基于可穿戴传感器和深度卷积神经网络运动状态进行下半身监控算法

 

 

最近加拿大温哥华市西蒙弗雷泽大学机电系统工程与工程科学学院Menrva研究小组，发明了一种传感器装置可以实时监控下半身运动状态。

 

介绍

跑步是一项比较容易受伤运动，先前已经对跑步者进行了不同运动学参数之间关系的研究。跑步期间髋关节在额平面内的运动范围与骨盆，髋部和膝部有受伤的风险。初始地面接触时的脚和小腿角度，以及站立阶段的膝盖和髋部运动范围与跑步表现有关。初次接触时踝关节角度也与跑步相关伤害的一些动力学危险因素有关。因此，对下肢进行连续的多轴运动学监测是预防行驶伤害和改善性能的重要考虑因素。在诊所进行的复杂步态分析可提供最准确的结果，但该解决方案不适用于在日常训练期间对跑步者进行长期监视。大部分休闲跑步者也无法进入步态实验室。解决此问题的另一种方法是开发可测量运动学的可穿戴传感器。

惯性测量单元（IMU）是最常见的可穿戴传感器系统。IMU已被用于测量运动学和下半身的动力学，包括二维和三维关节角度，改变了运动学，地面反作用力，以及下主体联合力量。

 

基于IMU的可穿戴传感器在测量多轴关节角度时有局限性。磁力计易受铁磁干扰。生理骨骼坐标系也不同于连接到每个节段的IMU坐标系，这会导致测量误差。因，由IMUs和运动捕捉系统测得的角度之间的相关性对于髋额叶平面较差。考虑到IMU用于关节角度测量的准确性，应该强调的是，先前的大量工作已将运动捕获标记器附加到用于测量参考关节角度的IMU单元上，但是，将标记器附加到解剖骨标记上，这是步态分析中常用的方法会增加误差。

 

软应变传感器是已被用于下身监测，躯干角度测量，步态相位检测，和姿势分类。与刚性IMU相比，基于织物的应变传感器的主要优点是使用过程中的灵活性和舒适性。应变传感器已显示测量髋，膝，和在矢状平面中踝关节的角度为6根均方误差（RMSE）°，2°至15°，和3 °至10°。估计在步态期间最大膝盖屈曲角度的RMSE小于2°。

Totaro团队将应变传感器的使用范围从矢状面扩展到仅用于踝关节的额叶和横平面，但是，并未研究行走和跑步过程中用于非矢状面角度测量的传感器性能。也有介绍了使用污点传感器监测矢状面的运动。而步行和简单关节屈曲的任务运行时显示误差小于15°。应变传感器的性能的用于运行的比较与行走和关节弯曲练习亮点该技术在运行的应用程序的挑战。

软应变传感器的主要问题是为每个人校准传感器。方法，如直线拟合，傅里叶级数，机器学习（随机森林和神经网络），和深学习算法（LSTM）之前已经报道寻址校准问题。

 

在先前的研究中，我们表明，与线性回归器相比，机器学习模型可将膝盖角度测量的误差降低约3°。掺入深度学习模型也被证明可以降低与线性模型。

尽管将传感器校准为特定的人可以获得较高的精度，但是它需要使用黄金标准的运动捕捉系统。一种替代方法是引入一个模型，该模型可以在多个人身上校准，并且可以被其他人使用。在以前的工作中，随机森林回归者在参加者间的测试中获得了7°的RMSE用于膝关节角度测量。在参与者之间的场景中，上身姿势也被分类为65％的准确性。参与者间测试中，传感器在身体上的位置变化以及身体形状的差异是一些挑战。

考虑使用可佩戴传感器（IMU的或柔性的应变传感器），用于运行运动监测，可靠性和IMU的机会的需要已被研究用于室内和现场应用。与软应变传感器相关的先前工作主要集中在传感器的发展及其在跟踪简单活动（如关节弯曲和跑步过程中步态的二维运动学）方面的应用。在本文中，这项工作解决了基于纤维的应变传感器在运行过程中进行三维运动学监测的验证。通过优化传感器放置和先进的信号处理解决了测量精度的提高。

材料和方法

• 应变传感器

纳入原型的光纤传感器的生产方法，用碳黑热塑性弹性体复合材料浸涂复丝氨纶丝（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（相对于H3078的50 wt％）中组成的溶液通过连续卷对卷法涂覆氨纶丝以3.81厘米/秒的速度缠绕到距溶液出口1.83米的线轴上（以便在收集之前充分干燥以减少纤维粘在一起）。在60°C真空下30分钟除去所有残留的溶剂。在使用之前，通过以正弦波形将每秒10％的应变拉至40％100x，对所有传感器进行调节。为了防止传感器在接触导电液体（例如汗液）时发生短路，一旦与连接线建立连接，就可以通过浸涂在5 wt％的聚（苯乙烯-b-乙烯-共聚丁二烯-b-苯乙烯）环己烷溶液中来施加额外的绝缘护套。先前的研究报告了传感器范围，规格因子，磁滞，长期正弦测试，应变率和长期随机测试的分析。传感器在低于30％应变时没有磁滞，在4小时内信号一致，并且规格系数为5。传感器在10％，20％和30％应变时的应变响应是线性且一致的。压阻感测被限制为90％应变，而工作范围被限制为30％以确保信号线性并限制塑性变形。这项研究（附录A）中包括了在不同频率下应变的传感器的性能。传感器能够跟踪高达10 Hz（每秒200％；对于50 mm样品，速度为100 mm / s）。

 

• 优化传感器放置

优化传感器位置是确定导致最高精度的传感器位置最少数量的重要步骤。仅针对髋关节进行了优化研究，因为它需要监视三个可能影响传感器性能的可能位置和方向的三个*度。膝盖和脚踝的*度和潜在姿势有限。因此，根据运动的主轴经验将传感器放置在脚踝和膝盖上，并通过反复试验对其进行完善。

完成髋关节角度传感器的放置，其目的是找到导致关节角度估计最高精度的位置组合。定位被视为特征选择问题，根据先前工作中介绍的方法将位置视为特征。使用光学相机和反射标记仪测量所有可能位置的应变。目标函数是线性回归器的精度（R 2误差），该精度在离开一人交叉验证中估计了矢状，额状和横状面的关节角度。有两种方法用于解决特征选择问题：前向顺序（FS）方法和遗传算法（GA）。

 

特征选择方法主要有两类：过滤器和包装器。过滤方法使用统计测试来找到最佳特征子集，而无需训练机器学习模型。包装器方法通过训练机器学习模型并计算相应的准确性来评估特征子集的有用性、

与过滤器方法相比，包装器方法可以找到更好的特征子集，因为它考虑了预测问题的任何特征子集的准确性。因此，在本研究中采用了包装方法。用于包装方法的两种主要搜索策略是顺序算法和随机算法。在这项研究中，实现了顺序算法的前向顺序算法和随机算法的遗传算法。线性回归模型被用作机器学习算法，该算法先前已经在使用应变数据进行关节角度估计中获得了令人满意的精度，同时与更复杂的机器学习算法相比，对计算的要求更低。

1.传感器放置数据

为了找到监测髋关节角度的最佳位置和传感器数量，使用六个运动捕捉相机记录了跑步过程中服装上的应变。将总共50个运动捕捉标记（直径6 mm）以网格模式放置在相距4 cm的紧身衣上（如下图1）。五名参与者（均为男性，年龄25±2岁，体重75±7 kg，身高180±2 cm）参加了数据收集。实验方案已由西蒙弗雷泽大学研究伦理办公室批准。在收集任何数据之前，必须先获得所有参与者的书面知情同意。数据记录以以下三种速度完成：8 km / h，10 km / h和12 km / h，每分钟2分钟，运行测试是在装有皮带的跑步机上进行的。

 

图1. （a）服装上的标记网格，用于优化传感器在骨盆上的位置。穿着紧身衣之前，标记的初始垂直和水平距离为4 cm，并且（b）考虑所有可能的传感器方向，包括水平，垂直和两个对角线。

 

使用三维标记位置计算垂直，水平和两个对角线方向上相邻标记的距离（图 1b）。使用以下公式计算服装上的应变：

其中L是标记的距离，L0是中性站立姿势（L0大于或等于4 cm）时标记的初始距离。当衣服穿上时，织物具有自然的伸展性，因此能够增加或减少长度。如果服装的伸展度降低，从而形成皱纹，并有效地导致产生的数据不是“真实的”，则会创建一个限制，以便将这些数据排除在外。因此，在运动学跟踪期间，将L的值限制为大于或等于4cm的值，该值被确定为比将形成褶皱时的长度更大的长度。施加了这样的条件，即每个传感器在预期的行驶运动中将应变至少10％（相对于其起始位置），以使获得的信号和精度最大化。这排除了在运行过程中不会拉紧的任何传感器位置。在测试过程中，使用十二个反光标记来定义骨盆和大腿部分，以测量髋关节角度。下一部分将讨论标记集和片段。

 

2.顺序转发法

在这种方法中，我们从一个空的位置（特征）子集开始，然后将下一个位置添加到已经选择的位置，这导致了目标函数的最大值。该方法在Python中实现。在代码中，Y是包含所有功能的功能集， Xķ 是算法之后选择的特征子集 ķ 迭代并包含 ķ 特征， J是我们旨在最大化的目标功能，并且 X+ 是一项新功能，已选择要添加到当前功能子集中（Xķ）。

遗传算法方法

遗传算法已被广泛用作机器学习问题的特征选择。为此研究在Python中实现了定制的遗传算法模型。

遗传算法的实现有两种不同的方法：十进制和二进制。在二进制GA中，每个候选项将以带有零和一的二进制格式表示。搜索域中的每个候选对象将被称为一条染色体，而染色体中的每个零或一个将被称为一个基因。遗传算法具有三个主要步骤:

首先，产生了候选人。

其次，从种群中选择一个交配池。

第三，每当从人口池中选择两名候选人时，“交叉”和“变异”操作即完成。在“交叉”操作中，选择的两个染色体彼此交换一些基因，而在“突变”中，一个染色体的基因从零变为一，或从一变为零。交叉和变异都有不同的实现方法，并通过算法中定义的概率来完成。此过程将继续进行，并且在每次迭代时，将产生与初始种群相同大小的新一代。可以预期，在这种过程中会进化出世代，并且基于GA的生物学概念可以生产出更好的个体。

在这项研究中，随机选择了30个人作为潜在传感器位置的初始种群。种群中的个体是二元染色体，长度为40，等于所有可能的传感器位置的数量。在二元染色体中，值为1的基因表示存在相同索引的传感器位置，而值为零的基因表示不存在相应位置的传感器。然后使用轮盘赌选择方法选择一个包含15个个体的交配池。从交配池中随机选择一对，并通过Pc = 0.8的概率进行单点交叉。在交换部分具有相同数量的零和一的条件下，随机选择交叉点。所以，孩子的零和一的数目与其父母相同，并且保证算法能够找到具有所需特征数的最佳特征子集。产生的后代被Pm = 0.5的概率突变。调整交叉和突变概率以达到最佳准确性。使用互换突变方法，选择一个随机基因1和一个随机基因0，并交换它们的值。为了保证最好的人能够在下一代中得到延续，人们应用了精英主义。一代中最好的两个人被转移到了下一代。调整交叉和突变概率以达到最佳准确性。使用互换突变方法，选择一个随机基因1和一个随机基因0，并交换它们的值。为了保证最好的人能够在下一代中得到延续，人们应用了精英主义。一代中最好的两个人被转移到了下一代。调整交叉和突变概率以达到最佳准确性。使用互换突变方法，选择一个随机基因1和一个随机基因0，并交换它们的值。为了保证最好的人能够在下一代中得到延续，人们应用了精英主义。一代中最好的两个人被转移到了下一代。

 

3.传感器放置结果

使用顺序正向和遗传算法方法找到了不同大小的最佳特征子集。使用具有不同大小的最佳特征子集的参与者间估计角度的平均R 2 如图2所示。与顺序正向方法相比，遗传算法可以找到更好的特征子集。由GA找到的特征子集的精度在位置子集大小为4之后并没有显着提高，因此这使我们能够使用最少数量的传感器来减少功耗并减少设备生产时间。所选位置在图1中用绿线表示。

图2. 使用不同尺寸的最佳位置子集估算3D髋关节角度的参与者间准确性。

 

• 原型

应变传感器的两端通过导电材料连接到电线，然后通过在传感器上缝合将传感器固定在衣服上。骨盆区域的传感器放置在由遗传算法确定的指定位置。根据经验放置膝盖和脚踝上的传感器，如图3所示所有传感器都安装在紧腿裤的左腿上，骨盆上的四个传感器，膝盖上的两个传感器（在前侧）和脚踝上的三个传感器（在前侧两个在后背）侧）。为了简化概念验证设备的数据分析，我们选择只研究一条腿。使用对称系统（在两条腿上）监视两条腿是可行的，该对称系统将用于商业产品，并且可以研究腿对步态和跑步效率的依赖性。

图3. 安装在左腿上的基于织物的应变传感器和运动跟踪器标记。

 

• 实验装置

原型上安装的所有传感器都连接到数据采集系统（DAQ），以读取传感器电阻的变化。传感器的电阻通过分压电路读取。电路中使用的电阻为40kΩ。

六个运动捕捉摄像机（Vicon）被用来捕捉23个反射标记的3D运动数据，这些反射标记安装在参与者的下半身，参与者在装有皮带的跑步机上运行。使用同步信号将运动捕获数据与传感器信号同步。运动捕捉数据是使用Vicon Nexus软件记录的。来自应变传感器和运动捕获系统的数据以100 Hz的采样率记录。

 

• 参与者和数据收集协议

该研究招募了十名健康的男性参与者（年龄27±4岁，身高177±7 cm，体重72±7 kg）。实验方案已由西蒙弗雷泽大学研究伦理办公室批准。在收集任何数据之前，必须先获得所有参与者的书面知情同意。

数据收集协议总共运行15分钟，包括以下五种速度下的15次一分钟试验：8、9、10、11和12 km / h。参与者从最慢的速度开始，然后发展到最快的速度。重复三遍。速度不是随机的，因为参与者从最慢的速度开始并依次增加到最快的速度更加方便。

 

• 测量参考下半身运动学

在下半身安装了二十三个反射运动捕捉标记，以监视下半身的运动学。骨盆节段是在CODA节段之后通过四个静态标记定义的，分别是左右and前上棘和左右and后上脊（R / L PSIS）。四个标记还用作骨盆的追踪标记，包括R / L PSIS和and上的两个其他标记。使用大转子和髋关节中心的近端标记（由骨盆段定义）和膝盖的两个远端标记（股骨的外侧和内侧上con）定义大腿段。将固定在板上的四个反射标记物安装到大腿部分作为跟踪标记物。使用两个近端标记物（股骨的外侧和内侧上con）和两个远端标记物（脚踝的内侧和内侧）定义小腿节段。将其上带有四个标记的板安装在小腿段上，作为跟踪标记。脚段由两个近端标记（外侧和内侧踝踝）和两个远端标记（1个头第 5 个 meta骨）。捕获静态试验后，将所有静态标记删除，仅将跟踪标记用于运行测试。

标记轨迹数据由Vicon Nexus软件记录。将运动捕捉数据导入到Visual 3D软件（C-Motion，Inc.，Germantown，美国）中，并创建了肌肉骨骼的下半身模型。根据Visual 3D的建议，使用虚拟分段方法来校准实际的关节角度。遵循先前的建议，使用截止频率为6 Hz的四阶Butterworth滤波器对关节角进行滤波。

 

• 数据预处理

试验开始时在静态站立姿势期间的应变传感器信号用于计算

 

其中V是测试期间应变传感器的电压，V0是静态站立姿势下测试之前应变传感器的初始电压。在下文中，使用ΔV/ V0估算实际角度。然后，通过减去平均值并除以标准偏差，对从应变传感器获得的数据进行归一化。训练和测试数据集分别进行了标准化，以保持测试数据不可见。然后使用Savitzky-Golay滤波器[35]平滑数据，窗口长度为31帧，阶数为5。根据经验选择滤波器的参数，以消除噪声并保持信号的主要模式。

 

• 卷积神经网络架构

使用TensorFlow在Keras后端实现了四层卷积神经网络（CNN）。二维CNN模型的架构如图4所示。CNN模型的输入是从在600毫秒（100赫兹的60个数据点）时间窗中提取的原始信号在原型的所有9个传感器上移动。原始信号的一阶和二阶导数。

图4. 用于参与者间测试的CNN模型的体系结构。相似的CNN模型用于参与者内部测试，具有六个输出。

 

该模型的输入形状为60×27,参与者测试的CNN模型的输出为以下六个关节角度：髋关节矢状面，髋额叶面，髋部横切面，膝矢状面，踝矢状面，和脚踝额面角度。参与者间测试的模型输出为矢状平面中的以下3个角度：臀部，膝盖和脚踝。

 

线性函数ReLU**了所有卷积和密集层以及Xavier统一函数初始化的层。内核形状为（3,1），这意味着内核在层的时间维度上移动。批次大小为128，并且由于模型开始过度拟合训练数据而在10个时间段后停止训练。与参与者的子样本相比，对所有训练数据进行模型训练以进行参与者间测试会导致更大的泛化误差。因此，有60％的训练数据被随机抽样替换（可以选择一个数据点多次），并用于训练CNN模型。替换二次采样是袋装模型中使用的一种技术。

在参加者内部模型中，损失函数为预测的6个输出的MSE，其计算公式如下：

其中yˆi，j是预测角度，yi，j是实际角度，N是样本数，6是输出数。在参加者之间的模型中，由于脚踝和臀部的估计误差大于膝盖，因此损失函数由脚踝和臀部的权重参数定义如下：

其中A，B和C是定义以调整参数的权重，以提高最差的估计关节角度的精度。根据经验，A，B和C分别选择为2、1，5。

 

• 评估方法和指标

训练了CNN模型，以估计参与者之间和参与者内部场景下Visual 3D计算的下半身运动学。在参与者内部场景中，使用每个特定个体的数据来训练和测试CNN模型，而在参与者之间场景中，基于多个参与者的数据来训练CNN模型，并针对单独的参与者进行测试。参与者间场景的优点是消除了对新手的校准。

从每个参与者中收集了15分钟的100 Hz运行数据。因此，来自10个参与者的9个传感器中每个传感器的90,000个数据样本被用作数据集。由于数据集包含每种速度的三个试验，因此在参与者内部的情况下，数据集被分为三个折叠，每个折叠包含以五种不同的速度进行5分钟的跑步。然后对数据进行三重交叉验证。每次使用两次折叠作为训练，其余的折叠视为测试数据。重复该过程，直到所有褶皱都用作测试数据为止。据报道平均准确度超过三倍。在参与者间测试中，将一名参与者的数据用作测试数据，并将其余9名参与者的数据用于培训。重复此过程，直到所有参与者都用作测试数据为止。在参与者之间和参与者内部的情况下，模型的准确性均在所有参与者之间平均。为了评估参与者之间和参与者内部模型在不同速度下的性能，使用了上面已经解释过的相同训练数据（包括所有速度），但是测试集只是特定的跑步速度。测定系数（R2），估计值的均方根误差（RMSE）和归一化均方根误差（NRMSE）用于评估模型的性能。

结果

• 参加者内部结果

参加者内部测试的CNN模型的平均准确性如表1所示。在不同平面上估计的下半身关节角度的RMSE和NRMSE分别小于2.2°和5.25％。与由运动捕获系统测量的角度相比，估计的角度如图5所示。与矢状面相比，额面和横面的关节角更为复杂。矢状平面中的运动范围大于非矢状平面中的运动范围（图5）。

图5. 参加者内部测试中应变传感器测量的角度与运动捕捉系统在（a）髋矢状面，（b）髋额叶面，（c）髋横面，（d）膝盖矢状面中测量的角度的示例平面，（e）脚踝矢状平面和（f）脚踝额骨平面。

 

表1. 10个参与者之间的参与者CNN模型的平均准确性。

 

不同速度的平均精度如图6和表A1所示。一名参与者的脚踝额叶数据以11 km / h的速度出现异常。每个参与者记录的数据集包括15个试验，即以五种速度中的每种速度进行的三个试验。一项以11 km / h的速度测试参与者脚踝额叶数据的试验与所有其他试验的数据都不匹配。在图6中添加了一个附加点，该点不包括该试验，并且指示了在踝前额平面的不同速度下的一致表现。

图6.参加者内部评估中不同速度下估计角度 的R 2误差比较。传感器和算法的性能在不同速度下保持一致。

 

• 参与者间结果

在这种方法中，将一个人视为测试，将其余人用作训练数据集。表2报告了模型的平均准确性。与通过运动捕获系统测量的角度相比，估计的角度如图7所示。对于参与者之间的模型，在不同平面上估计的下半身关节角度的RMSE和NRMSE小于6.5°和10％。与运动捕捉系统测量的角度相比，估计角度的示例如图6所示。参加者模型在不同速度下的准确性也如图8和表A2所示（附录C）。在本节中，模型是针对参与者间测试而训练的相同模型，但是测试数据分为不同的速度。然后，测量了在不同测试数据速度下模型的准确性和误差。

图7. 在参与者间测试中由应变传感器测量的角度与在（a）髋矢状平面，（b）膝矢状平面和（c）踝矢状平面中由运动捕获系统测量的角度的示例。与膝盖的运动模式和范围相比，参与者之间踝关节和臀部的运动模式和范围不太一致。

图8.参与者间评估中不同速度下估计角度 的R 2误差比较。传感器和算法的性能在不同速度下保持一致。

表2. 10个参与者之间的参与者CNN模型的平均准确性和错误。

 

讨论与结论

在这项工作中，论文或源码数据集下载地址：关注“图像算法”公众号 回复“运动检测”。作者开发了一种基于织物的可穿戴传感器，并使用了深度卷积神经网络来估计矢状，额状和横断面的下半身运动学。涂覆有绝缘护套的基于纤维的应变传感器用于原型制作。传感器在骨盆上的位置使用两种方法进行了优化，一种是遗传算法，一种是顺序前进法。在先前用于上身监测的研究中，引入了基于服装应变模式的传感器定位优化。

 

在这项研究中，精度是目标函数，传感器的数量定义为算法的输入。因此，使用不同数量的传感器对最佳精度进行了更好的比较（图2）。通过优化使准确性最大化（R 2），因为参与者之间的CNN模型更具挑战性，比较顺序正演方法和遗传算法的结果表明，后一种搜索方法发现了更好的特征子集。GA有一些局限性，包括结果取决于初始种群和算法参数。选择并调整遗传算法的参数，例如种群大小，选择方法，交叉和变异概率，精英和适应度函数，以使算法更加健壮。遗传算法性能与确定性搜索方法（FS）的比较表明，遗传算法参数是有效选择的。顺序前进方法有一些局限性，包括无法删除下一次迭代中上一次迭代中选择的特征；这种无能为力阻碍了算法的搜索范围，导致无法评估位置的许多组合。

与以前的研究比较表明，我们在跑步过程中将下半身的监视范围从仅矢状面扩展到了额面和横面。在参加者内部评估中，矢状面的估计值与其他平面相比更为准确。对于特定人的模型，矢状面的最低R 2为0.97，而额叶和横面的最低R 2为0.88。图5证明在臀部额叶，臀部横向和脚踝额叶平面中，由应变传感器测量的角度与运动捕捉之间存在更大的差异。我们认为，矢状面和非矢状面精度的差异在于运动的复杂性，需要检测的较小角度，以及传感器和CNN能够将较大的矢状面和额面中的这些较小角度变化分开的能力。由于矢状面的运动范围比其他平面大，因此在跑步过程中，传感器受屈伸的影响要大于绑架，内收和旋转。

 

因此，传感器的信号与矢状角高度相关，而与非矢状角高度相关。

先前的研究表明，估计误差随着速度的提高而增加。相比之下，由于深度卷积神经网络和传感器特性，在这项研究中，在快速和慢速下都达到了相似的精度（图6和图8）。根据传感器的频率和应变率特性，该传感器能够在低频和高频下（高达10 Hz）进行跟踪。与先前工作中使用的线性模型相比，CNN模型可以更好地预测非线性模式（在较高频率和应变率的压阻传感器中不可避免地出现迟滞和随时间变化的行为），因此，相比之下，在较高速度下误差较小以前的研发。图6与其他速度相比，即使在12 km / h的较高速度下，脚踝额叶跟踪的准确性也较低。该试验准确性的下降是由于一位参与者的数据集异常。脚踝额度值发生了变化，从而对CNN模型将其分配为测试集时预测该试验的能力产生了不利影响。值得注意的是，这与11 km / h速度下的较低运动范围直接相关，并且在所有其他速度试验中均与参与者的踝关节额叶运动范围不一致。这对R 2值产生了负面影响，并且为了进行比较，我们添加了一个额外的数据点，该数据点指示在删除此数据集后踝额的平均值，该值与其他R正面和横向值有2个值（图6）。

 

迄今为止，在测量参与者之间的额叶和横切平面中的实际角度方面，标准光学运动捕捉系统的验证一直难以捉摸。因此，在参与者之间的评估中，训练该模型以仅估计矢状平面角。与踝关节和髋关节角度的运动模式和范围相比，参与者之间膝关节角度的运动模式和范围更加一致，因此在估计膝关节角度时获得的误差较小。图7表明，髋关节和踝关节与膝关节的估计角度和参考角度之间存在较大差异。R 2估计的膝盖角度的NRMSE和NRMSE分别为0.93和6.30％，而估计的踝关节和臀部角度的R 2和NRMSE分别为0.81和9.9％，0.85和9.34％。当测试数据集中的关节角度模式与训练数据集中的关节角度模式不同时，CNN模型的准确性较低。可以预期，拥有包含不同步态模式的大型数据集将导致踝关节和髋关节角度估计的误差较小。

与以前的工作相比，这项研究的结果具有较小的误差。Menguc。使用超弹性传感器监测跑步者的矢状面，并且对于膝盖，臀部和踝部，RMSE分别小于15°，10°和6°。而我们的膝盖，臀部和踝关节的RMSE分别为1.12°，2.2°和1.3°。电容应变传感器用于测量多轴踝角，并且其RMSE小于4°；而在这项研究中，矢状面和额叶面的踝关节的均方根误差小于1.56°。在这项工作中使用的方法（包括传感器放置和用于角度估计的卷积神经网络）优于以前的研究。

在这项研究中，CNN模型用于信号处理目的。CNN的优点是能够通过卷积层从输入信号中自动提取特征。但是，当可以使用大规模数据集时，CNN模型会更好地工作。有使用本研究和CNN模型用于其他目的，如步态相位检测，康复监测和帕金森氏病。与其他技术（例如，基于IMU的系统和基于相机的系统）相比，使用可穿戴式基于织物的传感器所面临的挑战是由于身体形状和传感器位置的差异，使用过程中的衣服飘移以及将系统设计为可清洗的。

该研究的局限性包括队列的多样性，测试环境和测试时间。将其扩展到不同性别，年龄和年龄的人将可以测试CNN模型使用有限的训练数据集与扩展的训练数据集进行准确跟踪的能力。该测试在实验室环境中使用跑步机进行，以在较短的数据记录时间内控制速度。户外非跑步机跑步可能导致不同地形的步态不同。测试周期是有限的，长期测试将有助于分析随时间推移的服装性能和合身性。为了进行这种类型的测试，将需要替代的数据记录或无线功能。

这项工作解决了创建可靠且精确的软传感器可穿戴设备的挑战，该设备可跟踪运动捕获设备中的运动学运动。我们概述了传感器的制造，重点是预期的工作范围和承受汗水的能力，设备的设计和生产，以及CNN的实现以生产完整的设备。最终，我们成功生产了一种可靠的运动运动捕捉设备。