倪世明　白云龙　蒋益群

摘要： 青年女性臂部体型包含了大量的非线性特征，单一的BP神经网络很难达到理想预测精度，为快速准确地识别青年女性臂部体型，提高预测精度，本文构建了一种基于思维进化算法（MEA）优化BP神经网络的青年女性臂部体型识别模型。首先，通过[TC]²三维人体测量获取611名青年女性的臂部数据;其次，通过主成分因子分析得到影响青年女性臂部体型特征的5大形态因子，选取5个特征指标采用两步聚类法将臂部体型分为4类;最后使用Matlab软件构建基于MEA-BP神经网络的青年女性臂部体型识别模型。实验结果显示：该模型能有效识别臂部体型，准确率为95.45%，与单一BP神经网络和GA-BP神经网络对比，该模型具有更高的预测精度和更优的非线性映射能力。

关键词： 青年女性;臂部体型;体型分类;MEA-BP神经网络;识别模型

中图分类号： TS941.17文献标志码： A文章编号： 10017003（2022）05004208

引用页码： 051107DOI： 10.3969/j.issn.1001-7003.2022.05.007

在服装结构设计中，衣袖是重要的服装部件，其形态和尺寸来源于人体臂部。近年来，为了提高衣袖的合体性和舒适性，使衣袖结构更符合人体臂部形态特征，许多学者对臂部体型做了相关研究。贺新等[1]对青年女性上肢形态特征进行主成分分析，提取特征因子，将4个典型指标分别细分为3类，定量描述了34类上肢形态差异;张雪云[2]对青年女性肩臂部特征参数进行逐步聚类，最终得到7类肩臂部特征形态;舒伟伟[3]将老年女性的6类全臂长、5类上臂围进行交叉组合，最终得到6类臂部形态，并确定老年女性臂部号型规格;刘国联等[4]通过拍摄青年女性的臂部照片并提取相关尺寸，建立了以臂宽为自变量的衣袖设计回归方程。学者们通过提取人体臂部典型指标，并基于典型指标分别细分及交叉组合，获得臂部复合体型，体型细分数量较多，虽然对服装结构设计和号型归档有一定的理论依据，但缺乏实际生产中消费者衣袖穿着舒适性需求和服装工业批量化生产需求的平衡，缺少对臂部体型整体分类和识别相关的研究。

人体体型数据存在复杂的非线性关系，在体型分类识别的方法上，学者们应用较多的有传统的数理统计法[5-6]，也有近几年机器学习界比较热门的神经网络，尤其是BP神经网络，在人体工学领域应用较多[7]。BP神经网络是一种多层前馈神经网络，具有原理简单、模型易搭建、能够逼近任意非线性曲线的优点，已用于人体头肩部体型识别[8]、人脸外观预测[9]、人脸识别[10]等。但由于其初始阈值和权值是随机选择的，导致在处理人体体型复杂的非线性关系时，出现收敛速度慢、模型易发生震荡、陷入局部最小等问题[10-11]。因此，需要寻求一种有效算法来优化BP神经网络的权值和阈值，避免单一BP神经网络模型不稳定、精度低等问题，从而提高网络识别精度。思维进化算法（Mind Evolutionary Algorithm，MEA）是一种全局优化算法，通过多次“趋同”与“异化”操作，可以优化BP神经网络的初始权值和阈值，从而提高模型的稳定性和预测精度。MEA-BP神经网络在卫星钟差预报[12]、窃电识别[13]、遥感影像分类[14]、土壤养分分级评价[15]等领域都有较好的应用。因此，本文尝试将思维进化算法（MEA）优化BP神经网络引入人体工学领域，用于青年女性臂部体型的识别。

本文以18～25岁的青年女性为研究对象，通过[TC]²三维人体测量获取青年女性臂部的尺寸数据，应用主成分因子法分析得到臂部体型形态因子，并选取特征指标，随后采用两步聚类法进行臂部体型分类。最后，在此基础上构建基于MEA-BP神经网络的青年女性臂部体型识别模型，一方面为人体体型识别领域提供一种新思路，另一方面也为衣袖部位结构设计提供参考依据。

1数据收集及预处理

1.1实验对象与仪器

为了使臂部体型分类和识别更具针对性，本文选取了18～25岁的611名青年女性作为实验对象;身高150～180 cm，平均身高160.7 cm;体重40～69 kg，平均体重50.4 kg。

本文采用[TC]²三维人体测量仪（美国[TC]²公司）、人体测高仪（日本Martin）及体重计（江苏苏宏医疗器械有限公司）等作为实验仪器。将测量环境温度设置为（27±3） ℃，相对湿度设置为（60±10）%，测量环境符合裸体测量标准。测量方法参照GB/T 23698—2009《三维扫描人体测量方法的一般要求》，每一个实验对象穿着仪器规定服装，重复测量3次，取平均值，以减小仪器测量误差。

1.2测量项目

本文将青年女性臂部作为体型研究部位，根据服装结构设计的需要，参照GB/T 5703—2010《用于技术设计的人体测量基础变量》，确定能够反映臂部体型的12项测量项目和计算得到的2个派生变量，合计14个指标。考虑到人体的对称性，同时参照GB/T 16160—2017《服装用人体测量的尺寸定义与方法》主要测量人体右臂，因此本文只分析人体右臂体型，测量项目和测量方式如表1所示。

1.3数据预处理

使用SPSS軟件进行数据预处理，用Q-Q概率图对臂部数据进行正态检验，以全臂长为例，检验结果如图1所示。数据大致落在一条斜线上，表明基本服从正态分布。经检验，14个指标均服从或近似服从正态分布。然后使用茎叶图和箱形图寻找异常值，全臂长的箱型图如图2所示，SPSS软件自动标记了1.5倍至3倍四分位距（Inter Quartile Range，IQR）的温和异常值和超过3倍IQR的极端异常值[16]。通过查看并分析异常值的原始三维扫描数据，综合判断数据的有效性，剔除极端异常样本，最终确定有效样本586个，有效率95.91%。

2臂部体型分类

2.1描述性统计分析

使用SPSS软件对青年女性臂部14项指标进行描述性统计分析，得到各指标的极小值、极大值、均值、标准差、偏度、峰度等基本统计量，结果如表2所示，反映了臂部数据的集中趋势、离散程度和总体分布等[17]。其中，极小值、极大值反映臂部数据的变异范围;均值反映臂部数据的中心位置，描述集中趋势;标准差描述臂部数据的离散程度，标准差越大，数据离散程度越大;偏度和峰度描述臂部数据的总体分布情况，偏度反映数据分布的对称程度，等于0表示对称分布，大于0表示右偏，小于0表示左偏;峰度反映数据分布的集中趋势高低特征，大于0表示分布较陡，小于0表示分布平缓。

由表2可知，全臂长变化范围是[39.89，70.87]，是臂部指标中变异程度最大的;其标准差为4.63，表明全臂长变量与均值之间差异较大，波动最大;其偏度为0.23，峰度为-0.13，表明全臂长为平缓的右偏态分布。臂根围标准差为3.11，说明样本之间存在较大的差异性;其偏度为0.33，峰度为0.96，表明臂根围为陡峭的右偏态分布。由此可见，臂部体型的差异主要体现在长度和围度方面。

2.2主成分因子分析

利用SPSS软件对14项指标进行主成分因子分析，通过分析各主成分方差贡献率、累计贡献率，对特征根大于1的前5个主成分进行提取，累计方差贡献率为88.94%，如表3所示，可以用于描述青年女性臂部体型特征。

根据最大方差法对因子载荷矩阵进行选择，旋转后的成分矩阵如表4所示。比较旋转后的载荷数绝对值，分析各成分包含的变量因子和共性，对主成分因子进行定义。由表4可知，主成分因子1在上臂围、肘围、上臂最大围、前臂围、腕围等围度相关变量上载荷较大，定义为臂部围度因子;主成分因子2在臂根围、臂根高、袖山高等臂根部变量上载荷较大，定义为臂根因子;主成分因子3在臂根扁平率、臂根厚等臂根形态变量上载荷较大，定义为臂根形态因子;主成分因子4在全臂长、上臂长、前臂长等长度相关变量上载荷较大，定义为臂部长度因子;主成分因子5在上臂长比前臂长上有较大载荷，定义为臂部比例因子。综上，通过主成分因子分析得到影响人体臂部体型特征的5大因子：臂部围度因子、臂根因子、臂根形态因子、臂部长度因子、臂部比例因子。

2.3臂部体型分类

青年女性臂部数据具有非线性、数据复杂等特点，参照王军等[18]分类青年女性腰臀部体型所应用的两步聚类法，进行臂部体型的探索性分类。两步聚类法是一个探索性分析工具，可以揭示臂部体型数据的分类，系统自动选择最佳聚类数[17]。从表4可以看出，5大因子载荷最大值所对应的特征因子分别是：上臂围、臂根围、臂根扁平率、全臂长、上臂长/前臂长，因此选取这5个变量作为臂部体型分类的特征指标。在SPSS软件中应用两步聚类法，对实验获取的586个样本进行探索性聚类分析，发现青年女性臂部体型分为4类时，聚类效果最佳。聚类分布情况如表5所示，特征变量平均值如表6所示。

从表6可以看出，4类青年女性臂部体型存在明显区别。第1类臂部体型：长胖臂，手臂粗壮，臂根厚实，长臂，上臂长于前臂;第2类臂部体型：中间臂，手臂中等粗细，臂根圆润，中长臂，上臂明顯长于前臂;第3类臂部体型：长瘦臂，手臂较细，臂根匀称，中长臂，上臂长于前臂;第4类臂部体型：短扁臂，手臂纤细，臂根扁平，短臂，上臂明显长于前臂。

3基于MEA-BP的臂部体型识别模型构建

3.1算法原理

3.1.1BP神经网络

BP神经网络是一种多层前馈神经网络，由输入层、隐含层、输出层构成[19]，具有信号前向传递、误差反向传播的特点，拓扑结构如图3所示。w_ij、w_jk为BP神经网络的权值，根据预测误差反向调整权值和阈值，直至逼近期望输出，在处理非线性关系上应用广泛。

3.1.2MEA原理

思维进化算法是由孙承意等[20]于1998年针对进化算法（Evolutionary Computation，EC）存在的早熟、收敛速度慢等问题提出的一种优化算法。MEA沿袭了遗传算法（Genetic Algorithms，GA）关于“群体”“个体”“环境”和“进化”等概念，并提出“群体和自群体”“公告板”“趋同”和“异化”等新概念[12]。MEA算法的趋同和异化操作，避免了GA算法交叉与变异的双重性问题，朝着有利方向进化，跟遗传算法优化速度相比，MEA算法优化效率更高，实用性更广[21]。

3.1.3MEA优化BP神经网络

在BP神经网络训练的过程中，由于网络初始化随机选择权值和阈值，容易导致模型结果异常[11]。本文使用MEA算法优化BP神经网络，经过趋同、异化操作，算法不断迭代，产生全局最优个体，并通过编码规则解析最优个体，将其作为BP神经网络初始化训练的权值和阈值，进而进行仿真预测。MEA优化BP神经网络流程如图4所示。

3.2MEA-BP识别模型构建

本文根据MEA优化BP神经网络流程，使用Matlab软件构建MEA-BP模型，用来识别青年女性臂部体型。

3.2.1样本与变量选择

实验中共有586个有效样本，按照7︰3的比例分配训练集和测试集，其中训练样本410个，测试样本176个。将主成分因子分析中提取的5大因子对应载荷最大的5个变量（上臂围、臂根围、臂根扁平率、全臂长、上臂长/前臂长）作为MEA-BP臂部体型识别模型的输入变量，把4种臂部类型（1长胖臂、2中间臂、3长瘦臂、4短扁臂）作为输出变量。

3.2.2模型参数设置

构建3层结构的BP神经网络，隐含层神经元数量按照Hecht-Nielsen法[22]确定n=2N+1（n为隐含层节点数，N为输入节点数），计算得出隐含层节点为11。最终模型为MEA-BP（5-11-1）。BP神经网络模型参数设置如表7所示，MEA算法参数设置如表8所示。

经过若干次趋同操作，MEA-BP模型达到最优。最终优胜子种群和临时子种群的趋同过程如图5—图6所示，其中得分为模型训练集均方根误差的倒数[23]，分析得到：1） 各子种群得分不再增加，代表子种群均已成熟;2） 优胜子种群1、2、3、4、5和临时子种群1、2、3、5都没有执行趋同操作，该现象表示在这些子种群周围没有发现更好的个体;3） 临时子种群的最高得分是子种群1，低于优胜子种群的最低得分子种群1，此时模型达到全局最优解，不需要再执行异化操作，继而解码[23]得到优化后的BP神经网络的初始权值和阈值。

3.3结果与分析

首先建立BP神经网络预测模型，然后引入MEA优化BP神经网络的权值和阈值，建立MEA-BP神经网络预测模型。为了验证MEA-BP识别模型在人体体型识别上更具优势，将单一BP神经网络、GA-BP神经网络、MEA-BP神经网络分别构建青年女性臂部体型识别模型，并对比实验结果。三种模型预测结果、预测误差对比如图7—图8所示，臂部体型识别准确率如表9所示。

综合分析可知，基于单一BP神经网络、GA-BP神经网络、MEA-BP神经网络构建的青年女性臂部体型识别模型错判数分别是25、12、8个样本，识别准确率分别是85.80%、93.18%、95.45%，得出MEA-BP神经网络的识别准确率最高。MEA优化BP神经网络的权值和阈值，促进了整体网络的学习过程，提高了模型的识别精度，体现了思维优化算法在优化BP神经网络模型上的优越性。

4结论

人体臂部体型研究是提高衣袖合体性和舒适性的关键，本文通过对青年女性臂部体型的研究，可以得到以下结论。

1） 应用主成分因子分析法得到影响青年女性臂部体型的5个主成分因子，分别是臂部围度因子、臂根因子、臂根形态因子、臂部长度因子、臂部比例因子。

2） 应用两步聚类法，将青年女性臂部体型分为4类：长胖臂、中间臂、长瘦臂、短扁臂，分别占17.4%、30.7%、22.4%、29.5%。

3） 构建了基于MEA-BP神经网络青年女性臂部体型识别模型，识别准确率为95.45%，均高于单一BP神经网络和GA-BP神经网络模型。

本文将思维进化算法（MEA）引入BP神经网络体型识别模型，不仅可以提高模型识别精度，也为采用神经网络进行人体体型识别提供了一种新的研究方法，拓宽了MEA-BP神经网络的应用领域，具有广泛的研究价值。

参考文献：

[1]贺新， 金红淑. 青年女性侧面上肢形态特征细分[J]. 北京服装学院学报（自然科学版）， 2021， 41（1）： 35-42.HE Xin， JIN Hongshu. Morphological feature subdivision of lateral upper limb for young female[J]. Journal of Beijing Institute of Fashion Technology （Natural Science Edition）， 2021， 41（1）： 35-42.

[2]张雪云. 湖北地区青年女性肩臂部特征及衣袖版型自动生成系统研究[D]. 武汉： 武汉紡织大学， 2017： 39-49.ZHANG Xueyun. Research on Automatic Generation of Young Women in Hubei Area and Characteristics of Shoulder and Arm Sleeve Prototype Board[D]. Wuhan： Wuhan Textile University， 2017： 39-49.

[3]舒伟伟. 老年女性臂部形态分析与号型规格设置[J]. 浙江纺织服装职业技术学院学报， 2021（4）： 12-17.SHU Weiwei. Arm morphology analysis and type specification setting for elderly women[J]. Journal of Fashion Institute of Technology， 2021（4）： 12-17.

[4]刘国联， 朱晓培， 姜川. 基于女体臂部特征的衣袖原型结构设计研究[J]. 针织工业， 2011（3）： 53-55.LIU Guolian， ZHU Xiaopei， JIANG Chuan. Research on prototype structure design of sleeves based on the features of womens arms[J]. Knitting Industry， 2011（3）： 53-55.

[5]YANG R Y， CHEN Y F， CUI M H. Hunchback body type classification[C]//The 14th Textile Bioengineering and Informatics Symposium Proceedings （TBIS 2021）. Lieberetz： Czech Republic， 2021： 582-588.

[6]SUNG H A， LEE Y， YONG M K， et al. Fuzzy classification for Korean females lower body based on anthropometric measurement[J]. ， 2016， 35（1）： 121-126.

[7]刘晓航， 刘莉. BP神经网络在服装人体工效学中的应用[J]. 纺织导报， 2016（9）： 114-115.LIU Xiaohang， LIU Li. The application of BP neural network in clothing ergonomics[J]. China Textile Leader， 2016（9）： 114-115.

[8]KONG X F， WANG X Q， GU G H， et al. Human recognition based on head-shoulder contour extraction and BP neural network[C]//Image Processing and Pattern Recognition. Beijing： International Symposium on Optoelectronic Technology and Application （IPTA）， 2014.

[9]XUE S S. Research of human appearance level quantification algorithm based on BP neural network[J]. IOP Conference Series： Materials Science and Engineering， 2020， 768（7）： 072021.

[10]ZHANG R Y， LEE E J. Human face recognition used improved back-propagation （BP） neural network[J]. Journal of Korea Multimedia Society， 2018， 21（4）： 471-477.

[11]李康順， 李凯， 张文生. 一种基于改进BP神经网络的PCA人脸识别算法[J]. 计算机应用与软件， 2014， 31（1）： 158-161.LI Kangshun， LI Kai， ZHANG Wensheng. PCA face recognition algorithm based on improved BP neural network[J]. Computer Applications and Software， 2014， 31（1）： 158-161.

[12]吕栋， 欧吉坤， 于胜文. 基于MEA-BP神经网络的卫星钟差预报[J]. 测绘学报， 2020， 49（8）： 993-1003.L? Dong， OU Jikun， YU Shengwen. Prediction of the satellite clock bias based on MEA-BP neural network[J]. Acta Geodaetica et Cartographica Sinica， 2020， 49（8）： 993-1003.

[13]林佳能， 程仲汉， 林笔星. 基于MEA-BP的窃电识别方法研究[J]. 电子设计工程， 2021， 29（11）： 175-180.LIN Jianeng， CHENG Zhonghan， LIN Bixing. Study on identification method of stolen electricity based on MEA-BP[J]. Electronic Design Engineering， 2021， 29（11）： 175-180.

[14]王海军. MEA-BP模型在遥感影像分类中的应用研究[J]. 数学的实践与认识， 2017， 47（2）： 142-147.WANG Haijun. Research on the application of MEA-BP model in remote sensing image classification[J]. Mathematics in Practice and Theory， 2017， 47（2）： 142-147.

[15]周婧， 白云龙， 张小宝， 等. 基于MEA-BP神经网络的土壤养分评价模型[J]. 中国农机化学报， 2020， 41（2）： 231-236.ZHOU Jing， BAI Yunlong， ZHANG Xiaobao， et al. Soil nutrient evaluation model based on MEA-BP neural network[J]. Journal of Chinese Agricultural Mechanization， 2020， 41（2）： 231-236.

[16]孙向东， 刘拥军， 陈雯雯， 等. 箱线图法在动物卫生数据异常值检验中的运用[J]. 中国动物检疫， 2010， 27（7）： 66-68.SUN Xiangdong， LIU Yongjun， CHEN Wenwen， et al. Application of box plot method in outlier test of animal health data[J]. China Animal Quarantine， 2010， 27（7）： 66-68.

[17]李昕， 张明明. SPSS22.0统计分析/从入门到精通[M]. 北京： 电子工业出版社， 2015： 273-279.LI Xin， ZHANG Mingming. SPSS22.0 Statistical Analysis/from Entry to Mastery[M]. Beijing： Publishing House of Electronics Industry， 2015： 273-279.

[18]王军， 李晓久， 潘力， 等. 东北地区青年女性腰臀部体型特征与分类[J]. 纺织学报， 2018， 39（4）： 106-110.WANG Jun， LI Xiaojiu， PAN Li， et al. Waist hip somatotype and classification of young women in northeast China[J]. Journal of Textile Research， 2018， 39（4）： 106-110.

[19]王小川， 史峰， 郁磊， 等. MATLAB神經网络43个案例分析[M]. 北京： 北京航空航天大学出版社， 2013： 265-278.WANG Xiaochuan， SHI Feng， YU Lei， et al. MATLAB Neural Network Analysis of 43 Cases[M]. Beijing： Beihang University Press， 2013： 265-278.

[20]SUN C Y， SUN Y， XIE K M. Mind-evolution-based machine learning and applications[C]//IEEE. Hefei： Proceeding of the 3rd World Congress on Intelligent Control and Automation， 2000： 112-117.

[21]WANG Z H， MA G S， GONG D Y， et al. Application of mind evolutionary algorithm and artificial neural networks for prediction of profile and flatness in hot strip rolling process[J]. Neural Processing Letters， 2019， 50（3）： 2455-2479.

[22]周振民， 刘荻. 基于Matlab的人工神经网络用水量预测模型[J]. 中国农村水利水电， 2007（4）： 45-47.ZHOU Zhenmin， LIU Di. Artificial neural network water consumption prediction model based on Matlab[J]. China Rural Water and Hydropower， 2007（4）： 45-47.

[23]孙俊， 唐凯， 毛罕平， 等. 基于MEA-BP神经网络的大米水分含量高光谱技术检测[J]. 食品科学， 2017， 38（10）： 272-276.SUN Jun， TANG Kai， MAO Hanping， et al. Hyperspectral detection of moisture content in rice based on MEA-BP neural network[J]. Food Science， 2017， 38（10）： 272-276.

Young female arm body shape recognition based on MEA-BP neural network

NI Shiming BAI Yunlong JIANG Yiqun

（1a.College of Architecture & Art Design; 1b.College of Information Engineering， Shaoxing Vocational & Technical College，

Shaoxing 312000， China;

2.College of Engineering， Iowa State University， Iowa 50011， USA）

Abstract： The research on human arm shape is the key to improving the fit and comfort of the sleeve. Young females arm shape has multiple nonlinear features. Since the initial threshold and weight are randomly selected， the single BP neural network is prone to the problems of unstable model and low accuracy when dealing with the complex nonlinear relationship of human body shape. The thought evolution algorithm is a global optimization algorithm， which can optimize the initial threshold and weight of BP neural network through multiple "convergence" and "alienation" operations， so as to improve the stability of the model and prediction accuracy. In order to quickly and accurately identify a young female arm shape， this paper constructs a MEA optimized BP neural network based arm shape recognition model for young females.

Firstly， the arm data of 611 young women aged 18-25 are obtained by [TC]2 3D body measurement， and the values of 14 measurement items are extracted. SPSS software is used to preprocess the data， and descriptive statistical analysis of the indicators is conducted. Secondly， through principal component factor analysis， five morphological factors affecting young female arm shape are obtained， namely， arm circumference factor， arm root factor， arm root morphology factor， arm length factor and arm proportion factor. The characteristic factors corresponding to the maximum load of the five factors are： upper arm circumference， root circumference， root flattening rate， whole arm length and upper arm length/forearm length， which are selected and divided into five categories by two-step clustering method： long fat arm， middle arm， long thin arm and short flat arm， accounting for 17.4%， 30.7%， 22.4% and 29.5%， respectively. Finally， Matlab software is used to construct a young female arm body shape recognition model based on MEA-BP neural network. MEA optimizes the weight and threshold value of BP neural network， which promotes the learning process of the whole network and improved the stability and recognition accuracy of the model. The innovation of this paper is reflected in the research object and research method. Existing studies are based on the subdivision and cross combination of typical indicators to obtain the complex arm shape， but there are a large number of body shape subdivisions， and there is a lack of studies on the overall classification and recognition of the arm shape. In this paper， it is an innovation to select the arm shape for the whole classification and recognition research. The MEA-BP neural network has a good application in satellite clock prediction， electric stealing identification， remote sensing image classification， soil nutrient grading evaluation and other fields. This paper tries to introduce the thought evolution algorithm （MEA） optimized BP neural network into the field of human engineering for the identification of young female arm shapes， which is an innovation of research method. Compared with the single BP neural network and GA-BP neural network， the MEA-BP neural network model has higher prediction accuracy and better nonlinear mapping ability.

The introduction of mind evolution algorithm （MEA） into BP neural network body shape recognition model can not only improve the accuracy of the model recognition， but also provide a new research method for body shape recognition using neural network， which broadens the application field of MEA-BP neural network， and has a wide range of research value.

Key words： young females; arm shape; body type classification; MEA-BP neural network; recognition model