BP神經(jīng)網(wǎng)絡(luò)在塑身內(nèi)衣壓力預(yù)測中的應(yīng)用

周 捷， 馬秋瑞

(西安工程大學(xué) 服裝與藝術(shù)設(shè)計學(xué)院， 陜西 西安 710048)

塑身內(nèi)衣具有一定的塑型效果，但也會給身體造成一定的壓力[1],使人體產(chǎn)生不舒適感[2]，醫(yī)學(xué)研究表明人體處于坐姿或者蹲姿時，過緊的服裝壓力可能會導(dǎo)致血栓危害人體健康[3]，服裝壓力的預(yù)測研究是解決壓力舒適性的前提[4]。由于人體表面是一個不規(guī)則的曲面，在穿著塑身衣時產(chǎn)生的壓力與諸多因素有關(guān)，并且這些因素與壓力的關(guān)系錯綜復(fù)雜，導(dǎo)致預(yù)測服裝壓力比較困難。

目前的服裝壓力預(yù)測方法主要是建立虛擬模型模擬服裝與人體的關(guān)系，再通過數(shù)學(xué)計算預(yù)測服裝壓力分布[5]。羅笑南等[6]將緊身內(nèi)衣看作彈性薄膜，以彈性力學(xué)最小位能原理為基礎(chǔ)，運用拉格朗日數(shù)乘法預(yù)測服裝壓力分布；王建民等[7]設(shè)計了六面體網(wǎng)格模型來模擬人體，通過使用迭代法來計算人體變形與服裝壓力的關(guān)系，最終通過人體變形情況來預(yù)測服裝壓力；Mirjalili等[8]采用Ansys軟件運用有限元模型預(yù)測服裝壓力的分布；張欣等[9]在人體運動過程中建立幾何非線性數(shù)學(xué)模型, 預(yù)測人體在運動過程中服裝的壓力變化。這些壓力預(yù)測模型都能較好地預(yù)測服裝壓力分布規(guī)律，但需要確定很多因素且計算復(fù)雜，實現(xiàn)較為困難。

BP神經(jīng)網(wǎng)絡(luò)模型是近年發(fā)展起來的模擬人腦生物過程的智能算法技術(shù)[10]，比較適合處理非線性復(fù)雜因果關(guān)系的模型[11]。這種方法相當(dāng)于一個黑箱模型，不但可簡化計算過程，還能較為精確地找出數(shù)據(jù)間復(fù)雜的內(nèi)在規(guī)律，在處理龐大且關(guān)系復(fù)雜的數(shù)據(jù)而無法用函數(shù)擬合的情況下，使用該模型進行預(yù)測是一個不錯的選擇[12]。

曾有學(xué)者利用服裝織物材料屬性作為輸入因素,通過BP神經(jīng)網(wǎng)絡(luò)對服裝壓力舒適性做過預(yù)測研究[13]，但此研究主要針對人體主觀感受做出預(yù)測，并未與客觀測量值尤其是有關(guān)人體體型參數(shù)相結(jié)合進行預(yù)測。本文基于人體體型相關(guān)的參數(shù)與塑身內(nèi)衣對人體產(chǎn)生的壓力的實際測量值，選取BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)，對4種不同姿勢下的塑身內(nèi)衣對人體產(chǎn)生的壓力做出有效地預(yù)測研究。

1 實驗部分

1.1 實驗對象

本文實驗研究對象為26位18～25歲的女大學(xué)生，她們的身體質(zhì)量指數(shù)(BMI)值在17～25 kg/m2之間。實驗樣衣選取某品牌腰背夾和提臀束褲，其規(guī)格是76、82、90和98。腰背夾前中有3排調(diào)節(jié)扣，提臀束褲有良好的彈性，這些都可滿足一定圍度差異范圍內(nèi)的人群穿著。

1.2 實驗條件

實驗在安靜實驗室內(nèi)進行，溫度為(25±1)℃，相對濕度為(65±2)%，風(fēng)速小于0.1 m/s。被試者在專業(yè)測試人員培訓(xùn)后，處于無汗、安靜、著裝舒適自然的狀態(tài)下，采用日本AMI公司設(shè)計生產(chǎn)的AMI3037系列氣囊式接觸壓測定儀進行內(nèi)衣壓力測試。

1.3 壓力測試點選擇

本文研究為了解塑身內(nèi)衣在塑型關(guān)鍵部位和壓力較大部位對人體所產(chǎn)生的壓力。在腰背夾和提臀束褲下分別選取10個點進行壓力測試。壓力測試點的位置如圖1所示，壓力點選擇原因如表1所示。

圖1 腰背夾和提臀束褲壓力測試點Fig.1 Pressure test points for body shaper and girdle.(a) Front of body shaper; (b)Behind of body shaper;(c)Front of girdle; (d)Behind of girdle

身體部位壓力點選擇的原因腰背夾肩中點(S1)肩帶承受乳房的重力,壓力較大腋下點(S2)此處收納副乳、脂肪堆積和贅肉,為評價塑型效果關(guān)鍵點胃部中點(S3)收納脂肪,評價塑型效果關(guān)鍵點前側(cè)腰中點(S4)魚骨所在位置,該點壓力相對較大側(cè)腰處(S5)收納脂肪,評價塑型效果關(guān)鍵點后側(cè)腰中點(S6)魚骨所在位置,該點壓力相對較大底邊前中點(S7)收納脂肪,該點壓力相對較大,評價塑型效果關(guān)鍵點底邊側(cè)中點(S8)腹圍線和側(cè)縫線的交點,壓力較大底邊后側(cè)中點(S9)該點壓力相對較大肩胛骨處(S10)收緊肩胛贅肉,提拉背部肌肉的關(guān)鍵部位,評價塑型效果關(guān)鍵點提臀束褲腹凸點(P1)腹部贅肉,評價塑型效果關(guān)鍵點前側(cè)臀點(P2)脂肪堆積,評價塑型效果關(guān)鍵點側(cè)臀點(P3)此處為髂骨處,骨骼凸起易對人體產(chǎn)生壓力腹股溝點(P4)影響健康關(guān)鍵點大腿前凸點(P5)評價塑型效果關(guān)鍵點大腿側(cè)(P6)評價塑型效果關(guān)鍵點大腿后凸點(P7)評價塑型效果關(guān)鍵點臀凸點(P8)容易受力,評價塑型效果關(guān)鍵點前腰中點(P9)評價塑型效果關(guān)鍵點側(cè)腰中點(P10)評價塑型效果關(guān)鍵點

1.4 測試姿勢選擇

本文測試選擇人們通常活動的站姿、站姿前傾、坐姿和坐姿前傾4種姿勢，站姿與坐姿前傾的幅度以人體舒適狀態(tài)為宜，如圖2所示。

圖2 測試姿勢Fig.2 Test poses. (a)Standing; (b)Standing forward;(c)Sitting; (d)Sitting forward

1.5 測試過程說明

測試人員首先調(diào)試壓力傳感器，使其處于正常工作狀態(tài)。然后，選擇合適的提臀束褲尺碼，讓被試人員進行試身并做相應(yīng)的調(diào)整，直至合體并處于舒適狀態(tài)，測試人員將10個壓力氣囊分別固定在事先設(shè)定的位置。接著測試人員發(fā)出指令要求被測試人員分別做站姿、站姿前傾、坐姿和坐姿前傾4種姿勢，這4種姿勢壓力測試完畢作為1次實驗。實驗同時，測試人員觀看測量值，在測試值穩(wěn)定后開始收集數(shù)據(jù)，每個姿勢數(shù)據(jù)的收集時間不低于1 min，一次數(shù)據(jù)測試完成后，被測試人員休息5 min，測試人員檢查壓力傳感器狀態(tài)是否完好，壓力氣囊位置是否正確，數(shù)據(jù)是否有效。檢查完畢后再進行下一次實驗，每個被測試人員穿著每件塑身內(nèi)衣時需要進行3次測試過程。提臀束褲測試完畢后，被測者休息10 min，在測試人員的指導(dǎo)下?lián)Q上合適的腰背夾，重復(fù)以上的測試和記錄過程。

2 數(shù)據(jù)處理與分析

首先將26名被試者穿著腰背夾和提臀束褲的共20個壓力點的3次測量數(shù)據(jù)進行處理，去除奇異值和不穩(wěn)定的數(shù)據(jù)，然后計算每個人穿著塑身內(nèi)衣時每個點的壓力平均值，作為該測量點的壓力值。

2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2.1.1神經(jīng)網(wǎng)絡(luò)的基本原理

構(gòu)建一個神經(jīng)網(wǎng)絡(luò)一般有3個要求：輸入輸出、權(quán)值和多層感知器結(jié)構(gòu)。其中，最難確定的是權(quán)值，一般情況下，知道一個變量x和另一個變量y，如果二者之間有很多復(fù)雜的非線性關(guān)系，就很難找到它們之間復(fù)雜的映射關(guān)系f，而神經(jīng)網(wǎng)絡(luò)以一種有監(jiān)督的學(xué)習(xí)方式很好地解決了這一類問題[14]。

BP神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一種不斷調(diào)試錯誤的方法，在給定1個輸入值和目標(biāo)值后，隨機設(shè)定1個初始權(quán)值，網(wǎng)絡(luò)就會自動從輸入層傳遞到輸出層，通過與目標(biāo)值做對比，不斷調(diào)整網(wǎng)絡(luò)權(quán)值，直至找到一組最優(yōu)的權(quán)值；當(dāng)重新輸入另外一組數(shù)值時，就可用所得到的最優(yōu)權(quán)值來預(yù)測目標(biāo)值[15]。

2.1.2MatLab神經(jīng)網(wǎng)絡(luò)工具箱

MatLab是矩陣實驗室Matrix Laboratory的簡稱，有強大的矩陣計算和信號處理能力，是世界上三大數(shù)學(xué)軟件之一[16]。很多工程界和科學(xué)界希望有不需要復(fù)雜的編程語言就能表現(xiàn)運算過程的編程語言，MatLab在這一點很好地滿足了人們的要求，它提供了大量的內(nèi)部函數(shù)和工具箱，用戶可直接調(diào)用，無需自定義編程[17]。由于MatLab為神經(jīng)網(wǎng)絡(luò)提供了多個工具箱函數(shù)，實現(xiàn)起來更加方便快捷，因此，本文以 MatLab R2018a 版本為工作環(huán)境來進行數(shù)據(jù)分析。

2.1.3BP神經(jīng)網(wǎng)絡(luò)的實現(xiàn)

在本文研究中將人體的測試點序號、身高、腰圍、體重、臀圍和中臀圍看作自變量x，將與自變量對應(yīng)的每個測量點的4種姿勢壓力值看作因變量y。通過x作為網(wǎng)絡(luò)輸入，y作為網(wǎng)絡(luò)輸出，建立對應(yīng)的網(wǎng)絡(luò)。抽取其中230 組樣本對網(wǎng)絡(luò)進行訓(xùn)練，30組進行仿真。檢驗仿真結(jié)果與真實結(jié)果之間的誤差，若誤差能達到容許范圍，即可通過將人體的測試點序號、身高、腰圍、體重、臀圍和中臀圍輸入此網(wǎng)絡(luò)來預(yù)測4種姿勢的壓力值。

BP神經(jīng)網(wǎng)絡(luò)主要通過以下5個步驟實現(xiàn)：

第1步：輸入矩陣A和B。

A為260 行6 列矩陣，作為網(wǎng)絡(luò)的輸入樣本。實驗有26 名被測者，每人每件塑身內(nèi)衣有10 個壓力點，因此，矩陣A共有260行。6列分別表示測試點序號、身高(cm)、腰圍(cm)、體重(kg)、臀圍(cm)和中臀圍(cm)。

B為260 行4 列矩陣，作為網(wǎng)絡(luò)的目標(biāo)值，是與輸入樣本x對應(yīng)的壓力值。行表示與260行輸入對應(yīng)的260行壓力點，4列表示站姿、站姿前傾、坐姿和坐姿前傾4種不同姿勢的壓力值。

第2步：建立網(wǎng)絡(luò)。

目前MatLab R2018a軟件中提供了2種BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newff和feedforwardnet，故分別使用這2種工具箱函數(shù)來建立網(wǎng)絡(luò)。

第3步：通過init函數(shù)實現(xiàn)權(quán)值閾值初始化。

第4步：通過函數(shù)train實現(xiàn)網(wǎng)絡(luò)訓(xùn)練。

第5步：訓(xùn)練完畢后在260個測量點中隨機抽取30個測量點，通過sim函數(shù)進行仿真預(yù)測。

2.2 壓力預(yù)測結(jié)果與分析

2.2.15個因素的壓力預(yù)測結(jié)果與分析

基于以上過程，運行2種BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newff和feedforwardnet之后，以身高、腰圍、體重、臀圍和中臀圍5個因素作為輸入層，得到4種姿勢下的30個預(yù)測點的預(yù)測值。圖3～6分別是2個工具箱函數(shù)的30個預(yù)測點真實值和預(yù)測值的對比圖。

圖3 newff函數(shù)預(yù)測穿著腰背夾壓力值Fig.3 newff function predicts pressure value of wearing shaper.(a)Standing; (b)Standing forward; (c)Sitting; (d)Sitting forward

基于預(yù)測精度計算公式計算以上的2種工具箱函數(shù)的預(yù)測精度，計算結(jié)果見表2。

式中：Fp為預(yù)測精度，%；Fu為預(yù)測值，kPa；R為真實值，kPa。

圖4 newff函數(shù)預(yù)測穿著提臀束褲壓力值Fig.4 newff function predicts pressure value of wearing girdle.(a)Standing; (b)Standing forward; (c)Sitting; (d)Sitting forward

圖5 feedforwardnet函數(shù)預(yù)測穿著腰背夾壓力值Fig.5 feedforwardnet function predicts pressure value of wearing shaper. (a)Standing; (b)Standing forward; (c)Sitting; (d)Sitting forward

表2中feedforwardnet函數(shù)的整體預(yù)測精度均值為70.06%，而newff函數(shù)的整體預(yù)測精度均值為74.42%。可見：newff函數(shù)整體預(yù)測的精度要比feedforwardnet高；站姿與站姿前傾2種姿勢的預(yù)測精度都在72%以上，均值達到了74.92%，而坐姿與坐姿前傾2種姿勢的預(yù)測精度均值僅為69.56%。可以得出，2種站立姿勢的預(yù)測精度比2種坐姿的精確度高5.36%。

圖6 feedforwardnet函數(shù)預(yù)測穿著提臀束褲壓力值Fig.6 feedormwardnet function predicts pressure value of wearing girdle.(a)Standing; (b)Standing forward; (c)Sitting; (d)Sitting forward

表2 預(yù)測精度Tab.2 Forecasting accuracy%

由表2還可以發(fā)現(xiàn)，僅由身高、腰圍、體重、臀圍和中臀圍5個因素作為輸入層，所有的預(yù)測精度都在78%以下。當(dāng)然，誤差主要原因是由于實驗條件有限，未能達到神經(jīng)網(wǎng)絡(luò)所需的足夠充分地測試樣本量造成的。為解決這一問題，增加樣本量是最有效的方法，但會增加實驗成本。在沒有足夠樣本量的情況下，基于站姿的預(yù)測精度較高，可考慮將站姿的壓力測量值與其他5個因素一同作為輸入因素(共6個因素)來進一步預(yù)測其他3種姿勢的壓力值。

2.2.26個因素的壓力預(yù)測結(jié)果與分析

基于newff函數(shù)有較好的預(yù)測效果，用此函數(shù)并增加站姿時實測的壓力值作為輸入因素來預(yù)測站姿前傾、坐姿和坐姿前傾3種姿勢的服裝壓力值。通過程序運行，可以得到30個預(yù)測點的壓力值。圖7、8示出30個點的真實值和預(yù)測值對比圖。

圖7 穿著腰背夾預(yù)測圖Fig.7 Prediction diagram wearing shaper. (a)Standing forward; (b)Sitting; (c)Sitting forward

圖8 穿著提臀束褲預(yù)測圖Fig.8 Prediction diagram wearing girdle. (a)Standing forward; (b)Sitting; (c)Sitting forward

基于預(yù)測結(jié)果，計算得到其預(yù)測精度，如表3所示。可知：3種姿勢下對于腰背夾，其預(yù)測準(zhǔn)確度均高于83%，最高達到91.64%；對提臀束褲產(chǎn)生壓力預(yù)測值，其預(yù)測精度均高于82%，最高達到88.81%。不難發(fā)現(xiàn)，增加站姿為輸入因素來預(yù)測其他3種姿勢，其預(yù)測精度明顯增加。同樣也發(fā)現(xiàn)與5個因素作為輸入層結(jié)果相同的是，站姿前傾的預(yù)測準(zhǔn)確度明顯比其他2種坐姿的度高。

表3 newff函數(shù)預(yù)測精度Tab.3 Forecasting accuracy of newff function %

BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度與訓(xùn)練樣本量有很大關(guān)系，本文實驗由于樣本數(shù)量有限，實驗儀器也存在少許誤差，預(yù)測精度只達到了82%以上，但整體預(yù)測結(jié)果得出，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測不需要人為的復(fù)雜建模與計算過程，可較好地實現(xiàn)服裝壓力的預(yù)測，是未來對服裝壓力預(yù)測的大趨勢。

3 結(jié)束語

本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)預(yù)測塑身內(nèi)衣壓力的方法，該方法可預(yù)測身體 20個部位塑身內(nèi)衣壓力值與人體身高、體重、腰圍、臀圍、中臀圍5個因素的內(nèi)部關(guān)系。從預(yù)測結(jié)果可得出：采用newff函數(shù)作預(yù)測，其預(yù)測精度要比用feedforwardnet函數(shù)高；站姿與站姿前傾2種姿勢的預(yù)測精度比坐姿與坐姿前傾的高；增加站姿壓力測量值為預(yù)測輸入因素，整體預(yù)測精度明顯提高。從整個計算過程看，BP神經(jīng)網(wǎng)絡(luò)模型無需復(fù)雜建模與計算過程，可通過較為簡單的操作方法來對服裝塑身內(nèi)衣做出較準(zhǔn)確的預(yù)測。接下來的工作應(yīng)著重研究輸入因素，從而進一步提高預(yù)測精度。

致謝陜西省服裝設(shè)計智能化重點實驗室。