最近加拿大溫哥華市西蒙弗雷澤大學機電系統工程與工程科學學院Menrva研究小組，發明了一種傳感器裝置可以實時監控下半身運動狀態。
介紹
跑步是一項比較容易受傷運動，先前已經對跑步者進行了不同運動學參數之間關係的研究。跑步期間髖關節在額平面內的運動範圍與骨盆，髖部和膝部有受傷的風險。初始地面接觸時的腳和小腿角度，以及站立階段的膝蓋和髖部運動範圍與跑步表現有關。初次接觸時踝關節角度也與跑步相關傷害的一些動力學危險因素有關。因此，對下肢進行連續的多軸運動學監測是預防行駛傷害和改善性能的重要考慮因素。在診所進行的複雜步態分析可提供最準確的結果，但該解決方案不適用於在日常訓練期間對跑步者進行長期監視。大部分休閒跑步者也無法進入步態實驗室。解決此問題的另一種方法是開發可測量運動學的可穿戴傳感器。
慣性測量單元（IMU）是最常見的可穿戴傳感器系統。IMU已被用於測量運動學和下半身的動力學，包括二維和三維關節角度，改變了運動學，地面反作用力，以及下主體聯合力量。
基於IMU的可穿戴傳感器在測量多軸關節角度時有侷限性。磁力計易受鐵磁干擾。生理骨骼座標系也不同於連接到每個節段的IMU座標系，這會導致測量誤差。因，由IMUs和運動捕捉系統測得的角度之間的相關性對於髖額葉平面較差。考慮到IMU用於關節角度測量的準確性，應該強調的是，先前的大量工作已將運動捕獲標記器附加到用於測量參考關節角度的IMU單元上，但是，將標記器附加到解剖骨標記上，這是步態分析中常用的方法會增加誤差。
軟應變傳感器是已被用於下身監測，軀幹角度測量，步態相位檢測，和姿勢分類。與剛性IMU相比，基於織物的應變傳感器的主要優點是使用過程中的靈活性和舒適性。應變傳感器已顯示測量髖，膝，和在矢狀平面中踝關節的角度為6根均方誤差（RMSE）°，2°至15°，和3 °至10°。估計在步態期間最大膝蓋屈曲角度的RMSE小於2°。
Totaro團隊將應變傳感器的使用範圍從矢狀面擴展到僅用於踝關節的額葉和橫平面，但是，並未研究行走和跑步過程中用於非矢狀面角度測量的傳感器性能。也有介紹了使用汙點傳感器監測矢狀面的運動。而步行和簡單關節屈曲的任務運行時顯示誤差小於15°。應變傳感器的性能的用於運行的比較與行走和關節彎曲練習亮點該技術在運行的應用程序的挑戰。
軟應變傳感器的主要問題是為每個人校準傳感器。方法，如直線擬合，傅里葉級數，機器學習（隨機森林和神經網絡），和深學習算法（LSTM）之前已經報道尋址校準問題。
在先前的研究中，我們表明，與線性迴歸器相比，機器學習模型可將膝蓋角度測量的誤差降低約3°。摻入深度學習模型也被證明可以降低與線性模型。
儘管將傳感器校準為特定的人可以獲得較高的精度，但是它需要使用黃金標準的運動捕捉系統。一種替代方法是引入一個模型，該模型可以在多個人身上校準，並且可以被其他人使用。在以前的工作中，隨機森林迴歸者在參加者間的測試中獲得了7°的RMSE用於膝關節角度測量。在參與者之間的場景中，上身姿勢也被分類為65％的準確性。參與者間測試中，傳感器在身體上的位置變化以及身體形狀的差異是一些挑戰。
考慮使用可佩戴傳感器（IMU的或柔性的應變傳感器），用於運行運動監測，可靠性和IMU的機會的需要已被研究用於室內和現場應用。與軟應變傳感器相關的先前工作主要集中在傳感器的發展及其在跟蹤簡單活動（如關節彎曲和跑步過程中步態的二維運動學）方面的應用。在本文中，這項工作解決了基於纖維的應變傳感器在運行過程中進行三維運動學監測的驗證。通過優化傳感器放置和先進的信號處理解決了測量精度的提高。
材料和方法
- 應變傳感器
納入原型的光纖傳感器的生產方法，用碳黑熱塑性彈性體複合材料浸塗復絲氨綸絲（聚醚，尿烷和尿素），使用Hytrel 3078（H3078，DuPont Kingston，ON）在二氯甲烷（5 wt％H3078）和炭黑（相對於H3078的50 wt％）中組成的溶液通過連續卷對卷法塗覆氨綸絲以3.81釐米/秒的速度纏繞到距溶液出口1.83米的線軸上（以便在收集之前充分乾燥以減少纖維粘在一起）。在60°C真空下30分鐘除去所有殘留的溶劑。在使用之前，通過以正弦波形將每秒10％的應變拉至40％100x，對所有傳感器進行調節。為了防止傳感器在接觸導電液體（例如汗液）時發生短路，一旦與連接線建立連接，就可以通過浸塗在5 wt％的聚（苯乙烯-b-乙烯-共聚丁二烯-b-苯乙烯）環己烷溶液中來施加額外的絕緣護套。先前的研究報告了傳感器範圍，規格因子，磁滯，長期正弦測試，應變率和長期隨機測試的分析。傳感器在低於30％應變時沒有磁滯，在4小時內信號一致，並且規格係數為5。傳感器在10％，20％和30％應變時的應變響應是線性且一致的。壓阻感測被限制為90％應變，而工作範圍被限制為30％以確保信號線性並限制塑性變形。這項研究（附錄A）中包括了在不同頻率下應變的傳感器的性能。傳感器能夠跟蹤高達10 Hz（每秒200％；對於50 mm樣品，速度為100 mm / s）。
- 優化傳感器放置
優化傳感器位置是確定導致最高精度的傳感器位置最少數量的重要步驟。僅針對髖關節進行了優化研究，因為它需要監視三個可能影響傳感器性能的可能位置和方向的三個自由度。膝蓋和腳踝的自由度和潛在姿勢有限。因此，根據運動的主軸經驗將傳感器放置在腳踝和膝蓋上，並通過反覆試驗對其進行完善。
完成髖關節角度傳感器的放置，其目的是找到導致關節角度估計最高精度的位置組合。定位被視為特徵選擇問題，根據先前工作中介紹的方法將位置視為特徵。使用光學相機和反射標記儀測量所有可能位置的應變。目標函數是線性迴歸器的精度（R 2誤差），該精度在離開一人交叉驗證中估計了矢狀，額狀和橫狀面的關節角度。有兩種方法用於解決特徵選擇問題：前向順序（FS）方法和遺傳算法（GA）。
特徵選擇方法主要有兩類：過濾器和包裝器。過濾方法使用統計測試來找到最佳特徵子集，而無需訓練機器學習模型。包裝器方法通過訓練機器學習模型並計算相應的準確性來評估特徵子集的有用性、
與過濾器方法相比，包裝器方法可以找到更好的特徵子集，因為它考慮了預測問題的任何特徵子集的準確性。因此，在本研究中採用了包裝方法。用於包裝方法的兩種主要搜索策略是順序算法和隨機算法。在這項研究中，實現了順序算法的前向順序算法和隨機算法的遺傳算法。線性迴歸模型被用作機器學習算法，該算法先前已經在使用應變數據進行關節角度估計中獲得了令人滿意的精度，同時與更復雜的機器學習算法相比，對計算的要求更低。
1.傳感器放置數據
為了找到監測髖關節角度的最佳位置和傳感器數量，使用六個運動捕捉相機記錄了跑步過程中服裝上的應變。將總共50個運動捕捉標記（直徑6 mm）以網格模式放置在相距4 cm的緊身衣上（如下圖1）。五名參與者（均為男性，年齡25±2歲，體重75±7 kg，身高180±2 cm）參加了數據收集。實驗方案已由西蒙弗雷澤大學研究倫理辦公室批准。在收集任何數據之前，必須先獲得所有參與者的書面知情同意。數據記錄以以下三種速度完成：8 km / h，10 km / h和12 km / h，每分鐘2分鐘，運行測試是在裝有皮帶的跑步機上進行的。
圖1. （a）服裝上的標記網格，用於優化傳感器在骨盆上的位置。穿著緊身衣之前，標記的初始垂直和水平距離為4 cm，並且（b）考慮所有可能的傳感器方向，包括水平，垂直和兩個對角線。
使用三維標記位置計算垂直，水平和兩個對角線方向上相鄰標記的距離（圖 1b）。使用以下公式計算服裝上的應變：
其中L是標記的距離，L0是中性站立姿勢（L0大於或等於4 cm）時標記的初始距離。當衣服穿上時，織物具有自然的伸展性，因此能夠增加或減少長度。如果服裝的伸展度降低，從而形成皺紋，並有效地導致產生的數據不是“真實的”，則會創建一個限制，以便將這些數據排除在外。因此，在運動學跟蹤期間，將L的值限制為大於或等於4cm的值，該值被確定為比將形成褶皺時的長度更大的長度。施加了這樣的條件，即每個傳感器在預期的行駛運動中將應變至少10％（相對於其起始位置），以使獲得的信號和精度最大化。這排除了在運行過程中不會拉緊的任何傳感器位置。在測試過程中，使用十二個反光標記來定義骨盆和大腿部分，以測量髖關節角度。下一部分將討論標記集和片段。
2.順序轉發法
在這種方法中，我們從一個空的位置（特徵）子集開始，然後將下一個位置添加到已經選擇的位置，這導致了目標函數的最大值。該方法在Python中實現。在代碼中，Y是包含所有功能的功能集， Xķ 是算法之後選擇的特徵子集 ķ 迭代幷包含 ķ 特徵， J是我們旨在最大化的目標功能，並且 X+ 是一項新功能，已選擇要添加到當前功能子集中（Xķ）。
遺傳算法方法
遺傳算法已被廣泛用作機器學習問題的特徵選擇。為此研究在Python中實現了定製的遺傳算法模型。
遺傳算法的實現有兩種不同的方法：十進制和二進制。在二進制GA中，每個候選項將以帶有零和一的二進制格式表示。搜索域中的每個候選對象將被稱為一條染色體，而染色體中的每個零或一個將被稱為一個基因。遺傳算法具有三個主要步驟:
首先，產生了候選人。
其次，從種群中選擇一個交配池。
第三，每當從人口池中選擇兩名候選人時，“交叉”和“變異”操作即完成。在“交叉”操作中，選擇的兩個染色體彼此交換一些基因，而在“突變”中，一個染色體的基因從零變為一，或從一變為零。交叉和變異都有不同的實現方法，並通過算法中定義的概率來完成。此過程將繼續進行，並且在每次迭代時，將產生與初始種群相同大小的新一代。可以預期，在這種過程中會進化出世代，並且基於GA的生物學概念可以生產出更好的個體。
在這項研究中，隨機選擇了30個人作為潛在傳感器位置的初始種群。種群中的個體是二元染色體，長度為40，等於所有可能的傳感器位置的數量。在二元染色體中，值為1的基因表示存在相同索引的傳感器位置，而值為零的基因表示不存在相應位置的傳感器。然後使用輪盤賭選擇方法選擇一個包含15個個體的交配池。從交配池中隨機選擇一對，並通過Pc = 0.8的概率進行單點交叉。在交換部分具有相同數量的零和一的條件下，隨機選擇交叉點。所以，孩子的零和一的數目與其父母相同，並且保證算法能夠找到具有所需特徵數的最佳特徵子集。產生的後代被Pm = 0.5的概率突變。調整交叉和突變概率以達到最佳準確性。使用互換突變方法，選擇一個隨機基因1和一個隨機基因0，並交換它們的值。為了保證最好的人能夠在下一代中得到延續，人們應用了精英主義。一代中最好的兩個人被轉移到了下一代。調整交叉和突變概率以達到最佳準確性。使用互換突變方法，選擇一個隨機基因1和一個隨機基因0，並交換它們的值。為了保證最好的人能夠在下一代中得到延續，人們應用了精英主義。一代中最好的兩個人被轉移到了下一代。調整交叉和突變概率以達到最佳準確性。使用互換突變方法，選擇一個隨機基因1和一個隨機基因0，並交換它們的值。為了保證最好的人能夠在下一代中得到延續，人們應用了精英主義。一代中最好的兩個人被轉移到了下一代。
3.傳感器放置結果
使用順序正向和遺傳算法方法找到了不同大小的最佳特徵子集。使用具有不同大小的最佳特徵子集的參與者間估計角度的平均R 2 如圖2所示。與順序正向方法相比，遺傳算法可以找到更好的特徵子集。由GA找到的特徵子集的精度在位置子集大小為4之後並沒有顯著提高，因此這使我們能夠使用最少數量的傳感器來減少功耗並減少設備生產時間。所選位置在圖1中用綠線表示。
圖2. 使用不同尺寸的最佳位置子集估算3D髖關節角度的參與者間準確性。
- 原型
應變傳感器的兩端通過導電材料連接到電線，然後通過在傳感器上縫合將傳感器固定在衣服上。骨盆區域的傳感器放置在由遺傳算法確定的指定位置。根據經驗放置膝蓋和腳踝上的傳感器，如圖3所示所有傳感器都安裝在緊腿褲的左腿上，骨盆上的四個傳感器，膝蓋上的兩個傳感器（在前側）和腳踝上的三個傳感器（在前側兩個在後背）側）。為了簡化概念驗證設備的數據分析，我們選擇只研究一條腿。使用對稱系統（在兩條腿上）監視兩條腿是可行的，該對稱系統將用於商業產品，並且可以研究腿對步態和跑步效率的依賴性。
圖3. 安裝在左腿上的基於織物的應變傳感器和運動跟蹤器標記。
- 實驗裝置
原型上安裝的所有傳感器都連接到數據採集系統（DAQ），以讀取傳感器電阻的變化。傳感器的電阻通過分壓電路讀取。電路中使用的電阻為40kΩ。
六個運動捕捉攝像機（Vicon）被用來捕捉23個反射標記的3D運動數據，這些反射標記安裝在參與者的下半身，參與者在裝有皮帶的跑步機上運行。使用同步信號將運動捕獲數據與傳感器信號同步。運動捕捉數據是使用Vicon Nexus軟件記錄的。來自應變傳感器和運動捕獲系統的數據以100 Hz的採樣率記錄。
- 參與者和數據收集協議
該研究招募了十名健康的男性參與者（年齡27±4歲，身高177±7 cm，體重72±7 kg）。實驗方案已由西蒙弗雷澤大學研究倫理辦公室批准。在收集任何數據之前，必須先獲得所有參與者的書面知情同意。
數據收集協議總共運行15分鐘，包括以下五種速度下的15次一分鐘試驗：8、9、10、11和12 km / h。參與者從最慢的速度開始，然後發展到最快的速度。重複三遍。速度不是隨機的，因為參與者從最慢的速度開始並依次增加到最快的速度更加方便。
- 測量參考下半身運動學
在下半身安裝了二十三個反射運動捕捉標記，以監視下半身的運動學。骨盆節段是在CODA節段之後通過四個靜態標記定義的，分別是左右and前上棘和左右and後上脊（R / L PSIS）。四個標記還用作骨盆的追蹤標記，包括R / L PSIS和and上的兩個其他標記。使用大轉子和髖關節中心的近端標記（由骨盆段定義）和膝蓋的兩個遠端標記（股骨的外側和內側上con）定義大腿段。將固定在板上的四個反射標記物安裝到大腿部分作為跟蹤標記物。使用兩個近端標記物（股骨的外側和內側上con）和兩個遠端標記物（腳踝的內側和內側）定義小腿節段。將其上帶有四個標記的板安裝在小腿段上，作為跟蹤標記。腳段由兩個近端標記（外側和內側踝踝）和兩個遠端標記（1個頭第 5 個 meta骨）。捕獲靜態試驗後，將所有靜態標記刪除，僅將跟蹤標記用於運行測試。
標記軌跡數據由Vicon Nexus軟件記錄。將運動捕捉數據導入到Visual 3D軟件（C-Motion，Inc.，Germantown，美國）中，並創建了肌肉骨骼的下半身模型。根據Visual 3D的建議，使用虛擬分段方法來校準實際的關節角度。遵循先前的建議，使用截止頻率為6 Hz的四階Butterworth濾波器對關節角進行濾波。
- 數據預處理
試驗開始時在靜態站立姿勢期間的應變傳感器信號用於計算
其中V是測試期間應變傳感器的電壓，V0是靜態站立姿勢下測試之前應變傳感器的初始電壓。在下文中，使用ΔV/ V0估算實際角度。然後，通過減去平均值併除以標準偏差，對從應變傳感器獲得的數據進行歸一化。訓練和測試數據集分別進行了標準化，以保持測試數據不可見。然後使用Savitzky-Golay濾波器[35]平滑數據，窗口長度為31幀，階數為5。根據經驗選擇濾波器的參數，以消除噪聲並保持信號的主要模式。
- 卷積神經網絡架構
使用TensorFlow在Keras後端實現了四層卷積神經網絡（CNN）。二維CNN模型的架構如圖4所示。CNN模型的輸入是從在600毫秒（100赫茲的60個數據點）時間窗中提取的原始信號在原型的所有9個傳感器上移動。原始信號的一階和二階導數。
圖4. 用於參與者間測試的CNN模型的體系結構。相似的CNN模型用於參與者內部測試，具有六個輸出。
該模型的輸入形狀為60×27,參與者測試的CNN模型的輸出為以下六個關節角度：髖關節矢狀面，髖額葉面，髖部橫切面，膝矢狀面，踝矢狀面，和腳踝額面角度。參與者間測試的模型輸出為矢狀平面中的以下3個角度：臀部，膝蓋和腳踝。
線性函數ReLU激活了所有卷積和密集層以及Xavier統一函數初始化的層。內核形狀為（3,1），這意味著內核在層的時間維度上移動。批次大小為128，並且由於模型開始過度擬合訓練數據而在10個時間段後停止訓練。與參與者的子樣本相比，對所有訓練數據進行模型訓練以進行參與者間測試會導致更大的泛化誤差。因此，有60％的訓練數據被隨機抽樣替換（可以選擇一個數據點多次），並用於訓練CNN模型。替換二次採樣是袋裝模型中使用的一種技術。
在參加者內部模型中，損失函數為預測的6個輸出的MSE，其計算公式如下：
其中yˆi，j是預測角度，yi，j是實際角度，N是樣本數，6是輸出數。在參加者之間的模型中，由於腳踝和臀部的估計誤差大於膝蓋，因此損失函數由腳踝和臀部的權重參數定義如下：
其中A，B和C是定義以調整參數的權重，以提高最差的估計關節角度的精度。根據經驗，A，B和C分別選擇為2、1，5。
- 評估方法和指標
訓練了CNN模型，以估計參與者之間和參與者內部場景下Visual 3D計算的下半身運動學。在參與者內部場景中，使用每個特定個體的數據來訓練和測試CNN模型，而在參與者之間場景中，基於多個參與者的數據來訓練CNN模型，並針對單獨的參與者進行測試。參與者間場景的優點是消除了對新手的校準。
從每個參與者中收集了15分鐘的100 Hz運行數據。因此，來自10個參與者的9個傳感器中每個傳感器的90,000個數據樣本被用作數據集。由於數據集包含每種速度的三個試驗，因此在參與者內部的情況下，數據集被分為三個摺疊，每個摺疊包含以五種不同的速度進行5分鐘的跑步。然後對數據進行三重交叉驗證。每次使用兩次摺疊作為訓練，其餘的摺疊視為測試數據。重複該過程，直到所有褶皺都用作測試數據為止。據報道平均準確度超過三倍。在參與者間測試中，將一名參與者的數據用作測試數據，並將其餘9名參與者的數據用於培訓。重複此過程，直到所有參與者都用作測試數據為止。在參與者之間和參與者內部的情況下，模型的準確性均在所有參與者之間平均。為了評估參與者之間和參與者內部模型在不同速度下的性能，使用了上面已經解釋過的相同訓練數據（包括所有速度），但是測試集只是特定的跑步速度。測定係數（R2），估計值的均方根誤差（RMSE）和歸一化均方根誤差（NRMSE）用於評估模型的性能。
結果
- 參加者內部結果
參加者內部測試的CNN模型的平均準確性如表1所示。在不同平面上估計的下半身關節角度的RMSE和NRMSE分別小於2.2°和5.25％。與由運動捕獲系統測量的角度相比，估計的角度如圖5所示。與矢狀面相比，額面和橫面的關節角更為複雜。矢狀平面中的運動範圍大於非矢狀平面中的運動範圍（圖5）。
圖5. 參加者內部測試中應變傳感器測量的角度與運動捕捉系統在（a）髖矢狀面，（b）髖額葉面，（c）髖橫面，（d）膝蓋矢狀面中測量的角度的示例平面，（e）腳踝矢狀平面和（f）腳踝額骨平面。
表1. 10個參與者之間的參與者CNN模型的平均準確性。
不同速度的平均精度如圖6和表A1所示。一名參與者的腳踝額葉數據以11 km / h的速度出現異常。每個參與者記錄的數據集包括15個試驗，即以五種速度中的每種速度進行的三個試驗。一項以11 km / h的速度測試參與者腳踝額葉數據的試驗與所有其他試驗的數據都不匹配。在圖6中添加了一個附加點，該點不包括該試驗，並且指示了在踝前額平面的不同速度下的一致表現。
圖6.參加者內部評估中不同速度下估計角度 的R 2誤差比較。傳感器和算法的性能在不同速度下保持一致。
- 參與者間結果
在這種方法中，將一個人視為測試，將其餘人用作訓練數據集。表2報告了模型的平均準確性。與通過運動捕獲系統測量的角度相比，估計的角度如圖7所示。對於參與者之間的模型，在不同平面上估計的下半身關節角度的RMSE和NRMSE小於6.5°和10％。與運動捕捉系統測量的角度相比，估計角度的示例如圖6所示。參加者模型在不同速度下的準確性也如圖8和表A2所示（附錄C）。在本節中，模型是針對參與者間測試而訓練的相同模型，但是測試數據分為不同的速度。然後，測量了在不同測試數據速度下模型的準確性和誤差。
圖7. 在參與者間測試中由應變傳感器測量的角度與在（a）髖矢狀平面，（b）膝矢狀平面和（c）踝矢狀平面中由運動捕獲系統測量的角度的示例。與膝蓋的運動模式和範圍相比，參與者之間踝關節和臀部的運動模式和範圍不太一致。
圖8.參與者間評估中不同速度下估計角度 的R 2誤差比較。傳感器和算法的性能在不同速度下保持一致。
表2. 10個參與者之間的參與者CNN模型的平均準確性和錯誤。
討論與結論
在這項工作中，作者開發了一種基於織物的可穿戴傳感器，並使用了深度卷積神經網絡來估計矢狀，額狀和橫斷面的下半身運動學。塗覆有絕緣護套的基於纖維的應變傳感器用於原型製作。傳感器在骨盆上的位置使用兩種方法進行了優化，一種是遺傳算法，一種是順序前進法。在先前用於上身監測的研究中，引入了基於服裝應變模式的傳感器定位優化。
在這項研究中，精度是目標函數，傳感器的數量定義為算法的輸入。因此，使用不同數量的傳感器對最佳精度進行了更好的比較（圖2）。通過優化使準確性最大化（R 2），因為參與者之間的CNN模型更具挑戰性，比較順序正演方法和遺傳算法的結果表明，後一種搜索方法發現了更好的特徵子集。GA有一些侷限性，包括結果取決於初始種群和算法參數。選擇並調整遺傳算法的參數，例如種群大小，選擇方法，交叉和變異概率，精英和適應度函數，以使算法更加健壯。遺傳算法性能與確定性搜索方法（FS）的比較表明，遺傳算法參數是有效選擇的。順序前進方法有一些侷限性，包括無法刪除下一次迭代中上一次迭代中選擇的特徵；這種無能為力阻礙了算法的搜索範圍，導致無法評估位置的許多組合。
與以前的研究比較表明，我們在跑步過程中將下半身的監視範圍從僅矢狀面擴展到了額面和橫面。在參加者內部評估中，矢狀面的估計值與其他平面相比更為準確。對於特定人的模型，矢狀面的最低R 2為0.97，而額葉和橫面的最低R 2為0.88。圖5證明在臀部額葉，臀部橫向和腳踝額葉平面中，由應變傳感器測量的角度與運動捕捉之間存在更大的差異。我們認為，矢狀面和非矢狀面精度的差異在於運動的複雜性，需要檢測的較小角度，以及傳感器和CNN能夠將較大的矢狀面和額面中的這些較小角度變化分開的能力。由於矢狀面的運動範圍比其他平面大，因此在跑步過程中，傳感器受屈伸的影響要大於綁架，內收和旋轉。
因此，傳感器的信號與矢狀角高度相關，而與非矢狀角高度相關。
先前的研究表明，估計誤差隨著速度的提高而增加。相比之下，由於深度卷積神經網絡和傳感器特性，在這項研究中，在快速和慢速下都達到了相似的精度（圖6和圖8）。根據傳感器的頻率和應變率特性，該傳感器能夠在低頻和高頻下（高達10 Hz）進行跟蹤。與先前工作中使用的線性模型相比，CNN模型可以更好地預測非線性模式（在較高頻率和應變率的壓阻傳感器中不可避免地出現遲滯和隨時間變化的行為），因此，相比之下，在較高速度下誤差較小以前的研發。圖6與其他速度相比，即使在12 km / h的較高速度下，腳踝額葉跟蹤的準確性也較低。該試驗準確性的下降是由於一位參與者的數據集異常。腳踝額度值發生了變化，從而對CNN模型將其分配為測試集時預測該試驗的能力產生了不利影響。值得注意的是，這與11 km / h速度下的較低運動範圍直接相關，並且在所有其他速度試驗中均與參與者的踝關節額葉運動範圍不一致。這對R 2值產生了負面影響，並且為了進行比較，我們添加了一個額外的數據點，該數據點指示在刪除此數據集後踝額的平均值，該值與其他R正面和橫向值有2個值（圖6）。
迄今為止，在測量參與者之間的額葉和橫切平面中的實際角度方面，標準光學運動捕捉系統的驗證一直難以捉摸。因此，在參與者之間的評估中，訓練該模型以僅估計矢狀平面角。與踝關節和髖關節角度的運動模式和範圍相比，參與者之間膝關節角度的運動模式和範圍更加一致，因此在估計膝關節角度時獲得的誤差較小。圖7表明，髖關節和踝關節與膝關節的估計角度和參考角度之間存在較大差異。R 2估計的膝蓋角度的NRMSE和NRMSE分別為0.93和6.30％，而估計的踝關節和臀部角度的R 2和NRMSE分別為0.81和9.9％，0.85和9.34％。當測試數據集中的關節角度模式與訓練數據集中的關節角度模式不同時，CNN模型的準確性較低。可以預期，擁有包含不同步態模式的大型數據集將導致踝關節和髖關節角度估計的誤差較小。
與以前的工作相比，這項研究的結果具有較小的誤差。Menguc。使用超彈性傳感器監測跑步者的矢狀面，並且對於膝蓋，臀部和踝部，RMSE分別小於15°，10°和6°。而我們的膝蓋，臀部和踝關節的RMSE分別為1.12°，2.2°和1.3°。電容應變傳感器用於測量多軸踝角，並且其RMSE小於4°；而在這項研究中，矢狀面和額葉面的踝關節的均方根誤差小於1.56°。在這項工作中使用的方法（包括傳感器放置和用於角度估計的卷積神經網絡）優於以前的研究。
在這項研究中，CNN模型用於信號處理目的。CNN的優點是能夠通過卷積層從輸入信號中自動提取特徵。但是，當可以使用大規模數據集時，CNN模型會更好地工作。有使用本研究和CNN模型用於其他目的，如步態相位檢測，康復監測和帕金森氏病。與其他技術（例如，基於IMU的系統和基於相機的系統）相比，使用可穿戴式基於織物的傳感器所面臨的挑戰是由於身體形狀和傳感器位置的差異，使用過程中的衣服飄移以及將系統設計為可清洗的。
該研究的侷限性包括隊列的多樣性，測試環境和測試時間。將其擴展到不同性別，年齡和年齡的人將可以測試CNN模型使用有限的訓練數據集與擴展的訓練數據集進行準確跟蹤的能力。該測試在實驗室環境中使用跑步機進行，以在較短的數據記錄時間內控制速度。戶外非跑步機跑步可能導致不同地形的步態不同。測試周期是有限的，長期測試將有助於分析隨時間推移的服裝性能和合身性。為了進行這種類型的測試，將需要替代的數據記錄或無線功能。
這項工作解決了創建可靠且精確的軟傳感器可穿戴設備的挑戰，該設備可跟蹤運動捕獲設備中的運動學運動。我們概述了傳感器的製造，重點是預期的工作範圍和承受汗水的能力，設備的設計和生產，以及CNN的實現以生產完整的設備。最終，我們成功生產了一種可靠的運動運動捕捉設備。
閱讀更多 圖像算法 的文章
