智能服装分布式纤维传感
内容提要
该文汇总多项智能纺织品与可穿戴传感研究，包括：半弹性纺织品边界传感器结合机器学习实现触摸感测，平均误差1.36毫米；可折叠电容感应智能纺织品Capafoldable；融合IMU与体电容传感识别工人行为，F1提升9.38%；智能膝套实现无摄像机3D姿态估计，平均误差7.21度；以及动态服装生成、触觉机械臂导航、应激检测和压力监测等。
延伸解读
分布式传感在智能纺织品中的进展
文章汇总的多项研究展示了分布式纤维传感在智能纺织品中的不同实现方式。例如，半弹性纺织品边界传感器通过边界上的传感器而非感测区域进行触摸感测，结合机器学习实现了平均误差仅1.36毫米的触摸点预测；智能膝套则利用时间序列数据实现无摄像机的3D姿态估计，平均误差7.21度。这些案例表明，分布式传感能够提升可穿戴设备的感知精度和适用性。
多模态融合提升行为识别性能
在工人行为识别研究中，作者将IMU与体电容传感模块结合，并比较了早期和晚期数据融合方法。实验结果显示，配备体电容传感器和特征融合方法的传感原型相比没有体电容传感器和苹果手表数据的原型，宏F1评分提高了9.38%。这表明多模态传感融合能有效提升复杂场景下的行为识别准确率，为制造业等实际应用提供了潜力。
无摄像机姿态估计的潜力与局限
智能膝套系统通过穿戴数据生成3D人体模型，无需摄像机即可进行姿态估计，平均误差为7.21度，且能扩展到未见过的锻炼和个人。这避免了视觉遮挡和视野限制，在家庭健身、康复等领域具有应用前景。然而，其精度仍受限于传感器数据和算法，未来需进一步优化以适应更广泛的动作评估。
智能纺织品在压力监测中的集成应用
文章提到一种利用生理信号和环境信息的实时压力监测系统，通过集成智能标签优化机器学习模型。实验显示，结合脉搏波图和环境信息的随机森林分类器F1得分达到70%，显著高于仅使用脉搏波图的56%。这表明多源数据融合能提升压力检测的准确性，为日常压力管理提供了可行方案。
Q&A
智能纺织品如何实现触摸感测？
通过在纺织品边界上布置传感器而非感测区域，结合多种机器学习模型进行触摸感测。实验表明，使用视觉标记预测单一触摸点的平均均方误差仅为1.36毫米，且原型能准确分类3个深度的触摸。
Capafoldable智能纺织品有什么特点？
Capafoldable是一种通过折叠和电容感应相结合的新型智能纺织品，使用先进传感电路和深度学习技术，可自动跟踪折叠并重新构建几何基元，实现新的智能纺织品应用。
如何利用可穿戴传感器识别制造业工人行为？
将IMU和体电容传感模块结合，采用早期和晚期传感器数据融合方法，并比较了多通道时间序列卷积神经网络和深度卷积LSTM模型。实验表明，该方法比基线性能更好，配备体电容传感器和特征融合方法后，宏F1评分提高了9.38%。
智能膝套如何实现无摄像机3D姿态估计？
智能膝套（Texavie MarsWear Knee Sleeves）利用时间序列数据和运动捕捉相机的真实标签，生成仅基于个体穿戴数据的3D人体模型。结果显示，八个下肢关节的平均误差为7.21度，无需摄像机且不受视觉遮挡或视野限制。
如何通过触觉信息控制机械臂导航变形衣物？
提出一种聚合力信息的控制器，通过操纵工具上的多个触觉传感器引导。每个球基于触觉力更新目标位置，并通过解决带约束的逆运动学问题解决冲突。使用强化学习训练单个触觉传感器控制器，成功在模拟中导航机械臂穿过袖子、夹克、衬衫和短裤等服装。
如何利用生理信号和环境信息监测每日压力？
提出一种实时监测系统，利用生理信号和环境信息追踪和预测每日压力水平，并通过集成智能标签方法优化机器学习模型。实验显示，结合脉搏波图和环境信息的随机森林分类器F1得分达到70%，显著高于仅使用脉搏波图的56%。
