[發明專利]可對人體腰椎運動進行監測及自主姿態矯正的智能服裝

有效

• 申請號: 202110886147.5
• 申請日: 2021-08-03
• 公開（公告）號: CN113749644B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 薛家和;江學為;田杰;何思璇;姜格格;王靈燦;張俊;陶輝
• 申請（專利權）人: 武漢紡織大學
• 主分類號: A61B5/107
• 分類號: A61B5/107;A61B5/11;A61B5/00;G06V40/20;G06V10/774;G06V10/764
• 代理公司: 武漢泰山北斗專利代理事務所(特殊普通合伙) 42250
• 代理人: 程千慧

1.可對人體腰椎運動進行監測及自主姿態矯正的智能服裝，其特征在于，包括服裝本體、識別監測模塊和振動提醒模塊，所述識別監測模塊和振動提醒模塊均設置在服裝本體上，所述識別監測模塊用于采集人體的運動狀態和身體姿態信息，建立人體生活姿態評價模型，通過人體生活姿態評價模型獲得在目前運動狀態和姿態下Cobb角度的合理值域，人體生活姿態評價模型建立在現有醫學標準上，現有醫學標準包括參考目前醫學生現有的不同性別、年齡階段的人群在不同的運動狀態及姿態下對應Cobb角的通用標準；還用于利用姿勢評價系統計算使用者實時的腰部彎曲Cobb角度，并判斷Cobb角度是否在合理值域內，若否則啟動振動提醒模塊，振動提醒模塊用于通過振動提醒使用者注意用腰姿勢；

識別監測模塊包括深度傳感器和三軸角加速度傳感器，所述深度傳感器包括嵌入在服裝的胳膊及手臂關節處的右肩關節深度傳感器、左肩關節深度傳感器、左肘關節深度傳感器、右肘關節深度傳感器，四處深度傳感器均采用超聲波測距原理，跨障礙獲取服裝關節之間的相對間距，采用坐標法和距離法并利用卷積神經網絡算法對相對距離數據進行數據訓練構建相應的人體姿態預測模型，服裝本體的腰部設有符合人體工學的腰帶本體，所述三軸角加速度傳感器包括設置在服裝本體的后領部第一三軸角加速度傳感器、嵌入在腰帶本體的第一腰椎處的第二三軸角加速度傳感器和嵌入在腰帶本體的第五腰椎處的第三三軸角加速度傳感器，所述第一三軸角加速度傳感器用于對人體運動狀態進行識別，所述第二三軸角加速度傳感器和第三三軸角加速度傳感器分別用于獲取第一腰椎和第五腰椎的垂直對地角加速度，進而對人體腰椎生理曲度進行實時監測；

計算使用者實時的腰部彎曲Cobb角度的方式為，通過角加速度對時間積分的方式分別測量第一腰椎處垂直對地角度α和第五腰椎處垂直對地角度β；通過第五腰椎處垂直對地角度β與第一腰椎處垂直對地角度α相減即可得到β與α的差值，該差值即為傳感器測量出的腰椎Cobb角度；

腰帶可拆卸設置在服裝本體上，腰帶包括腰帶本體和復合層，所述復合層設置在腰帶中部，所述復合層包括從外到內順次設置的復合材料覆蓋層、第一柔性緩沖層、醫用尼龍支撐層和第二柔性緩沖層；

所述第一三軸加速度傳感器用于對人體運動狀態進行識別，包括利用隨機森林算法對數據進行訓練最終得到相應的人體運動狀態預測模型，基于該模型，系統可識別人體的實時運動狀態；

建立運動狀態預測模型的方法包括以下步驟:

步驟1、第一三軸加速度傳感器獲取加速度計和陀螺儀的3軸原始信號tac-XYZ和tBodyGyro-XYZ；

步驟2、中值濾波器和角頻率為20hz的三階低通巴特沃思濾波器對tac-XYZ和tBodyGyro-XYZ進行濾波，另一個角頻率為0.3?Hz的低通巴特沃斯濾波器將加速度信號tac-XYZ分割成身體加速度信號BodyAcc-XYZ和重力加速度信號tGravityAcc-XYZ；

步驟3、推導出身體的線加速度和角速度，獲得反射信號，即加速度計返回的身體加速度時域反射信號tBodyAccJerk-XYZ和陀螺儀返回的身體角速度時域返回信號tBodyGyroJerk-XYZ，使用歐幾里得范數計算這些三維信號的幅度，分別為身體加速度時域幅度信號tBodyAccMag,重力加速度時域幅度信號tGravityAccMag,?身體加速度時域幅度反射信號tBodyAccJerkMag,?身體角速度時域幅度信號tBodyGyroMag以及身體角速度時域幅度反射信號tBodyGyroJerkMag；

步驟4、對產生的身體加速度時域信號、身體加速度時域反射信號、身體角速度時域信號、身體加速度時域幅度反射信號、身體角速度時域幅度信號、身體角速度時域幅度反射信號進行快速傅里葉變換，得到身體加速度頻域信號tBodyAcc-XYZ、重力加速度頻域信號tGravityAcc-XYZ、身體加速度頻域反射信號tBodyAccJerk-XYZ、身體角速度頻域信號tBodyGyro-XYZ、身體角速度頻域反射信號tBodyGyroJerk-XYZ、身體加速度頻域幅度信號tBodyAccMag、重力加速度頻域幅度信號tGravityAccMag、身體加速度頻域幅度反射信號tBodyAccJerkMag、身體角速度頻域幅度信號tBodyGyroMag、身體角速度頻域幅度反射信號tBodyGyroJerkMag、身體加速度頻域信號fBodyAcc-XYZ、身體加速度頻域反射信號fBodyAccJerk-XYZ、身體角速度頻域信號fBodyGyro-XYZ、身體加速度頻域幅度信號fBodyAccMag、身體加速度頻域幅度反射信號fBodyAccJerkMag、身體角速度頻域幅度信號fBodyGyroMag和身體角速度頻域幅度反射信號fBodyGyroJerkMa，其中，“-XYZ”用于表示X、Y和Z方向的3軸信號；

步驟5、通過步驟1-3的信號得到時域特征向量和頻域特征向量，并記錄了不同時域和頻域下的人體所處的運動狀態信息；

步驟6、系統采用層次化分類方法對人體站姿、坐姿、臥姿、走路、上樓和下樓6種基本運動狀態進行分類，在每一層次中，將包含時域特征向量和頻域特征向量的數據作為訓練集，并輸入到隨機森林分類模型中進行訓練，得到人體運動狀態預測模型，基于該模型，系統可識別人體的實時運動狀態。