量，共取样n次；

步骤6.12、对于每次取样得到的特征向量矩阵生成1个决策树，共生成n个决策树；

步骤6.13、基于决策树信息增益及信息增益率的计算及判定方式，算法形成n个决策树预测模型并对样本的目标预测集进行预测；

步骤6.14、通过n个决策树投票的方式确定最终预测分类结果。

Images