杂志的下一篇文章
基于云计算的快速合成孔径雷达原始数据仿真
下一篇特刊文章
基于可穿戴传感器脉搏波速度测量的快速多模态异位搏动检测方法
期刊上的上一篇文章
用于生命体征监测的非侵入式多通道混合光纤传感器系统
上一篇特刊文章
胎儿心电图信号压缩感知的能量和质量评价
 
 
搜索用于文章:
标题/关键字
作者/附属机构/电子邮件
日记账
文章类型
 
 
高级搜索
 
章节
特别发行
体积
问题
编号
第页
 
期刊销售
传感器
第17卷
第1版
10.3390/s17010112
传感器-徽标
提交到此日志 本期刊的评论 提出特刊
► 文章菜单

文章菜单

分享 分享 公告 帮助 format_quote格式 引用 问题_答案 在SciProfiles中讨论 竖起拇指（_U）
...
背书 短信
...
注释
第一页（_P）
设置
订购文章重印
字体类型：
宋体 佐治亚州 宋体，Verdana
字体大小：
澳大利亚 澳大利亚 澳大利亚
行距：
列宽：
背景：
第条

通过数据融合方法使用印刷体磨损传感器（BWS）的躯干运动系统（TMS）

通过
穆罕默德·伊曼·莫赫莱斯普·埃斯法哈尼
1,2,*,
奥米德·佐贝里
三,
贝扎德·莫西里
4,
罗亚·纳里马尼
2,
穆罕默德·梅赫拉瓦尔
5,
埃桑·拉舍迪
6和
穆罕默德·帕尼安普尔
2
1
弗吉尼亚理工学院和州立大学工业和系统工程系，美国弗吉尼亚州布莱克斯堡24061
2
伊朗德黑兰谢里夫理工大学机械工程学院可穿戴技术和神经肌肉骨骼研究实验室11155-9567
三
加拿大QC H3A 2B4蒙特利尔麦吉尔大学生物医学工程系
4
伊朗德黑兰14395-515德黑兰大学电气与计算机工程学院卓越中心控制与智能处理
5
伊朗阿瓦兹·朱迪沙普尔医学科学大学肌肉骨骼康复研究中心，阿瓦兹6135733133
6
美国罗切斯特理工学院工业与系统工程系，罗切斯特，NY 14623-5603
*
信件应寄给的作者。
传感器 2017,17(1), 112;https://doi.org/10.3390/s17010112
收到的提交文件：2016年9月5日/修订日期：2016年12月19日/接受日期：2016年12月20日/出版日期：2017年1月8日
（本文属于特刊穿戴式生物医学传感器)
浏览地物
版本注释

摘要

:
人体运动分析是生物力学和康复学的重要组成部分，为此引入了许多测量系统。其中，可穿戴设备具有大量的生物医学应用，主要是因为它们可以在室内和室外应用中实现。在本研究中，设计并开发了一种使用印刷体磨损传感器（BWS）的躯干运动系统（TMS）。TMS可以测量躯干的三维运动，重量轻，是一种便携式无创系统。识别传感器位置后，将12个BWS打印在可拉伸的衣服上，以测量3D躯干运动。为了集成BWSs数据，使用了神经网络数据融合算法。该算法的结果与实际三维解剖运动（由Qualisys系统获得）一起用于校准TMS。三名身体特征不同的健康参与者参与了校准测试。执行了七个不同的任务（每个重复三次），包括五个平面运动和两个多平面运动。结果表明，TMS系统对屈/伸、左右侧弯、左右轴向旋转和多平面运动的准确度分别小于1.0°、0.8°、0.6°、0.80°、0.9°和1.3°。此外，经颅磁刺激对已识别运动的准确度低于2.7°。TMS用于监测和测量躯干方向，可在临床、生物力学和人体工程学研究中有多种应用，以防止肌肉骨骼损伤，并确定干预措施的影响。

1.简介

脊椎损伤和背痛是成年人常见的健康问题。达瓦奇等人报告称，这在发展中国家和发达国家都是一个日益严峻的挑战[1,2]可能是由于缺乏适当的预防方法。为了便于预防脊椎损伤，已经开发了人体运动（运动学和动力学）的生物力学分析和模拟，特别是因为几乎不可能直接测量脊椎载荷。
有几种方法和商业设备用于测量人体的运动学参数。这些测量系统大致分为两类：不可磨损系统和可穿戴系统。视频分析、光电分析、摄影测量、超声波和电磁跟踪系统是不可穿戴的系统，而柔性传感器、加速度计、陀螺仪、磁强计、纺织传感器和惯性测量装置（IMU）是主要的可穿戴设备[三]. 不可穿戴系统主要用于实验室，因为它们通常需要外部发射器或摄像头。然而，可穿戴系统是便携式的，可以用于各种室内和室外生物医学应用，如跌倒检测、康复、人体工程学和运动生物力学[三,4,5,6,7,8,9,10].
据报道，传感器佩戴者（例如患者和工人）更喜欢一种易于操作和维护，同时也与日常活动兼容的小巧轻便的设备[11,12]. 同时，可穿戴传感器的首选位置是上肢；例如，用户同意每天佩戴20小时以上[12]. 因此，研究人员最近倾向于在其研究中开发和使用便携式、非侵入性、低成本和轻型设备[11,12]. 为此，他们在过去十年中主要选择了两种可穿戴系统：惯性测量单元（IMU）和纺织传感器。
IMU是一种基于微机电系统（MEMS）的电子设备，由加速度计、陀螺仪和可选的磁强计组成[9,13,14,15,16]. 它可以放置在感兴趣的身体分段上，并在一个固定的参考框架中捕获分段运动学（例如，3D加速度、角速度和角方向）。为了实现准确无漂移的测量，已经报道了几种融合算法，例如卡尔曼滤波器，它们结合了不同的底层传感器[17,18]. 然而，IMU受到一些环境影响和数据采集问题的限制：（1）环境磁场和铁磁性物体对磁强计的输出造成干扰；（2） 陀螺仪的偏移误差不能完全消除；（3）温度会影响其性能[19].
纺织传感器是一项众所周知的技术，在织物行业有许多最新进展。它们被用于多种领域，如心电图、肌肉活动测量、脑电图和体积描记术[10,20,21,22,23,24,25,26]. 服装中的可穿戴设备也用于姿势和动作分析[25]和在体育研究中[26]. 例如，Harms等人[27]使用织物传感器对上身姿势进行分类。Mattmann等人[28]利用21个织物传感器确定27种不同的躯干和肩部运动。虽然纺织传感器受到一些环境影响的限制，但使用这项技术具有显著的潜在优势。例如，这种传感器可以为个人量身定制，它们相对便宜（甚至可能是一次性的），并且可以在靠近身体的地方安装[28]. 在本研究中，提出了一种称为躯干运动系统（TMS）的新设备，该设备使用称为身体磨损传感器（BWS）的印刷织物传感器来记录躯干运动[29]. TMS的一些优点包括使用印刷的BWS、无侵入性、轻量级和量化3D躯干运动的能力。

2.材料和方法

2.1. 材料

2.1.1. 车身磨损传感器（BWS）

BWS用于通过测量BWS两端之间纳米电活性导电聚合物的电阻变化来量化纺织品中的应变[29]. 作为电位计，电阻范围在2 kΩ和70 kΩ之间，分别与无张力和50%最大伸长率线性对应。BWS的尺寸为20×40mm，其性能不受湿度的影响[29]. 有关制造BWS的详细信息可以从我们最近的研究中获得[29]. BWS用于测量纺织品中的应变，因此必须通过电线和连接件连接到电子板。BWS的两侧都装有金属按扣，用于将传感器连接到电线上。这些连接器体积小，易于安装。该传感器的原型及其BWS和引线之间的电气连接如所示图1.

2.1.2. 可拉伸衬衫

使用可拉伸衬衫来确定BWS在衣服上的可能位置。事实上，这件衬衫可以显示不同动作中最大伸展的方向，从中可以确定最合适的BWS位置。为了实现这一目标，在这件可伸缩衬衫的不同位置贴上了90个球形标记(图2). Qualisys系统（瑞典哥德堡QualisysInc.）用于跟踪这些标记的3D位置。

2.1.3. 测量设置

如上所述，BWS的功能类似于电位计。因此，需要一个电路板来将电阻变化转换为相应的电压值。该电路板是使用电流源和低通滤波电路设计和开发的。利用电流幅值提供模数转换器的输入电压范围，并使用低通滤波电路消除信号的高频噪声。过滤后的信号通过便携式数据采集装置进行数字化，该装置具有8位模数转换器。微控制器单元控制转换操作以及通过USB端口向计算机数据库传输数据。电子板的框图和系统配置如所示图3.

2.2. 方法

2.2.1. 传感器位置的确定

可穿戴设备的放置对研究人员和从业者来说一直是一个挑战。例如，许多科学家已经使用加速计来监测身体不同部位的行为，包括臀部、手腕、胸部、脚踝[30,31,32]. 然而，他们找不到安装可穿戴设备的最佳位置，无法准确监控日常生活的所有活动[33,34].
同样，纺织传感器的位置也是一个重要课题。一些研究人员根据经验确定了服装上纺织传感器的位置[35,36,37,38,39]. 几位研究人员根据人体关节的自然解剖运动放置了纺织传感器[40,41,42,43,44]. 经验和解剖选择可能是过去研究的合适解决方案，因为它们通常测量或分类简单的身体运动。然而，复杂的关节和节段（如躯干和肩部）以及人类活动识别需要更准确的方法来确定纺织传感器的数量和位置[45]. 此外，Mattmann等人[28]开发了一件衬衫，并在上面放置了标记，然后使用运动跟踪系统通过测量27种不同躯干和肩部运动的相应应变模式来调查和确定传感器的位置。之后，他们利用21个纺织传感器开发了最终设备[28].
为了通过TMS测量3D躯干角度，需要放置BWS，以覆盖所有可能的躯干运动。我们使用了上述三种方法的组合。90个球形标记贴在一件可伸缩的衬衫上[28]. 穿着这件衬衫，一名健康的参与者进行了32种不同的躯干和肩膀运动(图4)类似于Mattmann等人的研究[27]，涵盖了所有可能的上半身运动。对相机拍摄的照片进行定性分析，并与自然姿势进行比较。事实上，每个运动的标记路径指示了每个传感器的延伸方向，用于确定传感器位置。
通过分析上图中标记的路径，并考虑到Mattmann和同事的研究结果，确定了传感器放置位置对躯干运动的潜在方向(图5).
A、 B、J和K专门用于屈曲/伸展。通过C、F、I、E、H和L检测到侧向弯曲。D和G指定用于轴向旋转。然后，使用12个身体磨损传感器制造了可穿戴躯干运动系统（TMS）(图6).

2.2.2. 校准

TMS的校准过程包括两个步骤：BWS校准和TMS校准。首先，将几个传感器放置在zwickiLine材料试验机（2.5/Z2.5，Zwick Co.，Ulm，Germany）中，并提取校准特性。关于灵敏度，传感器的计量系数（即应变灵敏度）为~6[29]. 我们最近的研究提供了有关该过程的更多详细信息[29]. 这些结果的简要总结见表1.
在第二步中，使用从运动跟踪系统（Qualisys Inc.）获得的数据集校准TMS。为此，设计了一个实验来校准TMS的三维解剖运动。

2.2.3. 实验

使用七摄像头运动捕捉系统（Qualisys Inc.）测量三个躯干角运动，也使用来自12个BWS的信号同时估计。运动捕捉系统和BWS的采样频率为100 Hz。在进行测试之前，在髂前上棘（ASIS）、髂后上棘（PSIS）、两肩胛骨最尾端点的下角（SCAP）、胸骨颈静脉切迹（SJN）、剑突（XP）、，第七颈椎棘突（C7）。我们通过在每个骨盆和胸部节段上嵌入局部坐标系来建模。基于尾端骨盆模型，利用ASIS和PSIS重建骨盆局部坐标系。C7和SJN的中点被视为胸段近端关节；XP和SCAP之间的中点被视为胸段远端关节。此坐标与ISB建议一致[46]. 招募三名健康男性参与者参与本实验，他们的体重和身高分别为85、78和65 kg；185、175和165厘米。参与者完成了七项不同的任务；包括五个平面运动（躯干的屈伸、左右侧弯、左右轴向旋转）和两个多平面运动（参见图7更多详细信息）。他们将每个任务重复三次，每次重复执行十个周期（即每个任务7×3×10=210个周期）。

2.2.4. 运动分析策略

使用公共步进信号同步运动数据和BWS信号。标记的3D坐标使用4阶双向巴特沃斯滤波器进行过滤，低通截止频率为6 Hz。在不同的测试条件下，从3D过滤标记坐标中提取躯干的屈伸、侧向弯曲和轴向旋转。使用Euler–Cardan方法提取胸部和骨盆的三维运动学（屈伸、侧向弯曲和轴向旋转）[47]使用MATLAB软件编程（The MathWorks，Inc.，Natick，MA，USA）。使用X-Y-Z万向节序列寻找胸部和骨盆局部坐标系之间的变换矩阵。提取的3D躯干角度用于校准TMS。

2.2.5. 数据融合过程

每个传感器产生所有运动的信号，因为其大小足以检测每个运动。事实上，所有十二个传感器都参与了每一次运动。为了从TMS中确定躯干角度，使用两层前馈人工神经网络将原始BWS信号融合并映射到Qualisys运动捕捉系统的输出。原始BWS信息被视为神经网络的12个输入，而输出是躯干的三维角度位置(图8).
每个任务都执行了数据融合程序(图7)以及总动作，这是所有任务的组合。首先，对于五个简单的平面任务中的每一个，使用从所有三个参与者获得的数据，分别训练、评估和测试一个单独的神经网络。在这些平面任务中，运动主要是由三个角度位置之一的变化引起的。因此，每个神经网络的精度反映了一维角位置估计的精度。
其次，由于两个多平面运动的复杂性会增加泛化误差，因此我们对不同的参与者使用单独的神经网络。在这一步中，使用六个神经网络来估计三名参与者多平面运动期间的三维角位置（三个网络用于右混合运动，三个网络用来左混合运动）。
最后，使用三个神经网络（每个参与者一个）来估计所有七项任务组合期间的角度位置。在每一个测试中，为了获得最佳的网络性能，将14个神经网络合并在一起，然后选择最准确的一个。精度定义为预测角度位置和实际角度位置之间的均方根误差。
一个单一的程序被用来训练、评估和测试所有提到的14个网络。在这种方法中，每个网络的数据样本被分为三个部分：培训、评估和测试阶段。对于每个网络的训练，随机选择70%的网络对应数据样本，并在网络中实施作为训练阶段。基于Levenberg-Marquardt的误差反向传播（EBP）算法[48]用于更新权重和sigmoid激活函数（对于隐藏层和输出层）。我们使用的EBP算法是训练中小型人工神经网络的合适选择[48]. 其余30%的数据中有一半是随机选择的，用于确定网络泛化，并在泛化停止改善时中断训练（评估）。最后，剩余数据（即15%）用于测试训练后的网络。

3.结果

结果分为三个部分，与网络培训过程的三个部分相对应；平面运动、多平面运动以及每个参与者TMS的总准确度。还简要报告了平面和多平面运动TMS的准确性。

3.1. 平面运动

表2表示网络训练的结果（即输入/输出数量、数据融合神经元数量；训练、验证和测试性能的样本数量；均方根误差（RMSE）；和相关系数），用于平面运动，包括屈曲/伸展、左/右侧向弯曲和左/右轴向旋转。在我们的分类算法中，我们尝试了具有不同数量神经元的不同网络，以达到网络性能的最佳准确性，然后选择最准确的一个。同时，精度被定义为预测输出和实际输出之间的均方根误差。
12个BWS的示例输出（包括10个屈曲/伸展运动周期）如所示图9使用电位计，将所有传感器的信号调整为从1伏开始。对于这种周期性运动，只有一些传感器被拉伸并产生周期性信号。

3.2. 多平面运动

每个参与者的多平面运动结果报告于表3.此表包含用于数据融合的神经元数量；培训、验证和测试性能的样本数量；均方根误差；和相关系数。
与前一节类似，参与者2执行的十个左多平面运动周期的BWS输出如所示图10所有BWS都被相当激活，它们的信号在这些多平面运动中发生了变化。所有传感器的信号都通过电位计调整为从1伏开始。参与者在极限点停了几秒钟。因此，在8.5 V左右的每个循环中都可以看到一个平台。

3.3. TMS的总精度

每个参与者的所有运动（包括平面运动和多平面运动）的TMS准确度见表4该表包含用于数据融合的神经元的数量；培训、验证和测试性能的样本数量；均方根误差（RMSE）；和相关系数。

3.4. 结果总结

所有参与者平面运动中TMS精确度的概述如所示图11发现平面运动的TMS精度小于1°。
每个参与者在多平面和总（平面和多平面）运动中TMS的准确性总结见图12多平面运动时，TMS的精确度小于1.3°。可以观察到，参与者1、2和3的总（平面和多平面）运动精度分别为2.7°、4.5°和6.3°。

4.讨论

在本研究中，设计并开发了一种使用印刷体磨损传感器（BWS）的躯干运动系统（TMS）。TMS由可伸展的衣服、12个印刷体磨损传感器（BWS）和电子元件组成。一件带有90个标记的衬衫被用来确定最佳传感器位置和方向。利用这件衬衫，一名参与者进行了32个不同的动作，每个动作的标记路径都被一个摄像头记录下来。通过对这些图片的定性分析，确定了每个传感器的位置和延伸方向。该实验的结果与Mattmann等人报告的结果一致[28]在那里，他们使用运动跟踪系统通过测量各自的应变模式来确定传感器的位置[28]. 然而，我们还需要考虑其他参数，例如可用性主题、用户隐私问题和服装类型[49,50,51]. 因此，我们可能无法得出传感器的位置和数量是最佳的结论。因此，建议的传感器标签和位置图5是唯一可能放置传感器的位置。最后，对TMS进行标定，并利用神经网络技术从传感器信号中提取运动数据。
我们的目标之一是评估TMS系统的准确性，并将其与其他现有系统进行比较。事实上，平面运动中的TMS精度被确定为小于1°(图4). 这种准确性可能有助于将TMS用于与平面尺寸中树干方向相关的特定应用。TMS也可能是腰椎运动监测仪（LMM）的潜在替代方案[52]在躯干运动的3D测量中，尤其是LMM有点笨重，也比TMS重。重量和尺寸是在实际情况/应用中造成许多限制的两个重要因素[11,12].
很少有可穿戴设备被开发出来监测人体运动。Tormene等人[35]开发了一种可穿戴设备，并表明它可以像IMU一样准确地测量躯干在矢状面上的运动。其他研究针对身体的不同部位使用了不同种类的纺织传感器。然而，它们大多测量一个自由度，并没有用于复杂关节（例如躯干）。此外，在平面运动中，它们的运动估计精度不如TMS。例如，Tognetti等人[40]开发了一种可穿戴的角度计来测量膝关节屈曲。他们使用双层编织压阻技术来构建精度为5.3°的传感器。Szelitzky等人[53]综述了几种低成本位移传感器，并比较了它们在生物医学应用中的性能。他们对身体不同部位的测量误差大于TMS（即髋关节和膝关节为3.5°，膝角为2°（平面运动），手指角为11°）。此外，Tognetti等人展示了他们用针织压阻织物制造的多孔型可穿戴传感器，该传感器测量的膝盖角度精度在5°以内[40]. 虽然在我们的系统中测量的准确性更好，但这三名参与者的测量结果并不相同。事实上，参与者1的TMS结果更准确（平面运动和多平面运动均约为2.7°）。这可能与服装仅为参与者1量身定制这一事实有关。建议每个参与者穿上合适尺寸的衣服，以备将来研究之用。
值得注意的是，惯性测量装置等其他系统[17,18]可以在动态运动期间准确测量方向。然而，由于环境条件（如磁场）可能会对其性能产生不利影响，因此它们可能无法广泛应用。此外，在车身上安装外部传感元件（例如IMU）对于某些应用可能有一些限制。首先，衣服上的刚性物体可能会降低舒适性并限制日常生活活动。其次，衣服上的电子元件可能不可水洗。第三，外部物体的大小和重量可能会改变产品的可用性。最后，连接外部设备会改变衣服的外观，这可能会冒犯穿戴者，尤其是带有辅助或监测设备的患者。TMS和惯性测量单元（IMU）之间的比较表明，TMS系统在某些应用中具有更好的可用性(表5).
这项研究的局限性之一是衣服和人体皮肤之间的运动。更多重复测试的校准过程可能有助于解决这一问题，特别是因为神经网络算法（用于训练网络）使用了校准过程中的数据，这些数据也包含类似的错误。我们还将树干建模为一个线段。单节段胸部限制了我们的分析，因此，我们需要在未来的研究中对多节段胸部进行建模。标记的最佳位置也在皮肤上。然而，如果我们必须切割织物，织物传感器的响应可能会发生变化，这可能会对结果的可靠性产生不利影响。另一个限制与用于将传感器信号传输到电子板的几根导线有关。在未来，导线将被替换为导电线，这将是布料的一部分。此外，传感器的最佳数量和位置仍然未知，特别是对于作为复杂段的躯干。为了解决这个问题，优化策略可能有助于实现更准确的方法[55]. 此外，应为每个参与者使用定制系统，以提高每个人的系统准确性。另一个未来的研究方向是在临床应用和职业暴露评估等更实际的情况下测试该系统。此外，可以检查在不同环境中区分不同条件的系统响应性，例如健康和残疾运动，或者新手和专家任务完成情况。
TMS的优点之一是在IMU的偏航方向上进行误差补偿。该系统可以聚合到数据融合算法中，作为另一个源来提高系统精度，特别是在接近铁磁性物体的情况下。作为另一个应用程序，TMS可以用于日常活动的行为监测。它对于日常活动的人体运动分类也可能具有可接受的准确性，特别是因为我们有十二个敏感传感器，每个传感器都可以被视为与各种活动相关的信息源。最后，TMS可用于临床运动分析、人体工程学研究、运动生物力学和康复应用等许多学科的广泛应用。
智能纺织传感器和系统被用于体育、医疗、游戏、军事和航空航天等多个领域[56]. 我们的长期目标是调查TMS在日常生活、医疗和职业场景活动中的准确性。为此，将完成基于实验室的实验，以确定TMS在上述设置中检测几种基本姿势（坐着、站着等）和各种体力活动类型（例如行走和跑步）的准确度。当前研究的结果可能有助于在不久的将来将纺织品传感器系统的所有组件集成到服装中，以监测生理和身体健康因素。

5.结论

在本研究中，开发了一种新的方法来使用可穿戴测量系统确定躯干方向。结果表明，平面运动和多平面运动的测量精度分别为0.5°至1°和2.7°。TMS的高精度和轻量化使其能够正确监测和测量躯干方向。TMS可以有多种应用，例如在临床、生物力学和人体工程学研究中，以预防损伤和监测干预效率。

致谢

这项工作得到伊朗国家科学基金会89000867号拨款的部分支持。感谢Vahid Motaghitalab和Somayyeh Taghinezhad在BWS设计和实施方面的帮助。此外，可穿戴技术和神经肌肉骨骼研究实验室（LOWNER）的工作人员在开发该系统方面发挥了重要作用，受到了极大的赞赏。

作者贡献

Parnianpour、Moshiri、Narimani和Mokhlespour进行了设计并协调了研究，参与了大多数实验并准备了手稿。Zobeiri在研究设计中提供了帮助，协调并开展了所有实验，并参与了手稿的编写。Mehravar和Rashedi参与了结果解释和手稿准备。所有作者都已阅读并批准了手稿的内容。

利益冲突

作者没有利益冲突。

工具书类

  1. 达瓦奇，F。；贾姆希迪（Jamshidi，A.R.）。；巴尼哈希米，A.T。；戈洛米，J。；福鲁扎法尔，M.H。；阿赫拉吉，M。；Barghamdi，M。；Noorolahzadeh，E。；阿拉伯联合共和国卡巴齐。；Salesi，M。；等。伊朗的Who-ilar copcord研究（第1阶段，城市研究）。《风湿病学杂志》。 2008,35, 1384–1390. [谷歌学者] [公共医学]
  2. 达瓦奇，F。；Tehrani Banihashemi，A。；戈洛米，J。；Faezi，S.T。；Forouzanfar，医学博士。；Salesi，M。；卡里米法尔，M。；Essalatmanesh，K。；Barghamdi，M。；Noorolahzadeh，E。；等人，《伊朗农村地区肌肉骨骼疾病的患病率：伊朗全子宫颈脊髓研究（第1阶段，农村研究）》。临床。风湿病。 2009,28, 1267–1274. [谷歌学者] [交叉参考] [公共医学]
  3. Wong，W.Y。；Wong，医学硕士。；Lo，K.H.人体姿势和运动分析传感器的临床应用：综述。普罗斯特。奥托特。国际。 2007,31, 62–75. [谷歌学者] [交叉参考] [公共医学]
  4. Schwicket，L。；贝克尔，C。；美国林德曼。；Marechal，C。；布尔克，A。；Chiari，L。；Helbostad，J.L。；齐杰斯特拉（W.Zijlstra）。；Aminian，K。；托德，C。；等。使用车载传感器进行坠落检测：系统综述。Z.老人牌汽车。老年医学。 2013,46, 706–719. [谷歌学者] [交叉参考] [公共医学]
  5. 帕特尔，S。；帕克，H。；博纳托，P。；Chan，L。；Rodgers，M.可穿戴传感器和系统在康复中的应用综述。神经学杂志。雷哈比尔。 2012,9, 21. [谷歌学者] [交叉参考] [公共医学] [绿色版本]
  6. 戈弗雷，A。；康威，R。；米格尔，D。；OLaighin，G.通过加速计直接测量人体运动。医学工程物理。 2008,30, 1364–1386. [谷歌学者] [交叉参考] [公共医学]
  7. Bonato，P.可穿戴传感器和系统。从实现技术到临床应用。IEEE工程医学生物学。美格。 2010,29, 25–36. [谷歌学者] [交叉参考] [公共医学]
  8. M.I.Mokhlespour Esfahani。；Narimani，R。；Ramezandehkoldeh，M.使用柔性传感器的可穿戴式呼吸容积描记术。国际生物医学杂志。工程技术。 2012,11, 364–380. [谷歌学者] [交叉参考]
  9. Mokhlespour，医学博士。；Zobeiri，O。；Akbari，A。；Milani，Y。；Narimani，R。；Moshiri，B。；Parnianpur，M.Sharif用于日常活动的人体运动仪器系统（Sharif-HMIS）。2012年12月20日至21日在伊朗德黑兰举行的伊朗生物医学工程会议记录；第143-148页。
  10. 斯托帕，M。；Chiolerio，A.可穿戴电子产品和智能纺织品：评论。传感器 2014,14, 11957–11992. [谷歌学者] [交叉参考] [公共医学]
  11. J.H.Bergmann。；McGregor，A.H.人体传感器设计：患者和临床医生想要什么？安。生物识别。工程师。 2011,39, 2299–2312. [谷歌学者] [交叉参考] [公共医学]
  12. J.H.Bergmann。；Chandaria，V。；McGregor，A.穿戴式和植入式传感器：患者的观点。传感器 2012,12, 16695–16709. [谷歌学者] [交叉参考] [公共医学]
  13. 科尔伊，B。；Jolles，B.M。；Farron，A。；Bourgeois，A。；Nussbaumer，F。；Pichonnaz，C。；Aminian，K。使用3D运动学传感器进行肩部手术的结果评估。步态姿势 2007,25, 523–532. [谷歌学者] [交叉参考] [公共医学]
  14. 斯科格，I。；亨德尔，P。；尼尔森，J.O。；Rantakokko，J.零速度检测与算法评估。IEEE传输。生物识别。工程师。 2010,57, 2657–2666. [谷歌学者] [交叉参考] [公共医学]
  15. Schepers，H.M。；科普曼，H.F。；Veltink，P.H.踝关节和足部动力学的动态评估。IEEE传输。生物识别。工程师。 2007,54, 895–902. [谷歌学者] [交叉参考] [公共医学]
  16. 法夫尔，J。；艾萨维，R。；Jolles，B.M。；de Guise，J.A。；Aminian，K。使用惯性传感器描述三维膝关节角度的功能校准程序。J.生物技术。 2009,42, 2330–2335. [谷歌学者] [交叉参考] [公共医学]
  17. Roetenberg，D。；路易吉，H.J。；巴顿，C.T。；Veltink，P.H.磁扰动补偿改善了人体分段方向的惯性和磁感应。IEEE传输。神经系统。Rehabil.工程师。 2005,13, 395–405. [谷歌学者] [交叉参考] [公共医学]
  18. Roetenberg，D。；Luinge，H。；斯莱克，P。Xsens MVN：使用微型惯性传感器的全6自由度人体运动跟踪; Xsens公司：荷兰恩舍德，2013年；第1-9页。[谷歌学者]
  19. 侯赛因扎德根，H。；Pierron，O.N。；Hosseinian，E.用于微机电系统环境监测应用的硅横向旋转微振子空气剪切阻尼的精确建模。传感器执行器A物理。 2014,216, 342–348. [谷歌学者] [交叉参考]
  20. Scilingo，E.P。；Lorussi，F。；Mazzoldi，A。；de Rossi，D.应变传感织物，适用于类似运动美学的穿戴系统。IEEE传感器J。 2003,三, 460–467. [谷歌学者] [交叉参考]
  21. 吴杰。；周，D。；也是，首席执行官。；Wallace，G.G.导电聚合物涂层莱卡。合成。遇见。 2005,155, 698–701. [谷歌学者] [交叉参考]
  22. Wang，L.J。；Lin，T。；Wang，X.G.导电聚合物涂层纺织品的特性和应用。国际期刊修订版。物理学。B类 2009,23, 1241–1247. [谷歌学者] [交叉参考]
  23. 帕切利，M。；Loriga，G。；塔奇尼，N。；Paradiso，R.监测生理和生物力学变量的传感织物：电子纺织品解决方案。2006年9月4日至6日，美国马萨诸塞州波士顿，2006年第三届IEEE/EMBS国际医疗设备和生物传感器暑期学校论文集；第1-4页。
  24. Amft，O。；Junker，H。；Lukowicz，P。；Troster，G。；舒斯特，C.用随身携带的传感器感知肌肉活动。2006年4月3日至5日，美国马萨诸塞州坎布里奇市，BSN 2006穿戴式和植入式人体传感器网络国际研讨会论文集；第138-141页。
  25. 巴塔莱斯，R。；Lorussi，F。；Tognetti，A。；Tesconi，M。；Zupone，G。；Carbonaro，N。；de Rossi，D.穿戴式运动传感器，用于身体姿势和运动分析。J.生物技术。 2007,40，S425–S427。[谷歌学者] [交叉参考]
  26. 法林顿，J。；A.J.摩尔。；Tilbury，N。；Church，J。；Biemond，P.D.穿戴式传感器徽章和传感器夹克，用于环境感知。1999年10月18日至19日在美国加利福尼亚州旧金山举行的第三届可穿戴计算机国际研讨会论文摘要；第107–113页。
  27. 危害，H。；Amft，O。；Trster，G。；Roggen，D.Smash：一种用于分类上身姿势的分布式传感和处理服装。2008年3月13日至17日在美国亚利桑那州坦佩举行的ICST第三届身体区域网络国际会议记录；第1-8页。
  28. 马特曼，C。；克莱门斯，F。；Troster，G.用于测量纺织品应变的传感器。传感器 2008,8, 3719–3732. [谷歌学者] [交叉参考] [公共医学]
  29. M.I.Mokhlespour Esfahani。；Taghinedjad，S。；莫塔吉塔拉布，V。；Narimani，R。；Parnianpour，M.用于测量人体运动方向的新型印刷体传感器。参议员修订版。 2016,36, 321–331. [谷歌学者] [交叉参考]
  30. Schrack，J.A。；库珀，R。；Koster，A。；希罗玛，E.J。；Murabito，J.M。；雷杰斯基，W.J。；费鲁奇，L。；Harris，T.B.评估老年人的日常体力活动：揭示监测、测量和方法的复杂性。杰伦托尔。序列号。A类 2016,71, 1039–1048. [谷歌学者] [交叉参考] [公共医学]
  31. 《财富》，E。；卢加德，V.A。；Kaufman，K.R.姿势和运动分类：三轴加速度计数量和解剖位置的比较。J.生物技术。工程师。 2014,136, 051003. [谷歌学者] [交叉参考] [公共医学]
  32. Boerema，S.T。；van Velsen，L。；Schaake，L。；Tönis，T.M。；Hermens，H.J.使用3D加速计测量身体活动的最佳传感器位置。传感器 2014,14, 3188–3206. [谷歌学者] [交叉参考] [公共医学]
  33. 克莱兰德，I。；基基亚，B。；Nugent，C。；Boytsov，A。；Hallberg，J。；Synnes，K。；麦克莱恩，S。；Finlay，D.用于检测日常活动的加速计的最佳位置。传感器 2013,13, 9183–9200. [谷歌学者] [交叉参考] [公共医学]
  34. 小M.C.Schall。；Fethke，N.B。；Chen，H.评估身体活动评估的四个传感器位置。申请。埃尔贡。 2016,53, 103–109. [谷歌学者] [交叉参考] [公共医学]
  35. 托尔梅内，P。；巴托洛，M。；De Nunzio，上午。；Fecchio，F。；夸列尼，S。；塔索雷利，C。；Sandrini，G.通过可穿戴式应变传感器估计人体躯干运动，并改进传感器在智能生物医学服装上的位置。生物识别。工程在线 2012,11, 95. [谷歌学者] [交叉参考] [公共医学]
  36. Lorussi，F。；罗奇亚，W。；Scilingo，E.P。；Tognetti，A。；de Rossi，D.可穿戴、冗余的基于织物的传感器阵列，用于重建身体分段姿势。IEEE传感器J。 2004,4, 807–818. [谷歌学者] [交叉参考]
  37. Tognetti，A。；Lorussi，F。；巴塔莱斯，R。；Quaglini，S。；Tesconi，M。；Zupone，G。；de Rossi，D.中风后康复中用于捕捉和分类上肢姿势的可穿戴运动感觉系统。神经学杂志。雷哈比尔。 2005,2, 8. [谷歌学者] [交叉参考] [公共医学] [绿色版本]
  38. 杨，C.-M。；林，Z.S。；胡，C.-L。；Chen，Y.-S。；Ke，L.-Y。；Chen，Y.-R.一种新型可穿戴式数字纺织传感器动态传感与人体运动分析。2010年9月1日至4日，阿根廷布宜诺斯艾利斯，IEEE EMBS第32届国际年会会议记录。
  39. Wong，W.Y。；Wong，M.S.用于躯干姿势监测的智能服装：初步研究。脊柱侧凸 2008,三, 7. [谷歌学者] [交叉参考] [公共医学]
  40. Tognetti，A。；Lorussi，F。；穆拉，G.D。；Carbonaro，N。；帕切利，M。；帕拉迪索，R。；Rossi，D.D.用于运动捕捉系统的新一代可穿戴测角仪。神经学杂志。康复。 2014,11, 56. [谷歌学者] [交叉参考] [公共医学]
  41. Fleury，A。；糖，M。；Chau，T.临床康复中的电子纺织品：范围界定综述。数码产品 2015,4, 173–203. [谷歌学者] [交叉参考]
  42. 撒丁岛，E。；Serpelloni，M。；Pasqui，V.Daylong使用一种新型可穿戴系统进行家庭身体运动监测的坐姿测量。《IEEE国际仪器和测量技术会议论文集》，意大利比萨，2015年5月11日至14日；第652-657页。
  43. 吉布斯，P.T。；Asada，H.H.用于多轴人体关节角度测量的可穿戴导电光纤传感器。神经学杂志。雷哈比尔。 2005,2, 7. [谷歌学者] [交叉参考] [公共医学] [绿色版本]
  44. Saggio，G。；Sbernini，L.临床应用人体躯干姿势测量的新场景。2011年5月30日至31日，意大利巴里，2011年IEEE医学测量与应用国际研讨会论文集（MeMeA）；第13-17页。
  45. Chen，L。；霍伊，J。；Nugent，C.D。；库克，D.J。；Yu，Z.基于传感器的活动识别。IEEE传输。系统。人类网络。C部分 2012,42, 790–808. [谷歌学者] [交叉参考]
  46. Wu，G。；范德赫尔姆，F.C.T。；H.E.J.Veeger。；Makhsous，M。；范罗伊，P。；Anglin，C.公司。；Nagels，J。；卡杜纳，A.R。；McQuade，K。；王，X。；等。ISB关于报告人类关节运动的各种关节的关节坐标系定义的建议——第二部分：肩、肘、腕和手。J.生物技术。 2005,38, 981–992. [谷歌学者] [交叉参考] [公共医学]
  47. 西西里亚诺，B。；O.哈提卜。斯普林格机器人手册; 施普林格：德国柏林，2008年。[谷歌学者]
  48. 莫尔，J.J.《levenberg-marquardt算法：实现与理论》。在数值分析; Watson，G.A.，编辑。；施普林格：德国柏林/海德堡，1978年；第105–116页。[谷歌学者]
  49. 阿塔尔，F。；穆罕默德，S。；Dedabrishvili，M。；Chamroukhi，F。；Oukhellou，L。；Amirat，Y.使用可穿戴传感器进行人体活动识别。传感器 2015,15, 31314–31338. [谷歌学者] [交叉参考] [公共医学]
  50. Peetoom，K.K。；Lexis，文学硕士。；Joore，M。；德克森，C.D。；De Witte，L.P.关于独立生活老年人监测技术及其结果的文献综述。解除武装、康复、协助。Technol公司。 2015,10, 271–294. [谷歌学者] [交叉参考] [公共医学]
  51. Dunne，L.《超越第二层皮肤：在感应服装设计中解决服装风格和合身变量的实验方法》。国际法学杂志。设计。Technol公司。教育。 2010,三, 109–117. [谷歌学者] [交叉参考]
  52. 马萨诸塞州马拉斯。；Fathallah，F.A。；R.J.米勒。；戴维斯，S.W。；Mirka，G.A.用于记录动态躯干运动特征的三维腰椎运动监测器的准确性。国际J.Ind.Ergon。 1992,9, 75–87. [谷歌学者] [交叉参考]
  53. Szelitzky，E。；Kuklyte，J。；Mándru，D。；O'Connor，N.生物力学应用的低成本角位移传感器——综述。J.生物识别。工程技术。 2014,2, 21–28. [谷歌学者]
  54. 戈德温，A。；阿格纽，M。；Stevenson，J.静态、准静态和复杂动态运动中惯性运动传感器的精度。J.生物技术。工程师。 2009,131, 114501–114505. [谷歌学者] [交叉参考] [公共医学]
  55. Bastani，K。；Kim，S。；孔，Z.J。；Nussbaum，文学硕士。；Huang，W.在线分类和传感器选择优化，应用于使用可穿戴传感技术的人工材料搬运任务。IEEE传输。嗯-马赫。系统。 2016. [谷歌学者] [交叉参考]
  56. 卡斯塔诺，L.M。；Flatau，A.B.智能织物传感器和电子纺织品技术：综述。聪明的母亲。结构。 2014,23, 053001. [谷歌学者] [交叉参考]
传感器17 00112 g001 550
图1。躯干运动系统（TMS）开发中使用的身体磨损传感器（BWS）。金属卡扣用于在BWS和引线之间创建所需的电气连接。
图1。躯干运动系统（TMS）开发中使用的身体磨损传感器（BWS）。用于在BWS和引线之间创建所需电气连接的金属卡扣。
传感器17 00112 g001
传感器17 00112 g002 550
图2。伸缩衬衫上的球形标记阵列用于确定传感器位置。
图2。伸缩衬衫上的球形标记阵列用于确定传感器位置。
传感器17 00112 g002
传感器17 00112 g003 550
图3。开发用于TMS的电子板框图和系统配置。BWS、电子板（包括：电池、电流源和电位计元件）、便携式数据采集模块和计算机分别编号为1至4。由于样品传感器的初始电阻不同，对每个样品的电位计进行调节，使BWS的信号从大约1 V开始。
图3。开发用于TMS的电子板框图和系统配置。BWS、电子板（包括：电池、电流源和电位计元件）、便携式数据采集模块和计算机分别编号为1至4。由于样品传感器的初始电阻不同，对每个样品的电位计进行调节，使BWS的信号从大约1 V开始。
传感器17 00112 g003
传感器17 00112 g004 550
图4。用于确定传感器放置配置的32种不同躯干和肩部运动。这些照片与自然姿势进行了比较。事实上，每个运动的标记路径指示了每个传感器的延伸方向，用于确定最佳传感器位置。
图4。32种不同的躯干和肩部运动用于确定传感器的放置配置。这些照片与自然姿势进行了比较。事实上，每个运动的标记路径指示了每个传感器的延伸方向，用于确定最佳传感器位置。
传感器17 00112 g004
传感器17 00112 g005 550
图5。由可伸缩衬衫确定的BWS的识别位置。A、 B、J和K专门用于屈曲/伸展。通过C、F、I、E、H和L检测到侧向弯曲。D和G指定用于轴向旋转。
图5。由可伸缩衬衫确定的BWS的识别位置。A、 B、J和K是专门用于屈曲/伸展的。通过C、F、I、E、H和L检测到侧向弯曲。D和G指定用于轴向旋转。
传感器17 00112 g005
传感器17 00112 g006 550
图6。BWS在制造服装上的最终确定位置。衣服是用腰带系在臀部的。
图6。最终确定的BWS在生产的服装上的位置。衣服是用腰带系在臀部的。
传感器17 00112 g006
传感器17 00112 g007 550
图7。TMS校准执行的七项任务。每个参与者进行五个平面运动和两个多平面运动。
图7。TMS校准执行的七项任务。每个参与者进行五个平面运动和两个多平面运动。
传感器17 00112 g007
传感器17 00112 g008 550
图8。神经网络的框图，用于融合输入并将其映射到输出。有12个传感器的信号和躯干的三维角度位置分别作为输入和输出。
图8。神经网络的框图，用于融合输入并将其映射到输出。有12个传感器的信号和躯干的三维角度位置分别作为输入和输出。
传感器17 00112 g008
传感器17 00112 g009 550
图9。参与者2完成的十个屈伸周期的示例图。通过电位计将所有传感器的信号调整为从1 V开始，一些传感器被激活。
图9。参与者2完成的十个屈伸周期的示例图。通过电位计将所有传感器的信号调整为从1 V开始，一些传感器被激活。
传感器17 00112 g009
传感器17 00112 g010 550
图10。参与者2执行的左多平面运动10个循环的示例图。通过电位计将所有传感器的信号调整为从1V开始。参与者在极限点停了几秒钟。因此，在8.5 V左右的每个循环中都可以看到一个平台。
图10。参与者2执行的左多平面运动10个循环的示例图。所有传感器的信号都由电位计调整为从1 V开始。参与者在极限点停了几秒钟。因此，可以在8.5 V左右的每个循环中看到一个平台。
传感器17 00112 g010
传感器17 00112 g011 550
图11。所有参与者平面运动系统的准确性。
图11。所有参与者平面运动系统的准确性。
传感器17 00112 g011
传感器17 00112 g012 550
图12。多平面和总（平面和多平面）运动的TMS精度。
图12。多平面和总（平面和多平面）运动的TMS精度。
传感器17 00112 g012
表
表1。BWS校准结果[29].
表1。BWS校准结果[29].
特点最大应变最大应变速度线性误差滞后误差重复性错误放松行为
数量50%400（毫米/分钟）2%8%7%11%
表
表2。平面运动网络训练的结果。
表2。平面运动网络训练的结果。
测试输入输出神经元 样品RMSE公司1R（右）2
屈曲/伸展12140培训17500.650.998
验证3751.140.994
测试3751.010.995
侧向弯曲（左）12140培训17500.460.999
验证3751.060.997
测试3750.800.998
侧向弯曲（右）12140培训17500.350.999
验证3750.650.998
测试3750.560.999
轴向旋转（左）12140培训17500.850.999
验证3750.610.999
测试3750.820.999
轴向旋转（右）12140培训17500.400.999
验证3750.790.998
测试3750.870.998
1均方根误差；2相关系数。
表
表3。每个参与者执行的多平面运动的网络培训结果。平面运动网络训练的结果。
表3。每个参与者执行的多平面运动的网络培训结果。平面运动网络训练的结果。
测试输入输出神经元 样品RMSE公司1R（右）2
参与者1的左多平面运动12三90培训8740.050.999
验证1880.370.999
测试1880.400.999
参与者1的右多平面运动12三40培训7000.240.999
验证1500.380.999
测试1500.430.999
参与者2的左侧多平面运动12三60培训6880.060.999
验证1480.140.999
测试1480.180.999
参与者2的右多平面运动12三60培训10500.220.999
验证2250.390.998
测试2250.440.998
参与者3的左多平面运动12三90培训17500.720.999
验证3751.230.997
测试3751.300.996
参与者3的右多平面运动12三90培训17500.350.999
验证3750.570.999
测试3750.570.999
1均方根误差；2相关系数。
表
表4。每个参与者进行的所有运动（包括平面运动和多平面运动）的TMS精确度结果。平面运动网络训练的结果。
表4。每个参与者进行的所有运动（包括平面运动和多平面运动）的TMS精确度结果。平面运动网络训练的结果。
测试输入输出神经元 样品RMSE公司1R（右）2
参与者112三60培训10,3242.670.979
验证22132.970.976
测试22132.80.977
参与者212三60培训87384.140.973
验证18734.510.970
测试18734.540.968
参与者312三45培训11,0245.940.938
验证23636.220.933
测试23636.380.932
1均方根误差；2相关系数。
表
表5。IMU和TMS的比较。
表5。IMU和TMS之间的比较。
对铁磁性物体的灵敏度系统重量传感器尺寸
IMU（智能管理单元）[18,54]是的1.9千克38×53×21毫米
列车管理系统不≤200克20×40毫米

分享和引用

MDPI和ACS样式

M.I.Mokhlespour Esfahani。；Zobeiri，O。；Moshiri，B。；Narimani，R。；梅赫拉瓦尔，M。；Rashedi，E。；M.帕尼安普尔。通过数据融合方法使用印刷体磨损传感器（BWS）的躯干运动系统（TMS）。传感器 2017,17, 112.https://doi.org/10.3390/s17010112

AMA风格

密歇根州Mokhlespour Esfahani、Zobeiri O、Moshiri B、Narimani R、Mehravar M、Rashedi E、Parnianpour M。通过数据融合方法使用印刷体磨损传感器（BWS）的躯干运动系统（TMS）。传感器. 2017; 17(1):112.https://doi.org/10.3390/s17010112

芝加哥/图拉宾风格

Mokhlespour Esfahani、Mohammad Iman、Omid Zobeiri、Behzad Moshiri、Roya Narimani、Mohanmad Mehravar、Ehsan Rashedi和Mohamad Parnianpour。2017.“通过数据融合方法使用印刷体磨损传感器（BWS）的躯干运动系统（TMS）”传感器17号，编号1:112。https://doi.org/10.3390/s17010112

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。查看更多详细信息在这里.

文章指标

返回页首顶部