| 专利类型 | 发明公开 | 法律事件 | 公开; 实质审查; |
| 专利有效性 | 实质审查 | 当前状态 | 实质审查 |
| 申请号 | CN202411471070.5 | 申请日 | 2024-10-21 |
| 公开(公告)号 | CN119618200A | 公开(公告)日 | 2025-03-14 |
| 申请人 | 厦门大学; | 申请人类型 | 学校 |
| 发明人 | 江潇; 郭诗辉; 石祥仁; 左乘旭; 姚远; | 第一发明人 | 江潇 |
| 权利人 | 厦门大学 | 权利人类型 | 学校 |
| 当前权利人 | 厦门大学 | 当前权利人类型 | 学校 |
| 省份 | 当前专利权人所在省份：福建省 | 城市 | 当前专利权人所在城市：福建省厦门市 |
| 具体地址 | 当前专利权人所在详细地址：福建省厦门市思明南路422号 | 邮编 | 当前专利权人邮编：361000 |
| 主IPC国际分类 | G01C21/16 | 所有IPC国际分类 | G01C21/16 ; A41D1/00 ; A41D27/10 ; G06N3/0442 |
| 专利引用数量 | 0 | 专利被引用数量 | 0 |
| 专利权利要求数量 | 10 | 专利文献类型 | A |
| 专利代理机构 | 厦门市精诚新创知识产权代理有限公司 | 专利代理人 | 吕斌斌; |
| 摘要 | 本 发明 提供了一种用于 智能服装 的 传感器 位置 感知 方法、装置、服装及产品，其中，在智能服装的袖口集成IMU传感器，该方法包括：实时获取测量数据；判断测量数据中每 帧 加速 度数据的状态；将存在连续预定帧数的加速度数据为运动状态的测量数据作为运动数据；检测袖口翻折次数是否发生变化；若是，估算第一高度变化值；若否，从运动数据中提取第一数据并输入第一LSTM模型，获得运动类型；当运动类型为袖口拉动时，划分运动数据得到多个第二数据，分别将多个第二数据输入第二LSTM模型来获得多个第二高度变化值；将第一高度变化值与多个第二高度变化值相加，得到当前IMU传感器的高度变化值。利用上述技术方案，提高了传感器在小尺度运动中的测量精确度。 | ||
| 权利要求 | 1.一种用于智能服装的传感器位置感知方法，其特征在于，在所述智能服装的袖口集成IMU传感器，包括： |
||
| 说明书全文 | 用于智能服装的传感器位置感知方法、装置、服装及产品技术领域[0001] 本发明涉及智能服装领域，特别是涉及一种用于智能服装的传感器位置感知方法、装置、服装及产品。 背景技术[0002] 近年来，融入了压力传感器、拉力传感器、光纤传感器和惯性传感器等可穿戴传感器的智能可穿戴系统已被广泛研究，以实现动作捕捉、健康监测和人机交互等功能。这些智能服装的优点在于不会受到遮挡且没有运动范围的限制，使用者可以自由、舒适地进行长时间地使用。然而，为了确保智能服装中传感器测量的准确性，传感器必须被放置在正确的位置上，但是，由于智能服装本身的特点，传感器的位置偏移以及织物本身的运动伪影等问题仍然是智能服装技术面临的挑战。 [0003] 传统的IMU定位方法通过将IMU的加速度从局部坐标系转换到全局坐标系，并在去除重力加速度后进行双重积分来确定位置，但这种方法会导致误差随时间积累而增加，很快就会使结果变得无效。因此，通常需要对IMU本身的运动施加额外的约束来纠正误差，例如通过行人步态分析。而基于数据驱动的IMU定位方法则利用深度学习技术来跟踪IMU的位置，这通常用于行人的大尺度定位，其误差以米为单位，不适合智能服装上传感器的小尺度运动。 [0004] 另外，现有的IMU位置计算方法往往需要结合多个IMU或是IMU与其他传感器来减少数据漂移，而在智能服装上，单个IMU的位置检测通常是在鞋底上固定的，以通过人体行走运动的一些特性来减少位置跟踪的误差，然而这种解决方案并不适用于智能服装中的传感器在小尺度上的运动。 发明内容[0005] 本发明的实施例提供了一种用于智能服装的传感器位置感知方法、装置、服装及产品，以实现对袖口操作及高度变化的精准预测，提高了传感器在小尺度运动中的测量精确度，进一步提升了智能服装的测量准确性和自然交互体验。 [0006] 为了实现上述目的，一方面，提供用于智能服装的传感器位置感知方法，其中，在所述智能服装的袖口集成IMU传感器，该方法包括： [0009] 当所述测量数据中存在连续预定帧数的加速度数据为所述IMU传感器处于运动状态下的加速度数据时，将所述连续预定帧数的测量数据作为运动数据； [0010] 根据所述运动数据计算当前的袖口翻折次数，比对所述当前的袖口翻折次数与上一次计算获得的袖口翻折次数是否发生变化；若发生变化，则所述运动数据的运动类型为袖口折叠，并根据所述当前的袖口翻折次数和预先设定的袖口每次翻折的数值估算所述IMU传感器相对于基准点的第一高度变化值，其中，所述基准点为所述IMU传感器的初始位置；若没有发生变化，则从所述运动数据的末端向前取出第一预定帧数的数据作为第一数据，按预定的第一处理规则对所述第一数据进行预处理，并将预处理后的所述第一数据输入预先训练的第一长短期记忆模型中，获得所述运动数据的运动类型；其中，所述运动数据的运动类型包括：袖口拉动和袖口下落； [0011] 当所述运动数据的运动类型为袖口拉动时，将所述运动数据进行划分，得到多个第二数据，其中，每一第二数据包括第二预定帧数的运动数据，按预定的第二处理规则对所述多个第二数据进行预处理，分别将预处理后的所述多个第二数据输入预先训练的第二长短期记忆模型中，获得所述IMU传感器相对于所述基准点的多个第二高度变化值； [0012] 将所述第一高度变化值与所述多个第二高度变化值相加，得到当前所述IMU传感器相对于所述基准点的高度变化值。 [0013] 优选地，根据所述的传感器位置感知方法，其中，通过零速度检测方法判断所述测量数据中的每帧加速度数据是所述IMU传感器处于运动状态下的加速度数据还是所述IMU传感器处于静止状态下的加速度数据包括： [0014] 计算预定数量的窗口的加速度方差，当所述加速度方差大于等于预定的阈值时，当前帧的加速度数据为运动状态；当所述加速度方差小于所述预定的阈值时，当前帧的加速度数据为静止状态；其中，所述窗口的窗口长度预先设定，所述加速度数据的单位预先设定。 [0015] 优选地，根据所述的传感器位置感知方法，其中，根据所述运动数据计算当前的袖口翻折次数包括： [0016] 根据所述运动数据中的初始帧数据构建三维坐标系，其中，所述三维坐标系包括x，y，z轴，x轴和y轴为水平方向上的两个轴，z轴为垂直方向的轴；并将所述IMU传感器的朝向投影在所述三维坐标系的xz平面上； [0017] 计算所述运动数据中的每帧运动数据相对于y轴的旋转角度，再累加所述旋转角度，得到所述运动数据的总旋转角度，其中： [0018] [0019] Δθk表示所述运动数据中第k帧数据的旋转角度，θk表示总旋转角度，Vk表示所述运动数据中第k帧数据的旋转向量，V′k表示所述运动数据中第k帧数据投影在所述xz平面上的旋转向量；Vk‑1表示所述运动数据中第k‑1帧数据的旋转向量，V′k‑1表示所述运动数据中第k‑1帧数据投影在所述xz平面上的旋转向量；其中，第k‑1帧数据为所述运动数据中第k帧数据的上一帧数据； [0020] 通过所述总旋转角度计算得出所述袖口翻折次数，其中： [0021] [0022] Tk表示所述袖口翻折次数。 [0023] 优选地，根据所述的传感器位置感知方法，其中，对所述第一数据或所述第二数据进行预处理，包括： [0024] 当所述第一数据或所述第二数据所处的坐标系为所述IMU传感器坐标系时： [0025] 当所述加速度数据的单位为m/s2时，将所述加速度数据根据第一预定比例缩放； [0026] 当所述角速度数据的单位为rad/s时，将所述角速度数据根据第二预定比例缩放； [0027] 当所述袖口翻折次数为奇数时，对所述加速度数据和所述角速度数据的x轴和z轴数据进行取反； [0028] 当所述IMU传感器集成在左手的袖口时，对所述加速度数据的y轴数据进行取反，所述角速度数据的x轴和z轴数据进行取反。 [0029] 优选地，根据所述的传感器位置感知方法，其中，对所述第一数据进行预处理，还包括：当所述运动数据的帧数小于所述第一预定帧数时，使用所述运动数据末尾后且状态为静止状态的数据拼接在所述运动数据后进行补齐。 [0030] 优选地，根据所述的传感器位置感知方法，其中，对所述第二数据进行预处理，还包括：当所述运动数据的帧数小于所述第二预定帧数时，向所述运动数据前后均分补充状态为静止状态的数据，直至所述运动状态的帧数等于所述第二预定帧数。 [0031] 优选地，根据所述的传感器位置感知方法，其中，所述第一长短期记忆模型的损失函数为交叉熵函数，激活函数为ReLU函数； [0032] 所述第二长短期记忆模型的损失函数为均方误差损失函数，激活函数为ReLU函数。 [0033] 另一方面，本发明提供了一种用于智能服装的传感器位置感知装置，其中，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由处理器执行以实现如上任一所述的传感器位置感知方法。 [0034] 又一方面，本发明提供了一种智能服装，其中，包括：在袖口集成的IMU传感器；和，如上所述用于智能服装的传感器位置感知装置。 [0035] 又一方面，本发明提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现如上任一所述的传感器位置感知方法。 [0036] 上述技术方案具有如下技术效果： [0037] 本发明实施例的技术方案通过在智能服装的袖口集成IMU传感器，实时获取包括加速度、角速度和旋转朝向在内的多轴测量数据，并利用零速度检测方法(AMVD：Acceleration‑Moving Variance Detector)判断每帧加速度数据的运动状态；当检测到连续预定帧数的加速度数据处于运动状态时，提取该段数据作为运动数据；并计算当前袖口翻折次数，通过对比当前袖口翻折次数与上次计算获得的袖口翻折次数的变化来判断运动数据的类型是否为袖口折叠，若翻折次数有变化，则判定类型为袖口折叠，并依据预存的袖口高度数据估算IMU传感器相对于基准点的第一高度变化值，其中，基准点为IMU传感器的初始位置；否则，从运动数据的末端提取第一预定帧数的数据作为第一数据，根据预定的第一处理规则将第一数据经预处理后输入训练好的第一长短期记忆(LSTM)模型，以判断袖口的类型；当识别出类型为袖口拉动时，将运动数据进行划分，得到多个第二数据，其中，每一第二数据包括第二预定帧数的运动数据，根据预定的第二处理规则分别将多个第二数据经过预处理后输入第二长短期记忆(LSTM)模型，得到IMU传感器相对于基准点的多个第二高度变化值。最终，将第一高度变化值和多个第二高度变化值相加，获得当前IMU传感器相对于基准点的高度变化值。，实现了对袖口高度变化的准确预测，提升了智能服装在自然交互中的使用体验和精确度。 [0038] 进一步的实施例中，通过对运动数据中的加速度数据和角速度数据进行预处理，包括按比例缩放数据，以及根据传感器的放置位置调整数据方向，确保了无论袖口如何折叠或佩戴在哪一侧的手臂上，都能够准确反映袖口的操作情况，使得智能服装能够在无需严格限定传感器放置位置的情况下，依然保持良好的测量准确度，从而使智能服装更接近于日常穿戴的普通服装。 [0039] 进一步的实施例中，通过在数据不足时补充静止状态的数据，使得所有数据段都能符合模型输入的要求，从而提高了模型对袖口操作类型(如折叠或拉动)及其高度变化的预测准确性，最终实现了对智能服装袖子操作的高度精确追踪，增强了智能服装的实用性和用户体验。附图说明 [0040] 图1为本发明一实施例的用于智能服装的传感器位置感知方法的流程示意图； [0041] 图2为本发明一实施例的用于智能服装的传感器位置感知方法中，使用AMVD对测量数据中每帧加速度数据进行运动状态检测的结果示意图； [0042] 图3为本发明一实施例的用于智能服装的传感器位置感知方法中，对袖口的操作分类和袖口拉动距离预测示意图； [0043] 图4为本发明一实施例的用于智能服装的传感器位置感知方法中，运动类型为袖口拉动的袖口高度变化流程图； [0044] 图5为本发明一实施例的用于智能服装的传感器位置感知装置图。 具体实施方式[0045] 为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。 [0046] 现结合附图和具体实施方式对本发明进一步说明。 [0047] 实施例一： [0048] 为了实现对袖口操作及高度变化的精准预测，提高传感器在小尺度运动中的测量精确度，进而提升智能服装的测量准确性和自然交互体验，本发明实施例提供了一种用于智能服装的传感器位置感知方法。图1为本发明实施例用于智能服装的传感器位置感知方法的流程示意图。如图1所示，在智能服装的袖口集成IMU传感器，包括： [0049] 实时获取IMU传感器的测量数据，其中，测量数据包括加速度数据、角速度数据和旋转朝向数据； [0050] 通过零速度检测方法判断测量数据中的每帧加速度数据是IMU传感器处于运动状态下的加速度数据还是IMU传感器处于静止状态下的加速度数据； [0051] 当测量数据中存在连续预定帧数的加速度数据为IMU传感器处于运动状态下的加速度数据时，将连续预定帧数的测量数据作为运动数据； [0052] 根据运动数据计算当前的袖口翻折次数，比对当前的袖口翻折次数与上一次计算获得的袖口翻折次数是否发生变化；若发生变化，则运动数据的运动类型为袖口折叠，并根据当前的袖口翻折次数和预先设定的袖口每次翻折的数值估算IMU传感器相对于基准点的第一高度变化值，其中，基准点为IMU传感器的初始位置；若没有发生变化，则从运动数据的末端向前取出第一预定帧数的数据作为第一数据，按预定的第一处理规则对第一数据进行预处理，并将预处理后的第一数据输入预先训练的第一长短期记忆模型中，获得运动数据的运动类型；其中，运动数据的运动类型包括：袖口拉动和袖口下落； [0053] 当运动数据的运动类型为袖口拉动时，将运动数据进行划分，得到多个第二数据，其中，每一第二数据包括第二预定帧数的运动数据，按预定的第二处理规则对多个第二数据进行预处理，分别将预处理后的多个第二数据输入预先训练的第二长短期记忆模型中，获得IMU传感器相对于基准点的多个第二高度变化值； [0054] 将第一高度变化值与多个第二高度变化值相加，得到当前IMU传感器相对于基准点的高度变化值。 [0055] 实施例二： [0056] 现有的IMU位置计算通常需要结合多个IMU或与其他传感器融合，以减少数据漂移问题。而在单个IMU的应用场景中，常见的做法是将其固定在鞋底，利用人体步行运动的特性来降低对人体位置跟踪的误差。然而，这种基于步态的方法并不适用于智能服装上的传感器在小尺度运动中的位置检测需求。 [0057] 因此，本发明实施例提供了一种用于智能服装的传感器位置感知方法，该方法使用有监督的学习，并且训练LSTM模型用于预测IMU传感器在运动状态下相对于IMU传感器初始位置的高度变化。该方法包括： [0058] 1.实时获取IMU传感器的测量数据。 [0059] 优选地，测量数据包括加速度数据、角速度数据和旋转朝向数据共9轴数据。 [0060] 优选地，IMU传感器通过在袖口上缝制小口袋被固定在智能服装的袖口上。 [0062] 2.通过零速度检测(AMVD)方法判断测量数据中的每帧加速度数据是IMU传感器处于运动状态下的加速度数据还是IMU传感器处于静止状态下的加速度数据。 [0063] 优选地，图2为本发明一实施例用于智能服装的传感器位置感知方法中，使用AMVD对测量数据中每帧加速度数据进行运动状态检测的结果示意图。如图2所示，计算预定数量的窗口的加速度方差，当加速度方差大于等于预定的阈值时，当前帧的加速度数据为运动状态；当加速度方差小于预定的阈值时，当前帧的加速度数据为静止状态；其中，窗口的窗口长度预先设定，加速度数据的单位预先设定。 [0064] 一种具体实现中，将AMVD的窗口长度设定为30帧，加速度单位设置为m/s2，阈值设置为0.08，其中，测量数据中的每一帧加速度数据会被包含在30个不同的窗口中，若其中任意一个窗口被AMVD认为是静止的，则该帧加速度数据被认为是静止的。 [0065] 一种具体实现中，将包含m帧数据的测量数据作为Xm，其中，第t帧数据为xt，使用AMVD判断IMU传感器当前是否在运动。 [0066] 3.当测量数据中存在连续预定帧数的加速度数据为IMU传感器处于运动状态下的加速度数据时，将连续预定帧数的测量数据作为运动数据。 [0067] 优选地，连续预定帧数为30帧。 [0068] 4.根据运动数据计算当前的袖口翻折次数，比对当前的袖口翻折次数与上一次计算获得的袖口翻折次数是否发生变化； [0069] 若发生变化，则运动数据的运动类型为袖口折叠，并根据当前的袖口翻折次数和预先设定的袖口每次翻折的数值估算IMU传感器相对于基准点的第一高度变化值，其中，基准点为IMU传感器的初始位置； [0070] 若没有发生变化，则从运动数据的末端向前取出第一预定帧数的数据作为第一数据，按预定的第一处理规则对第一数据进行预处理，并将预处理后的第一数据输入预先训练的第一长短期记忆模型中，获得运动数据的运动类型；优选地，第一预定帧数为60帧；优选地，运动数据的运动类型包括：袖口拉动和袖口下落。 [0071] 图3为本发明一实施例的用于智能服装的传感器位置感知方法中，对袖口的操作分类和袖口拉动距离预测示意图。其中，对袖口的操作分类与运动数据的运动类型相对应；袖口拉动距离与袖口中设置的IMU传感器相对于选定基准点的高度变化值相对应。优选地，基准点为IMU传感器的初始位置。具体地，如图3所示，对于袖子的操作分类分包括：袖口拉动袖口翻折以及袖口在重力作用下自然坠落；袖口的拉动距离为设置有IMU传感器的袖口在经过对应操作后的位置相对于穿戴好衣物后的该袖口初始位置的距离。一种具体实现中，使用该袖口拉动距离来表示IMU传感器相对于选定基准点的高度变化值。 [0072] 一种具体实现中，根据运动数据计算当前的袖口翻折次数包括：根据运动数据中的初始帧数据构建三维坐标系，并将IMU传感器的朝向投影在三维坐标系的xz平面上；优选地，三维坐标系包括x，y，z轴，x轴和y轴为水平方向上的两个轴，z轴为垂直方向的轴； [0073] 计算每帧运动数据相对于y轴的旋转角度，再累加计算获得的旋转角度，得到运动数据的总旋转角度，再通过总旋转角度计算得出袖口翻折次数；优选地，通过如下公式计算总旋转角度和袖口翻折次数： [0074] [0075] Δθk表示运动数据中第k帧数据的旋转角度，θk表示总旋转角度，Vk表示运动数据中第k帧数据的旋转向量，V′k表示运动数据中第k帧数据投影在xz平面上的旋转向量；Vk‑1表示运动数据中第k‑1帧数据的旋转向量，V′k‑1表示运动数据中第k‑1帧数据投影在xz平面上的旋转向量；其中，第k‑1帧数据为运动数据中第k帧数据的上一帧数据； [0076] 通过总旋转角度计算得出袖口翻折次数，其中： [0077] [0078] Tk表示袖口翻折次数。 [0079] 优选地，最终第k帧时袖口的翻折次数表示为旋转角度除以π后四舍五入的结果。 [0080] 一种具体实现中，第一处理规则包括：当第一数据所处的坐标系为IMU传感器坐标系；和/或， [0081] 当加速度数据的单位为m/s2时，将加速度数据根据第一预定比例缩放；当角速度数据的单位为rad/s时，将角速度数据根据第二预定比例缩放，以此对数据进行初步的标准化；优选地，第一预定比例为1/30；优选地，第二预定比例为1/10； [0082] 当IMU传感器被绕y轴180°反向放置，即当袖口翻折次数为奇数时，对加速度数据和角速度数据的x轴和z轴数据进行取反，以此弥补翻折前后的数据差异； [0083] 当IMU传感器集成在左手的袖口时，对加速度数据的y轴数据进行取反，以及角速度数据的x轴和z轴数据进行取反，以此弥补左右手的数据差异； [0084] 当运动数据的帧数小于第一预定帧数时，使用运动数据末尾后且状态为静止状态的数据拼接在运动数据后进行补齐，使所有数据长度都保持为第一预定帧数。 [0085] 优选地，第一长短期记忆模型作为对运动类型分类的模型，损失函数为交叉熵函数，激活函数为ReLU函数；其中，损失函数用于衡量模型预测值与真实值之间的差异，并通过最小化这个差异来优化模型参数；激活函数引入了非线性特性，使得神经网络能够学习和表示复杂的函数映射；第一长短期记忆模型的损失函数是交叉熵函数，交叉熵函数衡量的是两个概率分布之间的差异，被广泛用于分类问题中；使用的ReLU函数是一种常见的激活函数，ReLU函数计算速度快，可以缓解梯度消失的问题，有助于提高模型的稀疏性。 [0086] 一种具体实现中，第一长短期记忆模型的输入的数据包括运动数据在末尾60帧内经过预定的第一处理规则处理后的加速度数据和角速度数据，仅使用末尾60帧数据是因为袖口拉动类型和袖口下落类型的运动数据主要区别在于运动末尾的数据规律。 [0087] 5.当运动数据的运动类型为袖口拉动时，将运动数据进行划分，得到多个第二数据，其中，每一第二数据包括第二预定帧数的运动数据，按预定的第二处理规则对多个第二数据进行预处理，分别将预处理后的多个第二数据输入预先训练的第二长短期记忆模型中，获得IMU传感器相对于基准点的多个第二高度变化值。优选地，第二预定帧数为60帧。 [0088] 一种具体实现中，第二处理规则包括：当第二数据所处的坐标系为IMU传感器坐标系；和/或， [0089] 当加速度数据的单位为m/s2时，将加速度数据根据第一预定比例缩放；当角速度数据的单位为rad/s时，将角速度数据根据第二预定比例缩放，以此对数据进行初步的标准化；优选地，第一预定比例为1/30；优选地，第二预定比例为1/10； [0090] 当IMU传感器被绕y轴180°反向放置，即当袖口翻折次数为奇数时，对加速度数据和角速度数据的x轴和z轴数据进行取反，以此弥补翻折前后的数据差异； [0091] 当IMU传感器集成在左手的袖口时，对加速度数据的y轴数据进行取反，以及角速度数据的x轴和z轴数据进行取反，以此弥补左右手的数据差异； [0092] 当运动数据的帧数小于第二预定帧数时，向运动数据前后均分补充状态为静止状态的数据，直至运动状态的帧数等于第二预定帧数。优选地，当运动数据无法被划分为完整的多个60帧窗口时，即窗口长度不是60的倍数时，向运动数据前后各额外补充静止数据；如某段运动数据有201帧，其被划分为4个窗口时少39帧，则在运动数据开始前补充20帧的静止数据，运动数据末尾补充19帧的静止数据，以此保证一段数据可以被划分为若干个完整的60帧窗口。 [0093] 优选地，第二长短期记忆模型的损失函数为均方误差损失函数，激活函数为ReLU函数；所使用的均方误差损失函数用于计算平方误差的均值，更适合于回归问题，尤其是当输出是连续值时。 [0094] 一种具体实现中，图4为本发明一实施例用于智能服装的传感器位置感知方法中，运动类型为袖口拉动的袖口高度变化流程图。如图4所示，将运动数据段划分为多个长度为60帧的窗口，输入的数据包括运动数据在60帧内的经过预定的第二处理规则处理后的加速度数据和角速度数据，输出的预测结果为IMU传感器在60帧相对于基准点的高度变化值，单位为厘米。 [0095] 6.将第一高度变化值与多个第二高度变化值相加，得到当前IMU传感器相对于基准点的高度变化值。 [0096] 一种具体实现中，针对连续的IMU数据流，将该IMU数据流划分为静止状态和运动状态，将连续处于运动状态下的IMU数据，作为运动数据，并使用预定的算法将运动数据区分为用户折叠(如卷起)袖口、袖口在重力作用下自然下落、用户拉动袖口三种类型，其中，若运动数据被检测为用户拉动袖口的运动类型，则再使用深度学习方法预测IMU传感器相对于IMU传感器初始位置的距离变化。 [0097] 本发明实施例的上述方法使用深度学习方法，根据用户在穿戴智能服装时对袖子操作的规律，实现端到端的IMU传感器高度变化预测，解决了现有的IMU定位方案无法用于智能服装上传感器的小尺度运动的问题，实现了面向智能服装自然交互的高精度传感器位置自适应感知。 [0098] 实施例三： [0099] 本发明还提供一种用于智能服装的传感器位置感知装置，如图5所示，该装置包括处理器501、存储器502、总线503、以及存储在所述存储器502中并可在所述处理器501上运行的计算机程序，处理器501包括一个或一个以上处理核心，存储器502通过总线503与处理器501相连，存储器502用于存储程序指令，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。 [0100] 进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机单元的控制中心，利用各种接口和线路连接整个计算机单元的各个部分。 [0101] 所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机单元的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。 [0102] 实施例四： [0103] 本发明还提供一种智能服装，包括：在袖口集成的IMU传感器；和，如上文所述用于智能服装的传感器位置感知装置。 [0104] 实施例五： [0105] 本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的方法。 [0106] 尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。 |
||
QQ群二维码
意见反馈
意见反馈