老年男性腰臀部体型分类及预测模型建立.pdf

76V制衣技术2023年第7 期针织工业老年男性腰臀部体型分类及预测模型建立曹晓梦1,2,王春茹1,罗斯祺1,钟安华1（1.武汉纺织大学服装学院，湖北武汉43 0 0 7 3；2.江西服装学院完服装工程学院，江西南昌3 3 0 2 0 1）摘要：体型分类参数是服装智能化生产的关键要素，是制衣技术精细化的重要前提，而体型模型的建立与预测是当前服装行业的重要研究课题。为分析目前老年男性函待解决的裤装适体性问题，通过三维人体扫描仪获得1 2 9 个6 0 7 5 岁的老年男性人体样本数据，分别通过形态分析和数值分析说明了老年男性腰臀部和青年男性的差异。进一步确定最佳聚类数,并利用K-means聚类法将老年男性腰臀部划分为4类。同时构建基于BP神经网络的体型预测模型，测试集总体识别率达到9 3.7 5%。结果显示，该方法可有效区分老年人体腰臀部形态差异，为制作合体性更高的老年男性裤装结构奠定了理论基础。关键词：老年男性；腰臀部体型；体型分类；预测模型；神经网络中图分类号：TS941.17文献标志码：A文章编号：1 0 0 0-40 3 3(2 0 2 3)0 7-0 0 7 6-0 5lassification and Prediction Model of the Waist and HipTypes of the ElderlCao Xiaomengl?,Wang Chunru,Luo Siqi,Zhong Anhua(1.School of Fashion,Wuhan Textile University,Wuhan,Hubei 430073,China;2.School of Fashion Engineering,Jiangxi Institute of Fashion Technology,Nanchang,Jiangxi 330201,China)Abstract:Body shape classification parameters are a key element of intelligent clothing production and theimportant premise of fine garment technology,and the establishment of body shape models is an important researchtopic in the current apparel industry.In order to analyze the problem of trouser suitability for the elderly to besolved urgently,129 human samples of 6075 years old men were obtained through a three-dimensional bodyscanner.Through morphological analysis and numerical analysis,respectively,the difference between the waist andhips of the elderly and the young was explained,and the significance of the research was confirmed.Further itdetermined the optimal number of clusters,and used the K-means clustering method to divide the waist and hipsof the elderly into 4 categories.On this basis,a body shape prediction model based on BP neural network wasconstructed,and the overall recognition rate of the test set reached 93.75%.The results show that this method caneffectively distinguish the difference in the shape of the waist and hips of the elderly,which lays a theoreticalfoundation for the production of a more fit trouser structure for the elderly.Key words:Elderly Men;Waist and Hip Body Shape;Body Shape Classification;Prediction Model;Neural Net-works我国服装市场上，老年人服装仅有不到5%的市场份额1，因为体型差异而造成尺码不全成为其中一个重要原因。研究发现，随着年龄增长，人体围度尺寸会逐渐变大，尤其是腰臀部尺寸变化更大2 而市场上的服装基本上是根据青年人的服装标准生产的3 ,没有考虑到老年人与青年人的体型差异因此，准确判别出不同老年人的体型，并据此制成特定规格尺码的服装，有望解决老年人买衣难、穿衣基金项目：湖北省虚拟仿真试验室建设项目（D141091003）；湖北省大学生双创项目（S202010495025X）。作者简介：曹晓梦（1 9 9 5 一），女，硕士研究生。主要从事人体工学与服装数字化研究。通讯作者：钟安华(1 9 6 7 一），女，教授。E-mail:。77制衣技术2023年第7 期针织工业难的问题在体型分类方面，国内主要以各高校为单位对各个年龄段的人体体型进行研究，如通过基于特征距离进行分类、根据人体肩截面曲线进行分类和基于形状上下文分类等方法，实现对不同年龄段不同人体部位的体型分类 4-6 。然而这些研究的对象大多为青少年和中年人，对老年人体型的研究非常少，关于老年男性体型分类与识别的研究更少为使老年男性的服装技术得到突破，聚焦于老年男性，重视其普遍存在的腰腹部肥胖问题，明确这正是影响其裤装舒适性与合体性的主要因素，期望通过腰臀部体型分类和智能预测为老年男性裤装适体性研究提供一定理论基础。1人体数据采集1.1试验方案设计随机抽取武汉地区6 0 7 5岁老年男性,采用德国的Anthroscan-er非接触式三维人体扫描仪进行三维人体测量，共测得131个样本，经奇异值检验与正态分布检验，剔除2 个极端瘦体样本，最终样本量确定为12 9 个。试验测量中，要求被测者仅穿着白色或浅色贴身内裤，双脚分开站立于指定测量台，双臂向两侧自然展开，与身体距离保持在10 cm左右，双眼目视前方1.2测量参数设置参考GB/T57032010用于技术设计的人体测量基础项目和三吉满智子主编的服装造型学理论篇，确定测量项目。直接提取13个与腰臀部位相关的项目，间接测量或计算5个项目，共获得18 个腰臀部相关测量项目，见表1。人体角度测量方式如图1所示。其中，为腹凸下角，b为臀凸表1月腰臀部体型项目表序号项目名称序号项目名称1腰围10臀厚2腹围11腰矢横径比3臀围12腹矢横径比4大腿围13臀矢横径比5腰宽14直裆长6腹宽15前长7臀宽16后长8腰厚17臀凸上角9腹厚18腹凸下角上角，表示腹部或臀部相对于垂直人体躯干所凸起的量。矢横径比表示相应部位横截面厚度与宽度比值,用于描述部位的扁平程度 7 图1人体角度测量图2腰臀部体型分析2.1单独样本对比分析将身高相近的青年男性和老年男性的腰臀部相关形态进行对比。图2 为老年男性与青年男性腰、腹、臀围的横截面对比图，仅从围度上看，老年男性的腰、腹、臀围与青年男性有明显差异，其轮廓更饱满，趋近于圆形。图3为人体正中矢状面对比图，从人体侧面形态来看，老年人整个躯干部均有明显变厚的情况，腰腹部明显凸出。2.2样本均值对比分析将12 9 名老年男性与青年男性腰臀部关键变量的平均值 8 进行对比，如图4所示。由图4可知，老年男性与青年男性腰臀部主要差异体现在腰部和腹部相关参数的变化，老年男性腰部和腹部的相关参数值明显高于青年男性，宽度差异最小，厚度次之，围度差异最大。(a)腰围横截面(b)腹围横截面(c)臀围横截面一老年男性；-青年男性。图2 人体横截面对比图.老年男性；-青年男性。图3人体正中矢状面对比图-0.328100.000斤8.6117.50580.000560.0001.9370.28640.0001.99020.0000.4802.8912.5310关键变量.青年男性；+，老年男性。注：图中标注数值为两者在各变量处的平均值差量。图4青老年腰臀部关键变量平均值对比图从青、老年腰臀部形态和相关数值的分析对比可得出：根据GB/T1335.12008服装号型男子所绘制的男性服装纸样并不能适应老年人体结构的变化。为了满足老年男性的服装适体性需求，有必要结合人体测量结果对老年男性的78制衣技术2023年第7 期针织工业体型进行分类。3腰臀部体型分类为了更好地对不同形态的老年男性腰臀部进行描述，在确定最佳分类数的基础上，采用均值聚类法对老年男性腰臀形态进行细分3.1确定最佳聚类数通过比较组间平方误差和与组内平方误差和确定最佳聚类数目。通常情况下，组间平方误差和越大，聚类效果越好，组内平方误差和越小，聚类效果越好。图5是腰臀部体型被划分为27类时组间平方误差和与组内平方误差和的走向图。可以明显看出，组间平方误差和在2 4类上升得很快，之后上升趋势变得平缓，组内平方误差和在2 4类下降得很快，之后下降趋势也变得平缓。说明在分为4类后，再进一步增加聚类数目，聚类的效果也不会得到明显增强，因此确定腰臀部体型的最佳聚类数为4类30 000.000r25 000.00020000.00015000.00010000.0005000.0000234567分类数/类.组间平方误差和；组内平方误差和。图5组间与组内平方误差和走向图3.2K-means 聚类分析一般在进行人体体型聚类分析时，多选取具有代表性的几个典型指标作为分类依据。但考虑到老年人体腰臀部的特殊性，即腰臀部普遍存在脂肪堆积的情况，从而导致少数几个指标并不能对腰臀部体型进行有效分类。因此，为保证老年男性腰臀部聚类结果的准确性，将试验所列的18 个腰臀部变量均列人聚类分析过程相关资料显示，在人体体型分析中应用较为广泛的分类方法是K-means 聚类分析(9。本文借助SPSS分析软件对老年男性腰臀部进行聚类。聚类结果经6 次迭代后收敛，将12 9 个老年男性人体样本分为4类，方差分析见表2,最终聚类中心见表3。从表2 中可以看出，大部分变量的显著性为0，臀凸上角的显著性为0.0 0 1,均小于0.0 50,且聚类均方远大于误差均方，说明据此划分的4类体型之间具有明显差异，分类效果非常好由表3可知每一类的标准体型参数值，不同类别之间有较明显的差异，总体上具体的参数值随类别增加呈递增趋势表4为各聚类中心值所对应的4类老年男性腰臀部形态。结合最终聚类中心，从第1类到第4类，各参数值基本上呈现递增趋势。第1类为瘦体型，腰臀部位的围度、宽度和厚度值均最小，但腰腹臀围差值最大，腰、腹、臀围的横截面形态非常扁平，为腰圆形，腰腹部厚度小,基本在2 1.0 cm左右，腹部几乎没有凸起，臀部比较平坦，占总人数的2 1.7%。第2 类为适中型，腰腹围值在85.0cm左右,臀围值在9 5.0 cm左右，腰腹围差值适中，腹部有轻微凸起，臀部凸起角度中等，腰腹围横截面相对扁平，腰腹臀部厚度在23.024.0cm，占总人数的33.4%。第3类为微胖型，腰腹臀围值较大,腰围、腹围几乎没有差值，与臀围差别明显，腹部有明显凸起，臀部凸起大，腰腹部横截面形态饱满，腰腹部厚度大，占总人数的27.1%。第4类为胖体型，腰腹臀围值均在10 0.0 cm以上,腰腹臀围差值小，腹部凸起明显，臀部最为挺翘，腰围、腹围和臀围的横截面形态趋近于圆形，腰腹臀部的厚度值最大，占总人数的17.8%其中第2、3两类体型人数最表2方差分析项目聚类均方聚类自由度误差均方误差自由度F显著性直档长34.34032.17012515.8230前聆长145.44832.91812549.8410后长83.47733.05012527.3710腰围2.983.42339.053125329.5670腹围2 631.06937.829125336.0630臀围820.44438.026125102.2170大腿围336.96636.99412548.1780腰宽216.82531.043125207.9650臀宽45.39731.54812529.3170腹宽182.42031.405125129.8280腰厚365.94531.550125236.1010臀厚126.45131.116125113.3230腹厚327.10531.249125261.9220腰矢横径比0.06330.00212538.9890臀矢横径比0.03330.00112526.5820腹横径比0.06730.00212540.8520臀凸上角181.908330.1641256.0310.001腹凸下角324.216318.98412517.078079制衣技术2023年第7 期针织工业表3最终聚类中心聚类项目1234直裆长/cm30.731.132.333.2前长/cm39.240.2 42.244.5后长/cm37.2 38.2 39.941.2腰围/cm75.984.893.4100.2腹围/cm78.086.893.6101.4臀围/cm89.994.198.5102.8大腿围/cm45.7 48.6 51.553.8腰宽/cm27.329.631.833.8臀宽/cm34.034.935.937.0腹宽/cm29.231.533.135.5腰厚/cm20.323.7 26.728.7臀厚/cm22.924.726.328.1腹厚/cm19.923.325.628.2腰矢横径比0.7450.801 0.8410.848臀矢横径比0.6760.7010.7330.759腹矢横径比0.6820.7390.774 0.795臀凸上角/20.122.221.026.2（）腹凸下角/8.010.413.316.0(）人数人28433523占比/%21.733.427.117.8多，占总样本量的6 0.5%，胖体型人数最少，仅为17.8%。但从数据上可以看出老年人的体型整体较青年人胖。4预测模型建立在腰臀部体型分类的基础上建立基于BP神经网络的人体预测模型，对未知老年男性腰臀部所属类别进行预测，从而为其下装版型选择提供依据4.1模型理论BP神经网络是一种按照误差逆传播算法训练的多层前馈网络，是目前人工智能中应用最广泛的神经网络模型之一，在理论和性能上都比较成熟，其网络模型结构分为输人层、隐含层和输出层。相关研究认为 10 ,通过增加隐含层的层数可以提高网络训练的精确度，但当隐含层只有一层时，其综合效果最好。图6 为单隐含层BP神经网络结构图,g(.)和f(.)为传递函数。反向传播EabVWfCZXa2b2X28Z2anb,Xf（.）输人层隐含层输出层图6单隐含层BP神经网络结构图BP网络的计算过程分为正向计算和反向计算。在前期进行数据训练时，采用反向计算，通过误差反转将实际输出与期望输出产生的误差分配给各个神经元；在后期进行智能预测时，采用正向计算，从输人层录人数据，经过层层计算，再从输出层输出预测结果4.2模型建立本试验利用MatlabR2020a软件自带的神经网络工具箱（NNbox），建立基于BP神经网络的预测模型，用来判别未知老年男性的腰臀表44类腰臀部形态示意表类别瘦体型适中型微胖型胖体型横截面侧面正面腰围:7 5.9 cm;腰围:8 4.8 cm;腰围:9 3.4 cm;腰围:10 0.2 cm;人体参数腹围:7 8.0 cm;腹围:8 6.8 cm;腹围:9 3.6 cm;腹围:10 1.4 cm;臀围:8 9.9 cm臀围:9 4.1 cm臀围:9 8.5 cm臀围:10 2.8 cm注：.腰围；.腹围；.臀围。部体型。使用xlsread 函数读取Excel中对应范围的数据，进而通过randperm函数随机抽取样本,划分训练集和测试集，进一步构建网络模型。将聚类结果中的18 项特征指标作为模型的输入特征向量，将腰臀部体型的4个类别作为模型的输出向量，选择总样本量的3/4即9 7 个样本作为模型的训练集，总样本量的1/4即32 个样本作为模型的测试集 11,先通过训练集训练好模型，再通过测试集了解模型的准确率。设置训练次数epochs=1000次，学习速率为0.0 1,训练目标最小误差为1x10鉴于输人的数据度量标准不一致，可能会产生训练时间较长、收敛速度较慢的情况，甚至产生波动范围大的数据作用会偏大、波动范围小的数据作用会偏小的结果因此，在进行神经网络建立前，采用mapminmax（）函数对原始数据进行归一化处理 12 ,将数据转换为(0,1），消除各维数据间的量级差，避免大数吞掉小数，其基本语法：Y,PS=mapminmax(X,0,1),其80日2022年10 月收稿日期制衣技术2023年第7 期针织工业中,Y是归一化后的数据,PS是一种描述数据的结构，X是训练集中的数据。Y的计算方式见式(1)。Y=(ymax-ymin)xX-Xmin+ymin(1)Xmax-Xmin神经网络中，输入层和输出层的节点个数都是确定的，而隐含层节点个数是由输人层和输出层的节点个数来确定的，可以通过经验公式(2)计算。hiddennum=Vm+n+a(2)式中：为输人层节点个数；n为输出层节点个数；a一般取1 10 的整数；hiddennum为隐含层节点个数。数据归一化之后，利用newff函数初步建立网络,利用train函数进行网络训练，并利用sim函数实现网络仿真 13基于BP神经网络的腰臀部体型分类的网络训练基本过程如图7所示。有18 个输入神经单元，4个输出神经单元，隐含层为1个，隐含层节点为6 个4.3预测结果经过多次网络运行，得到比较理想的预测结果，如图8 所示。网络训练18 次后收敛，网络误差为4.88x10-8,达到了网络设置误差的要求，同时随着训练次数的增加，模型误差也一直在减小。基于BP神经网络的预测模型对老年男性腰臀部体型分类的准确率见表5,在测试集中，类别1和类别3的判别准确性达10 0.0 0%，类别2 和类别4判错个数均为1个，准确率分别为8 7.50%和8 0.0 0%，测试集总体识别率达9 3.7 5%，属于比较优异的拟合模型因此，本文基于BP神经网络建立的预测模型效果比较理想，可用于后续对未知老年男性的腰臀部体型预测，从而为广大老年男性的裤装制作提供更优的理论基础，4.0r3.53.0Q.00002.52.01.51.0000000005101520253035测试样本.监测值；O.预测值。图：网络运行预测结果表5BP神经网络预测结果类别总判错个数/类别准确率/%数/个个70100.0028一87.50120100.0045180.00总和32293.755结论5.1对老年男性的腰臀部数据进行分析，并和青年男性进行对比，得出老年男性腰臀部在围度、宽度和厚度上均和青年男性有明显差异，有必要进行针对性的体型划分。5.2选取18 项腰臀部特征指标，通过均值聚类法将老年男性腰臀部体型划分为瘦体型、适中型、偏胖型和胖体型4类，便于针对不同体型选择不同的服装版型5.3构建基于BP神经网络的体型预测模型，对模型进行训练和测试，并对老年男性腰臀部体型进行预测识别，总体识别率达9 3.7 5%，有利于实现对未知人体下体体型的识别，进一步选择裤装版型参考文献1陈芳怡.我国老年服装消费市场研究 J.中国市场,2 0 16(35)：9 4-9 5.2HLAING E C,KRZYWINSKI S,R-OEDEL H.Garment prototyping based隐含层输出层输人输出18464图7网络训练基本过程on scalable virtual female bodies JJ.In-ternational Journal of Clothing Scienceand Technology,2013,25(3):184-197.3舒伟伟.6 0 7 5岁老年女性肩臂部形态分析及衣袖版型研究 D.武汉：武汉纺织大学，2 0 2 0.4金娟凤.基于特征距离的腰腹臀部体型分析与个性化女裤样板生成 D.杭州：浙江理工大学，2 0 17.5贺莉文.基于肩截面曲线的弓背型青年男体细分与识别模型 D.苏州：苏州大学,2 0 18.6龚昱.基于形状上下文的体型分类和自动识别研究 D.上海：东华大学，2017.7蔡晓裕，钟泽君，顾冰菲.正侧面形态特征驱动的青年女性腰腹臀体型分类 J.丝绸,2 0 2 0,57(10):48-53.8王永波.基于3D人体测量的江浙地区青年男性腰臀部特征研究 D.无锡：江南大学,2 0 19.9方方,王子英.K-means聚类分析在人体体型分类中的应用 J.东华大学学报：自然科学版，2 0 14,40（5）：59 3-598.10万崔星,孙敏.基于BP神经网络的纤维混凝土力学性能预测模型 J.科技通报,2 0 2 1,37(8):9 0-9 3,9 9.11倪世明.基于纵截面曲线形态的青年女性体型识别研究 D.杭州：浙江理工大学,2 0 14.12苏宗奎，邹时林，李小龙，等.基于RBF神经网络的江西省水资源承载力评价 J.江西科学,2 0 18,36（4)：6 0 5-61013黄剑峰，王灿宇，王龙.基于MAT-LAB下BP网络在力学反问题中的应用 J.云南农业大学学报,2 0 0 8(5)：7 15-718,722.