基于深度LSTM神經網絡的人體服裝壓力信息預測

韓 韜，郝礦榮，丁永生，唐雪嵩

(東華大學 信息科學與技術學院，上海201620)

生活中各式各樣的服裝是必不可少的，人們在追求穿衣款式的同時，也關注服裝的舒適性。服裝的舒適性主要包括3個方面: 壓力、透氣性、熱濕舒適性。不同款式、尺寸的衣服會對人體產生不同的壓力，而不同的服裝壓力會直接影響人們對服裝舒適性的感覺，進而可能會影響人體的生理和心理健康。因此，壓力舒適性已經被看作是服裝舒適性的一項重要的評價指標。相對于普通衣服，一些緊身類型衣服，比如運動緊身衣、塑形內衣、速干透氣壓縮衣等的壓力舒適性，更有研究價值。

Tang等[1]研究了人體穿著衣服時的熱舒適性評價，并做了多尺度的建模。Maton等[2]研究了具有壓力的彈性壓縮襪在對人體持續施加壓力的時間內，是否會造成人體肌肉的疲勞感，以及這種彈性襪子對疲勞的改善。Wang等[3]提出了一種新的幾何細分方法來模擬和觀察人體變形后的彈性體和服裝壓力的分布。Ng等[4]提出了一種利用近景攝影測量間接預測緊身腰帶對人體皮膚施加壓力的新方法。Wang等[5]開發了一種具有多個壓力傳感器的智能人體模型，將這些傳感器內置在不同的表面上，可以橫向擴展以模仿不同的身體尺寸，可用于測量人體穿衣服時候的壓力信息。除此之外，Wang等[6]還研究了關于壓縮服裝的動態壓力特性的測試系統和測量方法。Mirjalili等[7]研究了一種基于接觸力學的彈性服裝與人體某些部位的接觸壓力的分析 。

占輝等[8]研究了適應人體皮膚變化的因素以及服裝壓力舒適性的應用。宋曉霞等[9]研究了服裝壓力的測定等幾個方面對服裝壓力與人體舒適性之間的關系。閔悅[10]從多方面探討了人體舒適性和服裝壓力之間的關系，并分析了如何用數字化方式構建服裝壓力模型。除了研究通用型服裝與人體壓力之間的關系，一些學者還專門研究一些特殊服裝對人體或者人體某個部位產生的壓力。于曉坤等[11]探討了基于松弛強力的文胸肩帶彈性回復率與壓力的回歸模型。王麗卓等[12]研究了國內女性的文胸服裝壓感舒適性，研究結果可為女性日常穿著文胸提供參考。梁素貞[13]對不同彈性和腰圍的女性牛仔褲腰部壓力舒適性進行研究。宋曉霞等[14-15]采用自行研制的壓力測試系統測量瑜伽服上衣靜態穿著壓力，并分析影響瑜伽服上衣壓力的主要因素，之后采用幾種針織面料分別制作基本款針織運動上衣，測量穿著對象在穿著這些服裝做典型瑜伽動作時的服裝壓力。周晴等[16]利用心理量表對不同號型、款式和彈性的運動內衣做出主觀壓力感評價。

文獻中關于人體著裝壓力信息的預測，大多以物理模型或者數學中的幾何模型進行建模，這種模型不能從壓力數據中學習到數據之間的特征，無法很好地表征人體不同部位間的壓力數據之間的關聯。本文提出的深度長短時記憶(long short-term memory， LSTM)模型，是基于不同人體穿衣時采樣壓力數據來訓練模型，按照時序關系進行采樣。該模型是時序數據驅動模型，可以從數據中很好地學習到人體不同部位壓力數據之間的聯系，并可以表征人體不同部位壓力的信息特征。從采樣的不同人體壓力數據中，可以更好地探索人體不同部位的壓力信息數據之間的關系，進一步挖掘壓力信息中有用的部分。

1 問題描述

為了研究服裝對人體的壓力舒適程度，本文采用柔性壓力陣列采樣人體各個部位的壓力數據。以上衣為例，分別采樣穿上這件上衣后的左肩、右肩、左胸、右胸、左背、右背這6個區域的壓力信息。但在試驗中，如分別采樣這6個區域的壓力信息，則耗時耗力，非常麻煩。事實上，人在穿上衣服以后，人體的肩部、胸部、背部之間的壓力信息之間存在某種關聯，因此可以設計一種算法，只采樣人體某一個部位的壓力信息，比如左肩的壓力信息，以此來預測出左胸和左背區域的壓力信息，如圖1所示。這樣不僅能節省采樣時間和柔性壓力陣列的實驗器材損耗，同時也能夠大幅度減少試驗次數。

圖1 問題描述示意圖Fig.1 Schematic diagram of problem description

2 LSTM神經網絡模型及壓

力信息預測

2.1 LSTM神經網絡

循環神經網絡(RNN)是一種深度神經網絡[17-18]，LSTM神經網絡是循環神經網絡的一種變種模型。LSTM神經網絡可以有效地解決全連接RNN中梯度消失或者爆炸的問題。LSTM神經網絡最重要的是引入了一個內部記憶單元來保存一些歷史信息。內部記憶單元可以學習，什么時候應該忘記歷史信息，什么時候來新的消息，進而需要動態地更新內部記憶單元。LSTM神經網絡的計算結構如圖2所示。

圖2 LSTM神經網絡計算結構Fig.2 Computational structure of LSTM neural network

在圖2中，c(t)是一個t時刻內部記憶單元，c(t)受3個門(輸入門i(t)、遺忘門f(t)、輸出門o(t)控制)。在t時刻，LSTM結構按照如下方式更新:

i(t)=σ(Wiv(t)+Uir(t-1)+bi)
f(t)=σ(Wfv(t)+Ufr(t-1)+bf)
o(t)=σ(Wov(t)+Uor(t-1)+bo)
e(t)=h(Wev(t)+Uer(t-1)+be)
c(t)=f(t)θ(t-1)+i(t)θe(t)
r(t)=o(t)θh(c(t))

(1)

式中：v(t)為當前時刻t的輸入向量；r(t)為當前時刻記憶單元的輸出向量；W和U為權值矩陣的參數；b為偏置向量；h(·)為tanh(·) 函數。σ(·)為logistic sigmoid函數。

2.2 深度LSTM神經網絡

按照時間和狀態將網絡展開，LSTM神經網絡是一個很深的深度神經網絡，但是從另一個方面而言，這個網絡的結構是很淺的。因為在任何兩個相鄰的時刻，神經網絡的輸入狀態和隱藏狀態只有一個非線性函數，同樣地，在隱藏狀態和輸出狀態之間也只有一個非線性函數。

由于增大神經網絡的深度，可以在某些方面增加神經網絡的處理能力，本文將許多個LSTM神經網絡堆疊起來，設計成為一個深度LSTM網絡。通過堆疊多個隱藏狀態，提出了按照時序展開的深度LSTM神經網絡，以此來預測人體的壓力信息分布。基于時序展開的深度LSTM網絡的結構圖如圖3所示。

圖3 按照時序展開的深度LSTM神經網絡Fig.3 Deep LSTM neural networks according to time sequence expansion

由圖3可知：在此4層堆疊的深度LSTM網絡中，高層的LSTM網絡按照時序從低層的LSTM網絡學習到數據特征；隨著時間的推移，高層的LSTM網絡從低層的LSTM網絡中學到越來越多的抽象的數據特征。

第L層神經網絡的輸入是第L-1層神經網絡的輸出。隱含層中高層網絡的狀態在t時刻定義為gt(l)，則

gt(l)=h(U(l)gt-1(l)+W(l)gt(l-1)+b(l))

(2)

式中：h(·)為tanh(·)函數。若l=1，則

gt(1)=xt

(3)

當l=1時，第1層神經網絡為輸入層的狀態，即是輸入在t時刻的狀態xt。在本文提出的模型中，gil是第l層的LSTM網絡的狀態，通過深度LSTM網絡結構，輸入人體的肩部壓力信息，再通過肩部壓力信息與背部或者胸部之間的某種關系，進而預測出背部和胸部的壓力信息分布。

第1層LSTM神經網絡的輸入是一維的，輸出為50，激活函數為ReLU函數；第2層LSTM神經網絡的輸入為50，輸出為100；第3層LSTM神經網絡的輸入為100，輸出為150；第4層LSTM神經網絡的輸出為400。第2～4層LSTM神經網絡的激活函數也都是ReLU函數。其中第1～4層神經網絡的Dropout都設置為0.2。第6層為dense層。激活函數為:

a(x)=x

(4)

由式(4)可知，第6層的激活函數為線性函數。

2.3 基于深度LSTM神經網絡的人體服裝壓力信息預測

為了實現人體全身的服裝壓力信息預測，根據深度學習思想設計了一個新的深度LSTM神經網絡。因為采集人體某一個區域的壓力信息具有時序性，若把從柔性壓力陣列中采樣出來的壓力信息改寫成一列的向量，這一列向量中的壓力值也是與時序相關的。根據這種壓力采樣過程中的時序關系，基于長短時間記憶單元設計一種升級網絡，用來預測人體全身的服裝壓力信息。深度LSTM神經網絡解決人體服裝壓力信息預測問題的計算結構如圖4所示。

圖4 深度LSTM神經網絡計算結構Fig.4 Deep LSTM neural network computational structure

深度LSTM神經網絡的輸入是人體穿衣后身體某一部分的壓力信息，網絡的輸出分別是人體另外幾個區域的壓力信息。本文把人體穿上某類型衣服后的肩部壓力信息作為LSTM網絡的輸入，而把背部和胸部區域的壓力信息作為網絡模型的輸出。

在采樣壓力信息時，通過柔性壓力陣列得到一個實數值構成的原始數值矩陣x，我們可以把這個原始數據改寫成一個n×1維數的列向量，即RN下x(i)(i=1, 2, …,n)。

在深度LSTM網絡模型中，設置均方誤差值M(mean squared error, MSE)來作為損失函數的計算，如式(5)所示。

(5)

式中：Pi為深度LSTM神經網絡的輸出結果，即圖4中對應的背部壓力信息或者胸部壓力信息；Oi為通過柔性壓力陣列采集的人體著裝的某些部位的原始壓力數據，即圖3中的背部或者胸部的原始壓力信息數據。

設置計算模型預測結果的損失函數(Mp)如式(6)所示。

(6)

式中：xp-i為網絡模型的預測結果xp中的元素；xi為采樣的原始數據x(x1,x2,…,xn)中的元素。

以圖4的網絡結構為例，以肩部預測背部壓力信息的訓練集為:Dtrain_back={(y(1),x(1)),(y(2),x(2)),…,(y(m),x(m))}，在訓練集里設置

y(i)～x(i),(i=1,2,…,m)

(7)

式中：x(i)為每組的肩部數據；y(i)為每組的背部數據。在訓練神經網絡時，將肩部數據x(i)和背部數據y(i)成對地放入到訓練集Dtrain_back中。同樣，設置預測胸部壓力信息數據的訓練集為:Dtrain_chest={(y(1),x(1)),(y(2),x(2)),…,(y(k),x(k))}，并設置：

y(j)～x(j),(i=1,2,…,k)

(8)

當本文用訓練集訓練深度LSTM神經網絡后，通過比較預測結果y(p)與測試集中的真實值y(t)，來計算預測結果與真實值之間的誤差值。

3 試驗研究

3.1 試驗設備以及儀器

人體肩部的壓力信息采樣由Tekscan 4256E型柔性壓力陣列傳感器完成。4256E型柔性壓力陣列的傳感器片上有5列測量區域，每一列測量區域上有若干個測量點，除了這幾列檢測點之外，傳感器上的其他位置均不會產生壓力信息。每一列中的測量點均會產生一個小的測量數據矩陣，所有這些小的數據矩陣，就組成了整個傳感器片的數據信息矩陣，也就是傳感器系統里采樣得到的壓力信息矩陣。

從Tekscan測量系統軟件中可得到采樣數據，試驗所用的軟件系統版本為GRIP Research 6.85。從Texscan壓力采樣系統中采樣得到數據矩陣通過Matlab處理。運行Matlab程序的計算機配置: CPU為 Intel(R) Core(TM) i7-4790； 3.60 GHz； RAM為 8.00 GB； 操作系統為 Microsoft Windows 7 Professional, x64。

本文提出的深度LSTM神經網絡模型，使用Nvidia GeForce GTX 1080 GPU運行程序。試驗中運行程序的工作站配置: 內存為 128G；處理器processor為Intel(R) Core(TM) i7-5930K；3.50 GHz*12；4個GeForce GTX 1080 GPU；操作系統為Ubuntu 14.04 LTS。

選取人體上半身的右肩區域作為試驗區域，先用人體模特示例在人體肩部區域布點傳感器。

柔性壓力傳感器芯片有若干列測量區域，當在人體某個區域布點傳感器片并測量的時候，由于人體曲面的弧度，只能用到傳感器芯片的部分測量區域。由于Texscan 4256E型傳感器芯片是通過這些采樣點來采集壓力數據，在沒有采樣點分布的區域，壓力矩陣中的這些區域的壓力數據為0。所以，在Texscan壓力采樣系統的軟件中，采樣出來的壓力數據矩陣中有很多的數值點為0，這個采樣矩陣為稀疏矩陣。

從Texscan壓力采樣系統中得到一個29×25的矩陣，該矩陣共有725個數據，一部分是采樣得到的壓力數據值，其余則是沒有布點的壓力數據為0。

3.2 試驗和結果

試驗中，選用兩組不同材質的運動緊身衣：一組緊身衣的材質為滌綸，尺寸為M、L、XL；另一組材質為氨綸，尺寸為S、M、L。不同的男生穿著這6件運動緊身衣，并在人體肩部、背部、胸部區域布點Texscan 4256E型柔性壓力陣列傳感器。通過人體穿運動緊身衣時候右肩的壓力信息，可預測右邊背部壓力信息結果如圖5(a)所示。真實的右邊背部壓力信息如圖5(b)所示。

(a)預測的右背壓力 (b)真實的右背壓力圖5 由深度LSTM神經網絡預測的右背壓力信息與真實右背壓力信息的對比Fig.5 Comparison of right back pressure information predicted by deep LSTM neural network with original right back pressure information

通過Texscan 4256E型柔性壓力陣列傳感器可采樣得到的男生穿運動緊身衣時候背部的壓力信息，應用提出的深度LSTM神經網絡，通過訓練樣本可學習到右邊肩部區域和右邊背部區域壓力信息之間存在的某種關系，通過這種數據關系，進而預測得到模特右邊背部的壓力信息。圖5中壓力信息的橫坐標是Texscan柔性傳感器采樣矩陣的列數，數值為25，縱坐標是傳感器采樣矩陣的行數，數值為29。從圖5中可以看到，背部壓力區域的分布預測比較準確。

通過深度LSTM神經網絡從右肩壓力信息預測右胸壓力信息的結果如圖6(a)所示。真實的右胸壓力信息如圖6(b)所示。通過Texscan柔性壓力陣列傳感器采樣得到的男生胸部的壓力信息，應用所提出的深度LSTM神經網絡，通過樣本學習得到右邊肩部區域和右邊胸部區域的壓力信息之間的某種關系，并預測得到的男生右邊胸部的壓力信息。從圖6中可以看到，胸部壓力的分布區域可完全被預測出來。

(a)預測的右胸壓力 (b)真實的右胸壓力圖6 由深度LSTM神經網絡預測的右胸壓力信息與真實的右胸壓力信息的對比Fig.6 Comparison of right chest pressure information predicted by deep LSTM neural network with orginal right chest pressure information

在預測右邊背部的測試集中，預測正確率為60%左右，而預測右邊胸部的測試集中準確率為55%左右。在預測右邊背部壓力信息的測試數據集中，將深度LSTM神經網絡與其他3種算法作對比，這3種算法分別為全連接循環神經網絡(recurrent neural networks, RNN)[19]、門限循環單元(gated recurrent unit, GRU)[20-21]、極限學習機(extreme learning machine, ELM)[22-23]。

4種算法的預測結果對比如表1所示。由表1可知，深度LSTM神經網絡在測試集中的預測準確率高于其他幾種算法。本文提出的深度LSTM神經網絡結構是全連接RNN引入了門控結構的一種變體形式，可以有效地解決RNN存在梯度爆炸和梯度消失的問題。并且在采樣人體壓力數據信息的時候，采樣得到的數據時序間隔并不大，從網絡結構上LSTM比GRU更加合適，而預測精度也優于ELM結構。

表1 深度LSTM神經網絡和其他3種算法的預測結果對比Table 1 Comparison of the predicted results of deep LSTM neural network with three other algorithms

4 結 語

本文提出了一種新的深度LSTM神經網絡結構，當人體穿緊身衣時，該神經網絡根據身體某一個部位的服裝壓力信息，預測其他幾個關鍵部位的服裝壓力信息。相比較其他算法，該深度LSTM神經網絡在測試集中具有更高的預測準確率。

本文提出的深度LSTM神經網絡結構，目前在測試集中最好的預測正確率為61%。筆者課題組將進一步改進所提出的深度LSTM神經網絡結構，希望可以在測試集中得到更好的預測結果和更高的準確率。