一种基于神经网络算法的体感支撑技术方法与流程

本发明属于人体服装设计技术领域，尤其是涉及一种基于神经网络算法的体感支撑技术方法。

背景技术：

服装压力的舒适性由人的生理、心理因素共同决定，目前，对于试穿衣服的舒适性评价仅仅停留在心理层面上，根据个人的心理感觉对穿着服装的压力舒适感(如紧、松)进行评分，这种方法由于个体的差异，难以保证主观实验者本身的可信性和实现试验的可重复性。

相应地，目前服装厂家在对自家的服装进行舒适性测试的时候，使用的方法是令受试者(一般为较标准身材的受试者)穿上合适于受试者的一个或两个尺码进行舒适性主观评价，若评价较好，则直接判定为服装合格，若评价较低则根据受试者的主观描述对服装的具体部位进行调整。这样的方式存在受受试者主观因素影响较大，且只实验也只服务于一部分标准身材的受众，实验测试效果不强，导致最终受众对于服装的体验并不好。

技术实现要素：

本发明的目的是针对上述问题，提供一种基于神经网络算法的体感支撑技术方法。

为达到上述目的，本发明采用了下列技术方案：

一种基于神经网络算法的体感支撑技术方法,包括以下步骤：

s1.对受试者进行人体扫描以获得各受试者的体型数据；

s2.确定服装尺寸数据，并令各受试者穿上根据所述服装尺寸数据制作出的样衣以进行试穿实验；

s3.根据试穿实验获取各受试者对相应样衣的舒适性评分结果，且对评分不合格受试者对应的样衣进行服装尺寸调整后重复步骤s2和s3；

s4.将评分合格受试者的体型数据作为输入，最终服装尺寸数据作为输出训练bp神经网络预测模型。

在上述的基于神经网络算法的体感支撑技术方法中，步骤s3中，当舒适性评分结果低于预设值时确定为评分不合格，且通过以下方式获取舒适性评分结果：

s31.获取受试者的心理检测值和生理检测值；

s32.结合受试者的主观评分、心理检测值和生理检测值为相应样衣的舒适性打分。

在上述的基于神经网络算法的体感支撑技术方法中，在步骤s31中，所述心理检测值包括皮电信号值，所述生理检测值包括心率监测值，且由皮电传感器获取皮电信号值，由心率传感器获取心率检测值。

在上述的基于神经网络算法的体感支撑技术方法中，在步骤s31中，令受试者做随意动作和/或指定动作，并由三维动态捕捉系统捕捉受试者的每个动作，同时获取受试者各动作下的心理检测值和生理检测值。

在上述的基于神经网络算法的体感支撑技术方法中，步骤s31具体包括：

s311.捕捉受试者的各动作，并获取作出相应动作的时间；

s312.根据时间节点获取受试者在各动作下的心理检测值和生理检测值；

步骤s32具体包括：

s321.通过动作评分方式计算每个受试者分别在每个动作下的舒适性分数；

s322.获取受试者对样衣的主观评分，并通过综合评分方式计算每个受试者对相应样衣的舒适性评分结果。

在上述的基于神经网络算法的体感支撑技术方法中，所述动作评分方式包括以下公式：

a1＝x/|a1-a|；a2＝x/|a2-a|；……；an＝x/|an-a|；

b1＝y/|b1-b|；b2＝y/|b2-b|；……；bn＝y/|bn-b|；

s1＝(a1*q+b1*p)；s2＝(a2*q+b2*p)；……；sn＝(an*q+bn*p)；

其中，

x、y分别为心理数据的放大系数和生理数据的放大系数；

a1、a2、an分别为受试者在动作1、2和n下的心理数据；

b1、b2、bn分别为受试者在动作1、2和n下的生理数据；

a、b分别为正常心理检测值和正常生理检测值；

a1、a2、an分别为受试者在动作1、2和n下的心理检测值；

b1、b2、和bn分别为受试者在动作1、2和n下的生理检测值；

s1、s2、sn分别为受试者在动作1、2和n下的舒适性分数；

q、p分别为心理数据的权重值和生理数据的权重值。

在上述的基于神经网络算法的体感支撑技术方法中，所述综合评分方式包括以下公式：

sd＝(s1+s2+……+sn)*g/n+c*k

sd为受试者对样衣的舒适性评分结果；

c为受试者对样衣的主观评分分数；

g和k分别为动作评分权重值和主观评分权重值。

在上述的基于神经网络算法的体感支撑技术方法中，在步骤s3中，将评分结果不合格受试者在各动作下的舒适性分数分别反馈给实验人员。

在上述的基于神经网络算法的体感支撑技术方法中，在步骤s4中，所述bp神经网络模型包括输入层、隐含层和输出层，且输入层和输出层的神经元节点数为2，隐含层的神经元节点数为3～11，在训练过程中逐级增加隐含层的神经元节点数以确定最终神经元节点数。

在上述的基于神经网络算法的体感支撑技术方法中，步骤s4之后包括；

s5.将客户的体型数据输入训练完成的bp神经网络预测模型；

s6.bp神经网络预测模型根据体型数据输出服装尺寸数据。

本发明的优点在于，结合生理、心理评分与主观评分对样衣进行舒适性打分，能够在一定程度上排除由个人的差异所产生的人为差异，使评分结果符合大部分人群的感觉效果；将各受试者体型数据和最终服装尺寸作为训练样本训练bp神经网络预测模型，从而得到一个能够根据客户体型数据预测适合于客户的服装数据，相较于现有技术直接根据体型数据制作服装的方式具有尺寸更加合适于客户，成衣舒适性更高，不需要进行后续修改等优点；通过三维动态捕捉的方式捕捉受试者在实验中的各动作，通过监测各动作下的生理数据和心理数据获得各部位的舒适性情况，从而为后续改进提供参考，提高服装修正效率。

附图说明

图1是本发明实施例一中基于神经网络算法的体感支撑技术方法的方法流程图；

图2是本发明实施例一中三层神经元的网络结构示意图；

图3是本发明实施例一中神经网络预测模型投入使用时的工作流程示意图；

图4是本发明实施例一中获取舒适性评分结果的方法流程图；

图5是本发明实施例二中获取舒适性评分结果的方法流程图；

图6是本发明实施例二中基于神经网络算法的体感支撑技术方法的方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步详细的说明。

如图1所示，本实施例公开了一种基于神经网络算法的体感支撑技术方法,包括以下步骤：

s1.对受试者进行人体扫描以获得各受试者的体型数据；

s2.确定服装尺寸数据，并令各受试者穿上根据所述服装尺寸数据制作出的样衣以进行试穿实验；

s3.根据试穿实验获取各受试者对相应样衣的舒适性评分结果，且对评分不合格受试者对应的样衣进行服装尺寸调整后重复步骤s2和s3；

s4.构建bp神经网络预测模型，并将评分合格受试者的体型数据作为输入，最终服装尺寸数据作为输出以训练所述bp神经网络预测模型。

在步骤s4中，训练过程包括训练过程本身和训练结束后的确认和检验等完善bp神经网络预测模型的过程，对bp神经网络预测的训练是一种比较成熟的技术，故具体过程不在此进行赘述。

具体地，在步骤s4中，bp神经网络预测模型可以采用三层或三层以上神经元。如图2所示，本实施例以三层神经元为例，包括输入层、隐含层和输出层。bp神经网络预测模型的工作模式由数据流的正向传播和误差信号的反向传播两个过程构成，正向传播时，传播方向为输入层—隐含层—输出层，x1、x2、…，xm表示某一神经元的m个输入，νi表示第i个输入从输入层到隐含层的权值，ωi表示第i个输入从隐含层到输出层的权值，当一个样本n{x(t),y(t)；t＝1,2,…,n},其中x是m维向量，y是n维向量，从输入层输入时，首先与输入层到隐含层的权值νi进行加权，得到隐含层的输出，再通过与隐含层到输出层的权值ωi进行加权，得到输出层的输出，通过比较输出值与期望值之间的差值，确定是否需要转向误差信号的反向传播流程。当输出值达不到期望值时，则从输出层反向回到输入层，通过修正各层之间的权值来减少网络输入与实际输出之间的误差。bp神经网络的这两个过程的交替进行，使得系统误差方向总是按照误差下降最快的方向进行，提高了输入模式响应的正确率，从而较好的完成神经网络的训练。

具体地，本实施例的输入层和输出层的神经元节点数根据具体情况选择，隐含层的神经元节点数根据输入层和输出层的神经元节点情况确定。本实施例以输入层的神经元节点数2，输出层的神经元节点2，隐含层的神经元节点数为3～11为例，在训练过程中逐级增加隐含层的神经元节点数以确定最终神经元节点数，本实施例确定为11，这样，构建的bp神经网络预测模型的结构即为2-11-2。

另外，bp神经网络的训练函数包括有普通训练函数和快速训练函数，普通训练函数有traingd、traingdm等,快速训练函数有traingda、traingdx、trainlm等,两类函数的差别在于训练时间和精度方面，本实施例的训练函数优选trainlm。

当然，为了使本实施例能够服务于多数受众，这里参加实验的受试者选择各种体型的对象，例如一款服装通常包括有s、m、l、xl这些尺码，适合于s、m、l、xl尺码的受试者分别至少三个，每个尺码对应的多个受试者优选不同的体型以使样本体型数据涉及各类客户群体。

进一步地，如图3所示，将经过训练的bp神经网络预测模型投入使用时，包括以下步骤：

s5.将客户的体型数据输入训练完成的bp神经网络预测模型；

s6.bp神经网络预测模型根据体型数据输出服装尺寸数据。

步骤s5中，客户可以通过自行输入的方式向系统输入自己的体型数据，体型数据至少包括身高和体重两个指标；也可以通过三维人体扫描仪进行扫描，由三维人体扫描仪直接将扫描结果发送给本系统以进行后续的预测。三维人体扫描仪由本领域技术人员根据需要和预算等选择即可，其具体型号、结构以及工作过程不在此进行赘述。

本实施例通过将体型数据作为输入，最终服装尺寸数据作为输出训练bp神经网络预测模型，训练合格的bp神经网络预测模型具有较好的预测效果，神经网络预测模型的具体训练效果与训练样本、神经网络结构、神经网络设置参数(动态参数、隐含成熟、神经元节点数、训练次数、学习速率、允许误差…)等有关，本领域技术人员根据精度要求选择合适的训练样本、相应的神经网络结构及设置合适的神经网络设置参数等即可，具体不在此进行赘述。bp神经网络预测模型能够对任意客户预测合适的服装尺寸数据，对于定做服装，商家只需要根据bp神经网络预测模型预测的服装尺寸数据制作成衣即可，相较于现有技术直接根据体型数据制作成衣的方式具有尺寸更加合适，成衣舒适性更高，基本不需要进行后续修改等优点。对于成衣购买，商家只需要根据bp神经网络预测模型预测的服装尺寸数据选择具有相近服装尺寸数据对应的尺码向客户推荐即可。当然，这里推荐过程也可以由专门的尺码推荐模块进行，该尺码推荐模块连接有存储模块，存储模块中存储有各种服装各种尺码及其对应的服装尺寸数据，软件模块用于接收从bp神经网络预测模型预测输出的服装尺寸数据和客户选择的服装类型，然后根据服装类型查找存储模块中相应服装类型中与预测的服装尺寸数据最相近的尺码，然后输出该尺码即可。

本实施例通过bp神经网络模型的方式能够高效率地为用户制作服装，向用户精准化推荐合适尺码的成衣，提高服装定制效率以及成衣购物体验。

具体地，步骤s3中，当舒适性评分结果低于预设值时确定为评分不合格，预设值具体根据后续的放大系数、正常心里检测值、正常生理监测值和分数范围等具体情况确定，这里不进行限制。

且如图4所示，通过以下方式获取舒适性评分结果：

s31.获取受试者的心理检测值和生理检测值；

s32.结合受试者的主观评分、心理检测值和生理检测值为相应样衣的舒适性打分。

具体地，步骤s32中，通过综合评分方式计算每个受试者对相应样衣的舒适性评分结果。

综合评分方式计算方式包括：

a1＝x/|a1-a|；

b1＝y/|b1-b|；

s＝a1*q+b1*p；

sd＝s*g/n+c*k；

x、y分别为心理数据的放大系数和生理数据的放大系数；

a1、b1分别为受试者的心理数据和生理数据；

a1、b1分别为受试者的心理检测值和生理检测值，当心理检测值或心理检测值在测试时间段内为波动的时候，取平均值；

a、b分别为正常心理检测值和正常生理检测值，当正常心理检测值和正常生理检测值为一数值范围时，取中间值、最大值或最小值；

sd为受试者对样衣的舒适性评分结果；

s为受试者对样衣的生理及心理评分分数；

q、p分别为心理数据的权重值和生理数据的权重值；

c为受试者对样衣的主观评分分数；

g和k分别为心理及生理评分权重值和主观评分权重值。

具体地，在步骤s31中，所述心理检测值包括皮电信号值，所述生理检测值包括心率监测值，且由皮电传感器获取皮电信号值，由心率传感器获取心率检测值，皮电传感器和心率传感器均通过蓝牙等方式无线连接于外部处理器以将检测值发送给处理器，由外部处理器执行步骤s3和s4，当然，外部处理器连接触摸显示屏以实现与人的交互，此外外部处理器中还存储有matlabr2015b软件以实现bp神经网络预测模型的构建；另外，心率传感器和皮电传感器也可以为带有存储模块的传感器，在实验受试者试穿结束后有线传输给外部处理器，并在外部处理器处进行后续的数据分析。

实施例二

如图5和图6所示，本实施例与实施例一类似，不同之处在于，本实施例在步骤s31中，令受试者做随意动作和/或指定动作，并由三维动态捕捉系统捕捉受试者的每个动作，同时获取受试者各动作下的心理检测值和生理检测值。捕捉到的动作携带捕捉时间发送给处理器，生理检测值和心理检测值及检测时间也一并发送给处理器。

且本实施例的步骤s31具体包括：

s311.捕捉受试者的各动作，并获取作出相应动作的时间；

s312.根据时间节点获取受试者在各动作下的心理检测值和生理检测值；

步骤s32具体包括：

s321.通过动作评分方式计算每个受试者分别在每个动作下的舒适性分数；

s322.获取受试者对样衣的主观评分，并通过综合评分方式计算每个受试者对相应样衣的舒适性评分结果。

所述动作评分方式包括以下公式：

a1＝x/|a1-a|；a2＝x/|a2-a|；……；an＝x/|an-a|；

b1＝y/|b1-b|；b2＝y/|b2-b|；……；bn＝y/|bn-b|；

s1＝(a1*q+b1*p)；s2＝(a2*q+b2*p)；……；sn＝(an*q+bn*p)；

其中，

x、y分别为心理数据的放大系数和生理数据的放大系数；

a1、a2、an分别为受试者在动作1、2和n下的心理数据；

b1、b2、bn分别为受试者在动作1、2和n下的生理数据；

a、b分别为正常心理检测值和正常生理检测值，当正常心理检测值和正常生理检测值为一数值范围时，取中间值、最大值或最小值；

a1、a2、an分别为受试者在动作1、2和n下的心理检测值；

b1、b2、和bn分别为受试者在动作1、2和n下的生理检测值；当心理检测值或心理检测值在相应动作的测试时间段内为波动的时候，取平均值；

s1、s2、sn分别为受试者在动作1、2和n下的舒适性分数；

q、p分别为心理数据的权重值和生理数据的权重值。

所述综合评分方式包括以下公式：

sd＝(s1+s2+……+sn)*g/n+c*k

sd为受试者对样衣的舒适性评分结果；

c为受试者对样衣的主观评分分数；

g和k分别为动作评分权重值和主观评分权重值，同样地，这里的权重值也可以由本领域技术人员根据具体情况确定，一般m>n，以尽量减小主观因素的影响，例如m＝0.7，n＝0.3。

在步骤s3中，将评分结果不合格受试者在各动作下的舒适性分数分别反馈给实验人员以供设计人员根据各动作的舒适性分数修改具体部位。由于一般不同的动作会伸展服装的不同部位，所以通过各动作下的舒适性分数能够较准确地反应服装各部位的设计情况，例如，当抬手的时候感觉肩膀处过紧，在该动作下舒适性分数较低，设计人员就知道该部位需要改进，具体改进方案可以根据经验、受试者口述要求等确定。

本实施例在进行实验改进的过程中，以动作分数为基础将整体服装分体化，在主观评分和主观表述的基础上融入体感评分，减小主观因素的影响，使设计人员在实验过程中较为准确地知道服装的不足之处从而对相应服装有针对性地做出改进，提高服装修正效率。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了体型数据、样衣、心理检测值、生理监测值、心理数据、生理数据、bp神经网络预测模型、受试者等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。