BP神经网络在塑身内衣压力预测中的应用

周 捷， 马秋瑞

(西安工程大学 服装与艺术设计学院， 陕西 西安 710048)

塑身内衣具有一定的塑型效果，但也会给身体造成一定的压力[1],使人体产生不舒适感[2]，医学研究表明人体处于坐姿或者蹲姿时，过紧的服装压力可能会导致血栓危害人体健康[3]，服装压力的预测研究是解决压力舒适性的前提[4]。由于人体表面是一个不规则的曲面，在穿着塑身衣时产生的压力与诸多因素有关，并且这些因素与压力的关系错综复杂，导致预测服装压力比较困难。

目前的服装压力预测方法主要是建立虚拟模型模拟服装与人体的关系，再通过数学计算预测服装压力分布[5]。罗笑南等[6]将紧身内衣看作弹性薄膜，以弹性力学最小位能原理为基础，运用拉格朗日数乘法预测服装压力分布；王建民等[7]设计了六面体网格模型来模拟人体，通过使用迭代法来计算人体变形与服装压力的关系，最终通过人体变形情况来预测服装压力；Mirjalili等[8]采用Ansys软件运用有限元模型预测服装压力的分布；张欣等[9]在人体运动过程中建立几何非线性数学模型, 预测人体在运动过程中服装的压力变化。这些压力预测模型都能较好地预测服装压力分布规律，但需要确定很多因素且计算复杂，实现较为困难。

BP神经网络模型是近年发展起来的模拟人脑生物过程的智能算法技术[10]，比较适合处理非线性复杂因果关系的模型[11]。这种方法相当于一个黑箱模型，不但可简化计算过程，还能较为精确地找出数据间复杂的内在规律，在处理庞大且关系复杂的数据而无法用函数拟合的情况下，使用该模型进行预测是一个不错的选择[12]。

曾有学者利用服装织物材料属性作为输入因素,通过BP神经网络对服装压力舒适性做过预测研究[13]，但此研究主要针对人体主观感受做出预测，并未与客观测量值尤其是有关人体体型参数相结合进行预测。本文基于人体体型相关的参数与塑身内衣对人体产生的压力的实际测量值，选取BP神经网络工具箱函数，对4种不同姿势下的塑身内衣对人体产生的压力做出有效地预测研究。

1 实验部分

1.1 实验对象

本文实验研究对象为26位18～25岁的女大学生，她们的身体质量指数(BMI)值在17～25 kg/m2之间。实验样衣选取某品牌腰背夹和提臀束裤，其规格是76、82、90和98。腰背夹前中有3排调节扣，提臀束裤有良好的弹性，这些都可满足一定围度差异范围内的人群穿着。

1.2 实验条件

实验在安静实验室内进行，温度为(25±1)℃，相对湿度为(65±2)%，风速小于0.1 m/s。被试者在专业测试人员培训后，处于无汗、安静、着装舒适自然的状态下，采用日本AMI公司设计生产的AMI3037系列气囊式接触压测定仪进行内衣压力测试。

1.3 压力测试点选择

本文研究为了解塑身内衣在塑型关键部位和压力较大部位对人体所产生的压力。在腰背夹和提臀束裤下分别选取10个点进行压力测试。压力测试点的位置如图1所示，压力点选择原因如表1所示。

图1 腰背夹和提臀束裤压力测试点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

身体部位压力点选择的原因腰背夹肩中点(S1)肩带承受乳房的重力,压力较大腋下点(S2)此处收纳副乳、脂肪堆积和赘肉,为评价塑型效果关键点胃部中点(S3)收纳脂肪,评价塑型效果关键点前侧腰中点(S4)鱼骨所在位置,该点压力相对较大侧腰处(S5)收纳脂肪,评价塑型效果关键点后侧腰中点(S6)鱼骨所在位置,该点压力相对较大底边前中点(S7)收纳脂肪,该点压力相对较大,评价塑型效果关键点底边侧中点(S8)腹围线和侧缝线的交点,压力较大底边后侧中点(S9)该点压力相对较大肩胛骨处(S10)收紧肩胛赘肉,提拉背部肌肉的关键部位,评价塑型效果关键点提臀束裤腹凸点(P1)腹部赘肉,评价塑型效果关键点前侧臀点(P2)脂肪堆积,评价塑型效果关键点侧臀点(P3)此处为髂骨处,骨骼凸起易对人体产生压力腹股沟点(P4)影响健康关键点大腿前凸点(P5)评价塑型效果关键点大腿侧(P6)评价塑型效果关键点大腿后凸点(P7)评价塑型效果关键点臀凸点(P8)容易受力,评价塑型效果关键点前腰中点(P9)评价塑型效果关键点侧腰中点(P10)评价塑型效果关键点

1.4 测试姿势选择

本文测试选择人们通常活动的站姿、站姿前倾、坐姿和坐姿前倾4种姿势，站姿与坐姿前倾的幅度以人体舒适状态为宜，如图2所示。

图2 测试姿势Fig.2 Test poses. (a)Standing; (b)Standing forward;(c)Sitting; (d)Sitting forward

1.5 测试过程说明

测试人员首先调试压力传感器，使其处于正常工作状态。然后，选择合适的提臀束裤尺码，让被试人员进行试身并做相应的调整，直至合体并处于舒适状态，测试人员将10个压力气囊分别固定在事先设定的位置。接着测试人员发出指令要求被测试人员分别做站姿、站姿前倾、坐姿和坐姿前倾4种姿势，这4种姿势压力测试完毕作为1次实验。实验同时，测试人员观看测量值，在测试值稳定后开始收集数据，每个姿势数据的收集时间不低于1 min，一次数据测试完成后，被测试人员休息5 min，测试人员检查压力传感器状态是否完好，压力气囊位置是否正确，数据是否有效。检查完毕后再进行下一次实验，每个被测试人员穿着每件塑身内衣时需要进行3次测试过程。提臀束裤测试完毕后，被测者休息10 min，在测试人员的指导下换上合适的腰背夹，重复以上的测试和记录过程。

2 数据处理与分析

首先将26名被试者穿着腰背夹和提臀束裤的共20个压力点的3次测量数据进行处理，去除奇异值和不稳定的数据，然后计算每个人穿着塑身内衣时每个点的压力平均值，作为该测量点的压力值。

2.1 BP神经网络预测模型

2.1.1神经网络的基本原理

构建一个神经网络一般有3个要求：输入输出、权值和多层感知器结构。其中，最难确定的是权值，一般情况下，知道一个变量x和另一个变量y，如果二者之间有很多复杂的非线性关系，就很难找到它们之间复杂的映射关系f，而神经网络以一种有监督的学习方式很好地解决了这一类问题[14]。

BP神经网络本质上是一种不断调试错误的方法，在给定1个输入值和目标值后，随机设定1个初始权值，网络就会自动从输入层传递到输出层，通过与目标值做对比，不断调整网络权值，直至找到一组最优的权值；当重新输入另外一组数值时，就可用所得到的最优权值来预测目标值[15]。

2.1.2MatLab神经网络工具箱

MatLab是矩阵实验室Matrix Laboratory的简称，有强大的矩阵计算和信号处理能力，是世界上三大数学软件之一[16]。很多工程界和科学界希望有不需要复杂的编程语言就能表现运算过程的编程语言，MatLab在这一点很好地满足了人们的要求，它提供了大量的内部函数和工具箱，用户可直接调用，无需自定义编程[17]。由于MatLab为神经网络提供了多个工具箱函数，实现起来更加方便快捷，因此，本文以 MatLab R2018a 版本为工作环境来进行数据分析。

2.1.3BP神经网络的实现

在本文研究中将人体的测试点序号、身高、腰围、体重、臀围和中臀围看作自变量x，将与自变量对应的每个测量点的4种姿势压力值看作因变量y。通过x作为网络输入，y作为网络输出，建立对应的网络。抽取其中230 组样本对网络进行训练，30组进行仿真。检验仿真结果与真实结果之间的误差，若误差能达到容许范围，即可通过将人体的测试点序号、身高、腰围、体重、臀围和中臀围输入此网络来预测4种姿势的压力值。

BP神经网络主要通过以下5个步骤实现：

第1步：输入矩阵A和B。

A为260 行6 列矩阵，作为网络的输入样本。实验有26 名被测者，每人每件塑身内衣有10 个压力点，因此，矩阵A共有260行。6列分别表示测试点序号、身高(cm)、腰围(cm)、体重(kg)、臀围(cm)和中臀围(cm)。

B为260 行4 列矩阵，作为网络的目标值，是与输入样本x对应的压力值。行表示与260行输入对应的260行压力点，4列表示站姿、站姿前倾、坐姿和坐姿前倾4种不同姿势的压力值。

第2步：建立网络。

目前MatLab R2018a软件中提供了2种BP神经网络工具箱函数newff和feedforwardnet，故分别使用这2种工具箱函数来建立网络。

第3步：通过init函数实现权值阈值初始化。

第4步：通过函数train实现网络训练。

第5步：训练完毕后在260个测量点中随机抽取30个测量点，通过sim函数进行仿真预测。

2.2 压力预测结果与分析

2.2.15个因素的压力预测结果与分析

基于以上过程，运行2种BP神经网络工具箱函数newff和feedforwardnet之后，以身高、腰围、体重、臀围和中臀围5个因素作为输入层，得到4种姿势下的30个预测点的预测值。图3～6分别是2个工具箱函数的30个预测点真实值和预测值的对比图。

图3 newff函数预测穿着腰背夹压力值Fig.3 newff function predicts pressure value of wearing shaper.(a)Standing; (b)Standing forward; (c)Sitting; (d)Sitting forward

基于预测精度计算公式计算以上的2种工具箱函数的预测精度，计算结果见表2。

式中：Fp为预测精度，%；Fu为预测值，kPa；R为真实值，kPa。

图4 newff函数预测穿着提臀束裤压力值Fig.4 newff function predicts pressure value of wearing girdle.(a)Standing; (b)Standing forward; (c)Sitting; (d)Sitting forward

图5 feedforwardnet函数预测穿着腰背夹压力值Fig.5 feedforwardnet function predicts pressure value of wearing shaper. (a)Standing; (b)Standing forward; (c)Sitting; (d)Sitting forward

表2中feedforwardnet函数的整体预测精度均值为70.06%，而newff函数的整体预测精度均值为74.42%。可见：newff函数整体预测的精度要比feedforwardnet高；站姿与站姿前倾2种姿势的预测精度都在72%以上，均值达到了74.92%，而坐姿与坐姿前倾2种姿势的预测精度均值仅为69.56%。可以得出，2种站立姿势的预测精度比2种坐姿的精确度高5.36%。

图6 feedforwardnet函数预测穿着提臀束裤压力值Fig.6 feedormwardnet function predicts pressure value of wearing girdle.(a)Standing; (b)Standing forward; (c)Sitting; (d)Sitting forward

表2 预测精度Tab.2 Forecasting accuracy%

由表2还可以发现，仅由身高、腰围、体重、臀围和中臀围5个因素作为输入层，所有的预测精度都在78%以下。当然，误差主要原因是由于实验条件有限，未能达到神经网络所需的足够充分地测试样本量造成的。为解决这一问题，增加样本量是最有效的方法，但会增加实验成本。在没有足够样本量的情况下，基于站姿的预测精度较高，可考虑将站姿的压力测量值与其他5个因素一同作为输入因素(共6个因素)来进一步预测其他3种姿势的压力值。

2.2.26个因素的压力预测结果与分析

基于newff函数有较好的预测效果，用此函数并增加站姿时实测的压力值作为输入因素来预测站姿前倾、坐姿和坐姿前倾3种姿势的服装压力值。通过程序运行，可以得到30个预测点的压力值。图7、8示出30个点的真实值和预测值对比图。

图7 穿着腰背夹预测图Fig.7 Prediction diagram wearing shaper. (a)Standing forward; (b)Sitting; (c)Sitting forward

图8 穿着提臀束裤预测图Fig.8 Prediction diagram wearing girdle. (a)Standing forward; (b)Sitting; (c)Sitting forward

基于预测结果，计算得到其预测精度，如表3所示。可知：3种姿势下对于腰背夹，其预测准确度均高于83%，最高达到91.64%；对提臀束裤产生压力预测值，其预测精度均高于82%，最高达到88.81%。不难发现，增加站姿为输入因素来预测其他3种姿势，其预测精度明显增加。同样也发现与5个因素作为输入层结果相同的是，站姿前倾的预测准确度明显比其他2种坐姿的度高。

表3 newff函数预测精度Tab.3 Forecasting accuracy of newff function %

BP神经网络的预测精度与训练样本量有很大关系，本文实验由于样本数量有限，实验仪器也存在少许误差，预测精度只达到了82%以上，但整体预测结果得出，利用BP神经网络预测不需要人为的复杂建模与计算过程，可较好地实现服装压力的预测，是未来对服装压力预测的大趋势。

3 结束语

本文提出一种基于BP神经网络工具箱函数预测塑身内衣压力的方法，该方法可预测身体 20个部位塑身内衣压力值与人体身高、体重、腰围、臀围、中臀围5个因素的内部关系。从预测结果可得出：采用newff函数作预测，其预测精度要比用feedforwardnet函数高；站姿与站姿前倾2种姿势的预测精度比坐姿与坐姿前倾的高；增加站姿压力测量值为预测输入因素，整体预测精度明显提高。从整个计算过程看，BP神经网络模型无需复杂建模与计算过程，可通过较为简单的操作方法来对服装塑身内衣做出较准确的预测。接下来的工作应着重研究输入因素，从而进一步提高预测精度。

致谢陕西省服装设计智能化重点实验室。