自谐振无线传感器系统和方法与流程

1.本技术整体涉及无线传感器，并且具体地涉及自谐振无线传感器系统和方法。


背景技术：

2.开路谐振器传感器(诸如sans电连接(sansec)传感器)是自谐振的导电材料的图案。每个谐振器传感器是在暴露于外部振荡磁场时被供电的无源天线。当被供电时，谐振器传感器辐射磁场，其特性随谐振器传感器操作的环境中的变化而变化。
3.通常，在没有电连接的情况下制造开路谐振器传感器。在一些方法中，传感器是无线供电和询问的，从而消除了对线束的需要。


技术实现要素：

4.本公开描述了传感器的应用，该传感器被配置为当暴露于外部振荡磁场时以谐振频率谐振。谐振频率随传感器周围的一个或多个环境因素的变化而变化。此外，参数诸如回波损耗和峰值电阻可以随传感器周围的一个或多个环境因素的变化而变化。询问模块被配置为生成外部振荡磁场，从传感器接收响应于外部振荡磁场而生成的信号，并且基于该信号确定一个或多个环境因素的变化。
5.在一个示例性方法中，由s11回波损耗测量获取的信号为回波损耗(-db)、频率(hz)和电阻(r)的组合，所有变量都可以基于环境因素单独变化。谐振频率可以取决于电导率、介电常数和谐振器的几何形状，并且此类参数可以经过工程处理以获取谐振频率。在一些示例性方法中，开路谐振器传感器由蚀刻、印刷或以其他方式施加到表面的固体金属形成。在一些示例性方法中，开路谐振器传感器由导电纱线、线材和织物形成。在一些示例性方法中，通过将导电线缝合或缝编到非导电纺织物基底中，或者通过针织或机织在导电纱线中作为纺织物基底的一部分，将开路谐振器传感器结合到纺织物中(形成纺织物组件)。
6.在一个示例中，系统包括具有开路谐振器传感器的制品，其中传感器包括导电材料的大致平面的开路图案，该传感器被配置为在由外部振荡磁场无线供电时生成信号，其中该信号随与传感器周围的环境相关联的一个或多个环境因素的变化而变化；询问模块，该询问模块被配置为生成外部振荡磁场，以接收由传感器生成的信号，并且捕获表示所接收信号的数据；以及耦接到询问模块的计算装置，其中该计算装置包括存储器和耦接到存储器的一个或多个处理器，其中存储器包括指令，这些指令当由一个或多个处理器执行时使处理器中的一个或多个处理器接收所捕获的数据，将所捕获的数据与先前捕获的数据进行比较，并且基于所捕获的数据的变化来估计环境因素中的一个或多个环境因素的变化。
7.在另一个示例中，系统包括具有开路谐振器传感器的制品，其中谐振器传感器包括导电材料的大致平面的开路图案，该谐振器传感器被配置为在谐振器传感器由外部振荡磁场无线供电时生成信号，其中该信号随与谐振器传感器周围的环境相关联的一个或多个环境因素的变化而变化；询问模块，该询问模块被配置为生成外部振荡磁场，以接收来自谐振器传感器的信号，并且捕获表示所接收信号的数据；以及耦接到询问模块的机器学习系
统，其中机器学习系统将捕获的数据应用于受过训练的机器学习模型以检测环境因素中的一个或多个环境因素的变化。
8.在另一个示例中，一种检测开路谐振器传感器环境变化的方法，其中开路谐振器传感器包括导电材料的大致平面的开路图案，该开路谐振器传感器被配置为在谐振器传感器由外部振荡磁场无线供电时生成信号，其中该信号随与传感器周围的环境相关联的一个或多个环境因素的变化而变化，该方法包括接收表示由谐振器传感器在第一时间生成的信号的第一数据；接收表示由谐振器传感器在第二时间生成的信号的第二数据，其中第二时间在第一时间之后；将第二数据与第一数据进行比较以确定第二数据的变化；以及基于第二数据的变化来估计环境因素中的一个或多个环境因素的变化。
9.在又一个示例中，一种检测sansec传感器周围的环境中的变化的方法，其中sansec传感器包括导电材料的大致平面的开路图案，该sansec传感器被配置为在由外部振荡磁场无线供电时生成信号，其中该信号随与sansec传感器周围的环境相关联的一个或多个环境因素的变化而变化，该方法包括从传感器接收信号；捕获表示信号的数据；将捕获的数据与表示较早时间点的信号的数据进行比较，以确定数据的变化；以及基于数据的变化来估计环境因素中的一个或多个环境因素的变化。
10.本公开的技术可用于以低成本和时间有效的方式测量传感器周围的环境的变化。
附图说明
11.图1是示出根据本公开的一个方面的用于监测环境条件的示例性系统的框图。
12.图2a至图2d是示出根据本公开的方面的开路谐振器传感器中的谐振频率的示例性变化随环境因素的变化而变化的图。
13.图3是示出根据本公开的一个方面的表征开路谐振器传感器的方法的流程图。
14.图4是示出根据本公开的一个方面的图1的计算装置14的特征的示意性概念图。
15.图5a和图5b示出了根据本公开的一个方面的响应于询问模块和传感器之间的距离变化的回波损耗曲线的变化。
16.图6示出了根据本公开的方面的包括和排除回归分析中的因素的影响。
17.图7示出了根据本公开的一个方面，当传感器相对于询问模块轴向旋转时，从传感器到询问模块的响应在距询问模块的恒定距离处如何变化。
18.图8是示出根据本公开的一个方面的基于从开路谐振器传感器接收的信号确定一个或多个参数的方法的流程图。
19.图9是示出根据本公开的一个方面的用于确定鞋底何时不再提供所需支撑的技术的框图。
20.图10是示出根据本公开的一个方面的检测湿度的示例性方法的框图。
21.图11是根据本公开的一个方面的具有内部传感器和外部传感器的衣物制品的图示。
22.图12是示出根据本公开的一个方面的具有集成开路谐振器传感器的支架的图示。
23.图13是示出根据本公开的一个方面的具有集成开路谐振器传感器的绷带的图示。
具体实施方式
24.如上所述，开路谐振器传感器是导电材料的自谐振图案；每个传感器是在暴露于外部振荡磁场时被供电的无源天线。当被供电时，每个传感器辐射随传感器操作的环境的变化而变化的磁场。该特性可用于感测环境参数的变化，诸如温度、压力和湿度。
25.图1是示出根据本公开的一个方面的用于监测环境条件的示例性系统的框图。在图1的示例性方法中，系统10包括监测装置12，该监测装置用于查询嵌入到或附接到制品34的开路谐振器传感器30。在图1的示例性方法中，监测装置12包括计算装置14和询问模块16。计算装置14包括连接到存储器22的一个或多个处理器20。
26.在一些示例性方法中，询问模块16包括场发生器/传感器24。在一些此类示例性方法中，询问模块16生成外部振荡磁场并且从开路谐振器传感器30接收响应于外部振荡磁场生成的信号。在一个此类示例性方法中，计算装置14通信地耦接到询问模块16并且具有包括指令26的存储器22，这些指令在由一个或多个处理器20执行时使一个或多个处理器将从开路谐振器传感器30接收的信号生成的数据与先前从传感器30接收的数据进行比较，以确定数据的变化并且基于数据的变化来估计环境因素中的一个或多个环境因素的变化。
27.一般来讲，开路谐振器传感器30与传统天线的不同之处在于谐振中产生的信号基于环境因素而变化。正是因为解释了这些差异才能开始利用这些传感器。在一个示例性方法中，传感器30包括导电材料32的大致平面的开路图案，该传感器被配置为在暴露于外部振荡磁场时以谐振频率谐振，其中谐振频率随与传感器30的环境相关联的一个或多个环境因素的变化而变化。在一些示例性方法中，传感器30为如图1所示的平面矩形螺旋天线。在一个此类示例性方法中，天线是不锈钢的，并且被包围在尼龙中，并且用毡背衬缝编到棉中。根据环境条件，天线的特征频率范围可介于100mhz至120mhz之间。
28.图2a至图2d是示出根据本公开的方面的开路谐振器传感器中的谐振频率的示例性变化随环境因素的变化而变化的图。在图2a至图2d所示的示例中，传感器30的特征在于来自纺织仪器有限公司(textile instruments llc)的sansec螺旋矩形平面天线。来自天线的信号使用特定的刺激，诸如湿气、温度、压力和距离来关联。与传统天线相比，基于传感器的使用方式来解译来自传感器30的信号。
29.平面螺旋天线可以完全由匝数n、匝宽w、匝间距s、外径d{out}和内径d_{in}来定义。图2a至图2d中表征的天线具有6匝，匝宽为0.5mm，匝间距为0.75cm，外径为8cm，内径为0.75cm。天线的厚度对其特性的影响很小。天线的填充率p被定义为：
[0030][0031]
对于d_in为0.75cm和d_out为8cm的表征的天线，填充率p等于0.83。
[0032]
如上所述，传感器30为无源传感器，这意味着它是在暴露于外部振荡磁场时经由感应辐射的开路。天线以特定频率吸收能量，产生将基于参数诸如温度、湿度、施加的压力，以及传感器30与询问模块16之间的距离和角度等略微变化的信号。在图1所示的示例中，传感器30的螺旋天线本质上是电容器，因为其导线与介电材料平行布置(在该示例中，介电材料为毡背衬材料)。电容取决于介电材料的渗透率。传感器30的电感还与介电材料的电感耦合。
[0033]
图2a至图2d示出了传感器30在不同环境条件下对询问模块16的刺激的响应。在图
2a至图2d所示的示例中，传感器30为平面矩形螺旋天线(如图1所示)。如上所述，天线为无源传感器，当由外部振荡磁场无线供电时经由感应辐射的开路。天线以特定频率吸收能量，产生基于以下参数略微变化的信号：温度、湿度、施加的压力以及接收器与发射器之间的距离和角度。
[0034]
在一个示例性方法中，来自表征的数据用于训练机器学习算法，以仅基于天线的信号来确定环境中的变化。在一个示例性方法中，受过训练的机器学习算法可以例如在纺织物中使用以预测给定环境条件时穿着者的舒适度。
[0035]
图2a示出了当询问模块16和传感器30之间的间隔从1英寸变为3.75英寸时信号的变化。需注意，当询问模块16和传感器30之间的距离从1英寸移动至3.75英寸时，信号的以分贝为单位的回波损耗如何从约-18db变为约0。
[0036]
图2b示出了响应于湿度变化的返回信号的变化。在图2b所示的示例中，当湿度从33％增加至73％时，信号的以分贝为单位的回波损耗从约-48db变为约-17db。
[0037]
图2c示出了响应于传感器30上的压力变化的返回信号的变化。在图2c所示的示例中，当压力从0g增加至1015g时，信号的以分贝为单位的回波损耗从约-10db变为约-8db。在图2c所示的示例中，回波损耗的转变相比于图2a和图2b中所示的更为突然，并且频率的变化更明显。在图2c所示的示例中，频率低于图2a、图2b和图2d所示的示例中的频率，因为询问模块16的读取器直接在传感器上，而不是在1英寸远的距离处。一般来讲，当传感器更靠近读取器时，频率向下偏移。
[0038]
图2d示出了响应于温度的变化的返回信号的变化。在图2d所示的示例中，当温度从约50℃降低至10℃时，信号的以分贝为单位的回波损耗从约-42db变为约-17db。
[0039]
虽然在图2a至图2d中，所显示的仅有的环境参数限于温度、湿度、施加的压力以及从传感器30到询问模块16的距离，但其他因素也导致由传感器30返回的信号的变化。例如，询问模块16和传感器30的平面之间的角度导致回波损耗的变化。在一个示例性方法中，当询问模块移动离开与传感器30的平面正交的线时，回波损耗如图2a中所示的那样用于增加距离。此外，随着传感器30弯曲的增加，回波损耗明显减少，并且回波损耗频率增加。
[0040]
图3是示出根据本公开的一个方面的表征开路谐振器传感器的方法的流程图。在图3所示的示例中，询问模块16在传感器30(100)附近产生磁场。如上所述，传感器30为无源传感器，当暴露于外部振荡磁场时经由感应辐射的开路。传感器30以特定频率吸收能量，产生随传感器30工作的环境的变化以及传感器30和询问模块16中的发射器之间的距离和角度的变化而变化的信号。来自传感器30的信号被捕获(102)。进行检查以确定是否在期望数量的测试点处捕获传感器信号(104)。如果不是，则在传感器测试环境中进行一项或多项改变(诸如传感器处的温度、传感器处的湿度、传感器上的压力、询问模块16到传感器30的距离以及询问模块16与传感器30的平面之间的角度的变化(106))，并且重复该过程(100)。然而，如果在期望数量的测试点处捕获传感器信号，则计算装置14基于捕获的传感器信号来表征传感器30(108)。在一个示例性方法中，计算装置14利用来自捕获的传感器信号的数据来训练机器学习算法，以基于从传感器30接收的信号来预测传感器30在其中运行的环境中的波动。
[0041]
湿度和温度的影响最初通过两次扫描来测试，首先是在恒定温度下的湿度，然后是在天线和阅读器之间每个距离下的恒定湿度下的温度。湿度扫描在25℃的恒定温度下的
范围介于20％和85％之间，而温度扫描在恒定50％湿度下的范围介于0℃和50℃之间。设想了其他方法。例如，在一个示例性方法中，环境腔室被编程为具有16个目标设定点，一个用于四个温度设置和四个湿度设置的每个组合。在一个此类示例性方法中，温度设置范围从-10℃到50℃，间隔为20℃。湿度设置范围为40％至70％湿度，间隔为10％湿度。在每个目标设定点处，环境保持恒定一小时。在一个此类示例性方法中，将腔室设置为最低温度和最低百分比湿度，并且在测试过程中，温度和湿度增加。每分钟自动收集回波损耗和电阻频谱。
[0042]
如上所述，计算装置14利用来自捕获的传感器信号的数据来训练机器学习算法，以基于从传感器30接收的信号来预测传感器30在其中运行的环境中的波动。在一个此类示例性方法中，计算装置14实施用于训练机器学习算法的机器学习系统。一般来讲，每个机器学习系统基于至少一个模型。该模型可以是基于诸如支持向量回归、随机森林回归、线性回归、岭回归、逻辑回归、拉索回归或最近邻回归的技术的回归模型。或者该模型可以是基于诸如支持向量机、决策树和随机森林、线性判别分析、神经网络、最近邻分类器、随机梯度下降分类器、高斯过程分类或原始贝叶斯的技术的分类模型。这两种类型的模型依赖于使用标记的数据集来训练模型。在一个示例性方法中，每个数据集表示在一个或多个参数的所选择的值处捕获的传感器信号的测量结果。每个数据集都标有所选择的值。在一个示例性方法中，使用神经网络软件(诸如可从明尼苏达州圣保罗的3m公司获得的3m神经网络软件)来创建神经网络模型。在一个此类示例性方法中，神经网络软件可用于基于收集的数据来训练预测，然后通过对照实际值检查对传感器环境变化的预测响应来评估准确度。
[0043]
图4是示出根据本公开的一个方面的图1的计算装置14的特征的示意性概念图。在一个示例性方法中，计算装置14包括一个或多个处理器20、存储器22、用户界面40、一个或多个输入装置46、一个或多个通信单元48和一个或多个输出装置50。用户界面40可包括显示器、图形用户界面(gui)、键盘、触摸屏、扬声器、麦克风等。
[0044]
计算装置14的一个或多个处理器20被配置为实施用于在计算装置14内执行的功能性、处理指令或两者。例如，处理器20能够处理在存储器22内存储的指令，诸如用于将受过训练的机器学习系统应用于数据集，以确定导致传感器30中的回波损耗或峰值电阻频率变化的一个或多个参数。一个或多个处理器20的示例可包括微处理器、控制器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或等效的分立或集成逻辑电路中的任何一者或多者。
[0045]
在一些此类情况下，计算装置14可包括一个或多个输入装置46，诸如键盘、小键盘、触摸屏、智能电话等。用户可能能够使用一个或多个输入装置指示他或她想要检测或量化传感器30所经历的变化。例如，用户可能能够使用监测装置12或另一个输入装置的触摸屏来检查、选择或以其他方式指示他或她想要检测或量化传感器30所经历的变化。在一些示例性方法中，用户界面40包括输入装置46中的一个或多个输入装置。
[0046]
在一些示例中，计算装置14可以利用一个或多个通信单元48来与一个或多个外部装置通信，诸如通过一个或多个有线或无线网络。通信单元48可包括网络接口卡，诸如以太网卡、光收发器、射频收发器或者被配置为发送和接收信息的任何其他类型的装置。通信单元48还可包括wi-fi无线电部件或通用串行总线(usb)接口。
[0047]
在一些示例中，计算装置14的一个或多个输出装置50可被配置为使用例如音频、视频或触觉介质向用户提供输出。例如，输出装置50可包括用户界面40的显示器、声卡、视
频图形适配器卡或者用于将信号(诸如与由询问装置16询问一个或多个传感器30产生的一个或多个数据集的状态、结果或其他方面的信息相关联的信号)转换成人类或机器可理解的适当形式的任何其他类型的装置。在一些示例性方法中，用户界面40包括输出装置50中的一个或多个输出装置。
[0048]
计算装置14的存储器22可被配置为在操作期间将信息存储在计算装置14内。在一些示例中，存储器22可包括计算机可读存储介质或计算机可读存储装置。存储器22可包括临时存储器，这意味着存储器22的一个或多个部件的主要目的可能不一定是长期存储。存储器22可包括易失性存储器，这意味着存储器22在未向其提供电力时不保持存储的内容。易失性存储器的示例包括随机存取存储器(ram)、动态随机存取存储器(dram)、静态随机存取存储器(sram)以及本领域已知的其他形式的易失性存储器。在一些示例中，存储器22可以用于存储供处理器20执行的程序指令，诸如用于将受过训练的机器学习系统应用于经由一个或多个通信单元48从询问模块16接收的数据集的指令。在一些示例中，存储器22可由在计算装置14上运行的软件或应用程序使用以在程序执行期间暂时地存储信息。
[0049]
在一个示例性方法中，存储器22包括可用于实施用于在计算装置14内执行的功能性、处理指令或两者的信息。在一个此类示例性方法中，存储器22包括信号处理模块52，该信号处理模块在一个或多个处理器20访问时可以用于在计算装置14内实施信号处理功能。信号处理功能可以用于从询问模块16接收表示响应于磁场从传感器30接收的信号的测量的数据。在一些此类示例性方法中，信号处理功能包括用于改善从询问模块16接收的数据的质量的功能。
[0050]
在一个示例性方法中，存储器22包括训练模块54和检测模块58。在一个此类示例性方法中，处理器20中的一个或多个处理器访问训练模块54以配置计算装置14以训练一个或多个机器学习模型。在一些此类示例性方法中，受过训练的模型存储在模型存储库56中。在一个示例性方法中，处理器20中的一个或多个处理器访问检测模块58以配置计算装置14以将存储在模型存储库56中的一个或多个受过训练的机器学习模型应用于从传感器30捕获的信号。
[0051]
在一些示例中，存储器22可包括非易失性存储元件。此类非易失性存储元件的示例包括磁性硬盘、光盘、软盘、闪存或电可编程存储器(eprom)或电可擦可编程(eeprom)存储器的形式。在一个此类示例性方法中，信号处理模块52可被配置为分析从传感器30接收的数据，诸如由询问模块16捕获的数据集，该数据集包括由传感器30响应于询问模块16的询问而生成的信号的测量。
[0052]
计算装置14还可包括为清楚起见在图4中未示出的附加部件。例如，计算装置14可包括用于向计算装置14的部件提供电力的电源。类似地，在计算装置14的每个示例中，图4所示的计算装置14的部件可以不是必需的。
[0053]
图5a和图5b示出了根据本公开的一个方面的响应于询问模块和传感器之间的距离变化的回波损耗曲线的变化。在一个示例性方法中，从每个捕获的传感器信号中提取六条信息：回波损耗峰的最大大小、频率和fwhm(半峰全宽)，以及电阻峰的最大大小、频率和fwhm。每个捕获的传感器信号的环境参数可以基于环境腔室日志的相应时间戳和信号读数的时间来确定。在一个示例性方法中，来自每个传感器响应信号的数据在主数据集中组合。在一个示例性方法中，可以通过将所有点与相同的温度或湿度相关联来对数据进行聚类，
以将可变环境条件下的趋势可视化。在一个示例性方法中，所有数据处理都在python中执行。
[0054]
在一个示例性方法中，利用从传感器30收集的数据来训练回归模型和神经网络模型，其中传感器响应作为输入并且环境条件作为输出。如上所述，在一些示例性方法中，天线信号输入包括六个数据点：回波损耗峰的大小、回波损耗峰的频率、回波损耗峰的半高宽、电阻峰的大小、电阻峰的频率、电阻峰的半高宽。在一个示例性方法中，神经网络模型和回归模型两者基于响应于通过询问模块16的刺激而从传感器30接收的信号来预测温度、湿度和距离。可以比较这两个模型的准确度。
[0055]
在一个示例性方法中，模型将系数与输入变量的平方和输入变量的倍数一起拟合到六个输入变量。在一个示例性方法中，使用来自微型无线电解决方案的minivna天线网络分析仪对天线进行所有测试。minivna的传输范围高达90db，反射范围高达50db，频率范围为100khz至200mhz，步长为1hz。在一个此类示例性方法中，vnaj.3.1软件可用于从分析仪收集信号，而thermotron机器可用于环境控制。
[0056]
测试的纺织仪器有限公司的sansec传感器30显示压力响应随询问模块16和传感器30之间的距离变化而变化。在每个距离处观察到回波损耗大小的急剧下降，并且重量增加非常低。在最初增加重量之后，回波损耗大小线性增加的程度要小得多。针对每个距离的测试设备重量为约25g，因此施加小于25g是困难的，并且仅在0g至25g范围内收集了几个数据点。每条线中的最大值出现在设备的重量或25g处。类似地，随着重量的少量增加，回波损耗频率急剧下降。回波损耗频率随着重量的增加呈指数趋势继续略有下降。如果传感器最初处于零压力状态，则这些结果指示传感器能够感测压力的微小变化。即使回波损耗大小从极大的压力增加至零压力状态，回波损耗频率也只会指示存在压力，因为其趋势只会降低。然而，峰值电阻的频率在每个压力下保持相当稳定，但询问模块16离传感器30越远，该频率越大。
[0057]
纺织仪器有限公司的sansec传感器30还在各种温度和约50％的固定湿度下在不同距离处进行了测试。回波损耗频率在不同距离处显示出良好的聚类，但不会随着距离的增加而持续增加或减少。造成这种情况的一个可能原因是，将询问器放置在天线表面会限制天线中的感应范围，因为询问器的面积比天线的面积小。温度趋势也可能受到在整个测试过程中难以实现稳定湿度的影响。
[0058]
此外，纺织仪器有限公司的sansec传感器30在一系列湿度设置和距离范围内进行了测试，但固定温度为约25℃。测试表明，回波损耗随着湿度的增加和天线与模块16之间距离的增加而减小。由于在测试过程中湿度变化非常迅速，因此在特定湿度下天线达到平衡状态似乎存在滞后。在温度影响的测试中，在不同距离处似乎存在回波损耗频率的聚类，但随着距离的增加，回波损耗频率并没有一致的增加或减少。这种效应在峰值电阻的频率上也很明显。
[0059]
如上所述，可以使用神经网络软件(诸如可从明尼苏达州圣保罗的3m公司获得的神经网络软件)来创建神经网络模型。在一个此类示例性方法中，神经网络软件可用于基于收集的数据来训练预测，然后通过对照实际值检查对传感器环境变化的预测响应来评估准确度。在一个示例性方法中，由3m开发的神经网络软件被用于利用来自第一轮测试的数据创建预测模型，以便确定由传感器30生成的信号频谱存在预测能力。在第一轮数据中，实验
包括在三个距离处获取的读数，其中温度范围为0℃至50℃，湿度范围为20％至80％。神经网络模型显示出以下特征：
[0060]
神经网络模型结果
[0061]
变量r2准确度范围距离.9911mm温度.46315℃湿度.59010％
[0062]
在一些示例性方法中，除神经网络之外的分类模型基于其相关联的分类建模方案进行训练。
[0063]
图6示出了根据本公开的方面的包括和排除回归分析中的因素的影响。在一个示例性方法中，minitab软件(可从宾夕法尼亚州立大学的minitab，llc获得)用于创建回归模型，该回归模型在给定来自传感器30的信号响应的情况下预测温度、湿度和传感器30和询问模块16之间的距离。在一个示例性方法中，回归模型软件通过拟合的r2评估实际数据与预测方程的偏差。回归模型也可以基于其他回归建模方案进行训练。
[0064]
适当的回归模型可能需要反复试验。例如，可以认为回归模型包括/排除所选择的数据并且包括/排除所选择的输入变量，并且可以考虑每个模型的拟合质量。允许依赖对整个系统没有影响但改进训练数据集上的拟合的变量，存在过度拟合模型的风险。在一个示例性方法中，将与电阻峰相关的输入变量包括在模型中，然后将其从模型中排除，并且比较拟合。在另一个示例性方法中，将电阻和回波损耗峰的fwhm的输入变量包括在模型中，然后将其从模型中排除，并且比较拟合。在一种示例性方法中，包括和排除对应于0cm距离的数据，并且包括和排除对应于出现在30％至60％范围之外的湿度的数据。
[0065]
根据定义，允许回归使用更多输入变量将始终提高拟合质量，但这种提高的质量可能是过度拟合的结果。从图6和上面的数据，得出以下结论：
[0066]
1)如果模型只考虑30％至60％的湿度，湿度感测会受到影响，但温度感测会得到改善。
[0067]
2)如果模型只考虑0cm以外的数据，其距离感测会得到改善，但对温度感测和湿度感测有一定的影响。
[0068]
3)如果模型包括fwhm输入，则温度感测相比于湿度感测增加得多。
[0069]
4)如果模型包括电阻输入，则对于大多数数据集，温度感测的增加超过湿度感测。
[0070]
在一个示例中，回归模型包括：
[0071]
d(mm)＝69-0.000001rlf-0.656rl 0.000193r 0.000207rl
[0072]
t(℃)＝-149597-0.000332rlf-62.7rl 0.00758rf o.0078r-0.0085rl-0.000037rl*r
[0073]
h(％)＝-36923 0.000035rlf 36.1rl 0.00164rf-0.0605r 0.0231rl*rl 0.000044rl*r其中rlf为回波损耗频率，rl为回波损耗，r为电阻，并且rf为出现峰值电阻的频率。在示例性回归模型中，距离预测的r2为.9963，温度预测的r2为.4583，湿度预测的r2为.5890，如下所示。
[0074]
回归模型结果
[0075][0076]
根据从传感器30接收的信号来分析传感器30和询问模块16之间的距离、传感器30相对于询问装置16的轴向旋转、传感器30的弯曲、传感器30上的压力，以及传感器30附近的温度和湿度的变化产生的影响。如上所述，在一个此类实验中距离的影响在图2a、图5a和图5b中示出。在一个此类实验中湿度的影响如图2b所示。在图2c中示出了在一个此类实验中压力的影响，而在一个此类实验中温度的影响如图2d所示。如上所述，用收集的数据来训练回归模型和神经网络模型，并且比较两个模型。
[0077]
天线性能的其他方面可能受到传感器30周围发生的变化的影响。例如，询问模块16和传感器30之间的间距的变化可产生许多影响，如在图2a、图5a和图5b的讨论中所指出的，最明显的影响是回波损耗大小的变化和回波损耗频率的变化，如图2a、图5a和图5b所示。在图5a所示的示例中，当传感器30在平行平面上提升到询问模块16上方时，捕获回波损耗。在一个此类示例性方法中，测试在湿度受控的房间中进行，其中湿度在67％和70％之间变化，并且温度在73.8℃和74.2℃之间变化。图5a示出了天线频谱的回波损耗图，而图5b示出了针对一系列此类测试的传感器30和询问模块16之间的不同距离处的最小峰处的回波损耗和频率。
[0078]
其他因素也可导致回波损耗大小的变化和回波损耗频率的变化。例如，图7示出了根据本公开的一个方面，当传感器相对于询问模块16轴向旋转时，从传感器30到询问模块16的响应在距询问模块16的恒定距离处如何变化。在上述图2a、图5a和图5b的上下文中的距离的讨论中，在预测模型中不考虑传感器30相对于询问模块16的轴向旋转。相反，轴向旋转保持恒定。在图7所示的示例性方法中，进行了两次测试，其中在围绕中线轴和角轴旋转的角度范围内收集响应。图7示出了不同旋转下的回波损耗。在一个示例性方法中，中线旋转的测试具有2.75cm的起始距离，并且该旋转在0度至30度的范围内旋转。拐角旋转的测试具有0.5cm的起始距离，并且围绕天线的左边缘的轴线在远离传感器的0度至50度的范围内旋转。由于旋转的性质，在每次测试中，取向中只有一个取向(旋转25度)相同。在该示例性方法中，25度旋转下的回波损耗峰点对于中间旋转为-1.25，并且对于拐角旋转为-1.75。这些峰的频率分别为1.1425和1.145。房间内的温度和湿度分别为74.2
°
f和67％(中线旋转)和74.5
°
f和70％(拐角旋转)。温度和湿度的偏差可对应于两次测量中回波损耗的差异。
[0079]
在一个示例性方法中，旋转和距离可能能够组合成一个因素。例如，在湿度和温度受控的房间中进行的距离和旋转测量发现在两个测量结果处具有配准的频谱：(0.75cm，10)和(2.0cm，0)。
[0080]
一旦传感器30已被表征并且选择了适当的模型，该模型就可以用于预测传感器30周围发生的或该传感器发生的变化。图8是示出根据本公开的一个方面的基于从sansec传感器30接收的信号确定一个或多个参数的方法的流程图。在图8所示的示例中，询问模块16在传感器30(150)附近产生磁场。如上所述，传感器30以特定频率吸收能量，产生随传感器
30工作的环境的变化以及传感器30和询问模块16中的发射器之间的距离和角度的变化而变化的信号。捕获来自传感器30的谐振信号(152)。然后使用捕获的传感器信号来计算期望的参数(154)。在一个示例性方法中，计算装置14将在图3、图4和图5a至图5b的讨论中描述的训练机器学习算法应用于表示捕获的传感器信号的数据，以计算一个或多个此类参数。如上所述，捕获的信号可以随传感器处的温度、传感器处的湿度、传感器上的压力、传感器的弯曲、轴向旋转、从询问模块16到传感器30的距离以及询问模块16与传感器30的平面之间的角度中的一者或多者的变化而变化。在一个示例性方法中，计算装置14将在图3的讨论中描述的训练机器学习算法应用于表示捕获的传感器信号的数据，以计算一个或多个此类参数(期望的参数158)。在一个此类示例性方法中，从外部源接收的数据(已知参数160)用于计算期望的参数158。例如，来自外部源的湿度和温度读数可以与受过训练的机器学习算法结合使用，以确定从询问模块16到传感器30的距离。已知的参数越多，预测越准确。
[0081]
在一个此类示例性方法中，计算装置14将上文所描述的受过训练的机器学习算法应用于表示捕获的传感器信号的数据和表示影响传感器30的已知参数的数据，以计算一个或多个期望的参数。在一个示例性方法中，在应用程序内使用计算的参数来导出其他参数(156)。例如，可以使用参数诸如温度或湿度的检测到的变化来确定是否应该加热或冷却环境。
[0082]
sansec传感器30可以用于许多应用中。例如，传感器30可用于检测跑鞋的磨损以检测水存在与否，用于服装以检测热量损失，用于床单以帮助睡眠者保持舒适的温度，用于支架以确定支架是否太松或太紧，用作花园床湿气传感器，或用于绷带以检测敷料何时变得太湿。在一些示例性方法中，传感器30中的导电材料包括导电材料的印刷图案、线材、导电纱线、导电纤维和导电涂层纺织物中的一种或多种。在一些此类示例性方法中，导电材料的图案被机织到制品34中。
[0083]
在一些示例性方法中，谐振频率随传感器处的温度、传感器处的湿度、传感器上的压力、传感器30弯曲的程度、从询问模块16到传感器30的距离、传感器30相对于询问模块16的轴向旋转以及询问模块16与传感器30的平面之间的角度中的一者或多者的变化而变化。下面讨论使用传感器30检测影响传感器30的变化的示例性方法。
[0084]
图9是示出根据本公开的一个方面的用于确定鞋底何时不再提供所需支撑的技术的图。在图9的示例性方法中，跑鞋200包括鞋底202，该鞋底的厚度在鞋是新鞋时为鞋的穿着者提供一定程度的压缩，从而在一定程度上保护穿着者在跑步时免受鞋对地面的震动冲击。通常，建议跑步者每3个月或每300英里更换一次鞋子。然而，更换间隔可因人而异。有些人可能需要尽快更换鞋子，有些人可能会穿得更久。
[0085]
在一个示例性方法中，简单的无源sansec传感器30附接到鞋垫204并且鞋垫204插入鞋200。询问模块206抵靠鞋底202的底部放置，并且通过刺激传感器30并且接收其响应来测量从询问模块16到sansec传感器30的距离。例如，距离测量可用于计算鞋底202被压缩了多少，从而为用户提供更准确的磨损测量。在一个示例性方法中，传感器30被结合到鞋垫204中。在另一个示例性方法中，传感器30放置在鞋底202和鞋垫204之间。
[0086]
在一个示例性方法中，基于鞋应用的有限参数来训练机器学习算法。在一些示例性方法中，询问模块16为智能电话，运行如上所述用于确定磨损的应用程序，并且具有用户界面40，该用户界面显示带有绿灯、黄灯或红灯的交通灯图标，分别指示鞋200良好、即将更
换或需要更换。
[0087]
传感器30可以用于各种家庭应用。例如，管道泄漏或房屋外部损坏造成的水害可能对房屋的安全造成极大的损害，特别是如果泄漏速度缓慢并且仍然隐藏在壁中时，这种情况可在不知情情况下持续数月，从而导致严重腐烂或壁内霉菌的生长。修复这种损坏的成本通常非常高。图10是示出根据本公开的一个方面的检测湿度的示例性方法的图。如图10所示，在一个示例性方法中，大型传感器220.a-220.e(“大型传感器220”)分布在整个房间内。在图10所示的示例中，大面积传感器220.a被集成到干墙或贴靠施加于壁，大型传感器220.b和220.c被集成到或贴靠施加于沙发垫，并且大面积传感器220.d被集成到或贴靠施加于门。天线的工作距离取决于尺寸，因此，较大尺寸的天线能够跨足够长的距离进行通信，以与集成在智能电话或智能家居装置(诸如可从google获得的nest或google home装置)中的监测装置222进行交互。为了增加天线的工作范围，可以降低频率，从而增加波长，并且天线的工作距离通常与波长的一半成比例。因此，如图10所示的较大天线(其辐射频率为约10mhz)可以在距智能电话或充当监测装置222的智能家居装置最远15米的距离处工作。
[0088]
在另一个示例性方法中，大面积传感器220被集成到屋顶覆盖物中或被施加于屋顶覆盖物，作为被配置为检测轻微漏水的湿度/湿气传感器。在另一个示例性方法中，大面积传感器220被放置在花园床或花盆的底部以检测土壤水分水平和温度。在一个此类示例性方法中，监测装置222响应于温度和水分水平读数中的一者或多者，通过例如喷洒系统或机器人浇水系统发起花园床或花盆的浇水。
[0089]
在另一个示例性方法中，如图10所示，大面积传感器220.e被机织到地毯中或作为湿度/湿气传感器应用于地毯的下侧。在一种此类方法中，传感器220.e可以被配置为在大面积地毯上用作溢出检测器，从而允许房主通过接收电话警报，或者通知机器人真空吸尘器它应该立即开始新的清洁周期并解决溢出问题来解决未知的溢出问题。
[0090]
如图2b所示，当传感器220处的湿度从33％增加至73％时，信号的以分贝为单位的回波损耗从约-48db变为约-17db。在家庭湿度应用中，传感器220表现出类似的行为，因为传感器220吸收湿气。
[0091]
大面积传感器220也具有其他应用。在一个示例性方法中，机织到地毯中或施加到地毯的下侧的传感器220.e可以例如用作家庭安全系统中的压力传感器，或作为温度或湿度传感器。类似地，其他传感器220中的任何一者可以例如用作温度或湿度传感器。在一些此类示例性方法中，智能家居装置被配置为用于查询大面积传感器220的监测装置222。如在图1的示例性方法中，智能家居装置可以包括计算装置14和询问模块16。计算装置14可包括连接到存储器22的一个或多个处理器20。
[0092]
在一些示例性方法中，监测装置222生成外部振荡磁场并且从大面积传感器220接收响应于外部振荡磁场生成的信号。在一个此类示例性方法中，监测装置222包括指令26，这些指令在由一个或多个处理器20执行时使一个或多个处理器将从大面积传感器220接收的信号生成的数据与先前从传感器30接收的数据进行比较，以确定数据的变化并且基于数据的变化来估计大面积传感器220周围的环境因素中的一个或多个环境因素的变化。在一些此类示例性方法中，测量引起大面积传感器220的响应变化的其他参数中的一个或多个其他参数的数据由一个或多个外部装置供应，或者由监测装置222本身供应，以使期望的参
数的预测更准确。在一个此类示例性方法中，监测装置222被放置在永久位置，以便消除改变大面积传感器220和监测装置222之间的距离而产生的影响，以免影响期望的参数的计算。
[0093]
传感器可以用于衣物制品中。图11是根据本公开的一个方面的具有内部传感器和外部传感器的衣物制品的图示。在图11所示的示例中，衣物制品为外衣。在图11的示例性方法中，护套250包括两个或更多个纺织物传感器30，包括内部传感器252和外部传感器254。在一个此类示例性方法中，传感器252和传感器254用于确定护套内部和外部的温度以及湿度。在一个示例性方法中，监测装置256为智能电话或其他此类装置。在一个此类示例性方法中，监测装置256作为询问模块16操作以确定温度和湿度，并且使用所确定的温度和湿度来预测用户将不得不在室外保持温暖的大致时间。这是可能的，因为绝缘体具有预先确定的clo(保溫值)，这将基于护套内部和外部之间的通量失去热量。例如，护套外部越冷，穿着者冷得越快；即，护套内部和外部的温差越大，护套散热越快。
[0094]
图2d的回波损耗图在图11中被复制。如图2d和图11中可见，当温度从约50℃降低至10℃时，信号的以分贝为单位的回波损耗从约-42db变为约-17db。在寒冷的日子里，外部传感器254提供接近-17db的谐振频率信号，而内部传感器252提供具有更高回波损耗(接近-42db)的谐振频率信号。
[0095]
在一些示例性方法中，测量引起传感器252或254的响应变化的其他参数中的一个或多个其他参数的数据由一个或多个外部装置供应，或者由监测装置256本身供应，以使温度的预测更准确。在一些此类示例性方法中，监测装置256在特定位置抵靠衣物制品放置，以便消除监测装置256与传感器252和254之间的距离变化影响期望的参数的计算的影响。在一些此类示例性方法中，在衣物制品上标记特定位置。
[0096]
在一个示例性方法中，监测装置256包括舒适度预测模块，该舒适度预测模块与传感器252和254一起操作以预测穿着者在当前环境中将感到舒适多久。在一个此类示例性方法中，舒适度预测模块基于预先确定的clo和来自传感器252和254的响应来确定穿着者将感到舒适的预测时间长度。在另一个此类示例性方法中，舒适度预测模块基于外部温度和湿度的外部读数、预先确定的clo和来自传感器252和254的响应来确定穿着者将感到舒适的预测时间长度。
[0097]
在又一个示例性方法中，舒适度预测模块基于来自传感器252和254的响应、穿着衣物制品的用户的生理特征(例如，心率、呼吸频率、体温等)、环境特性(例如，空气温度、湿度、环境光等)、用户所穿制品的属性(例如，预先确定的clo、制品的材料类型、制品的年龄等)、用户信息(例如，历史舒适度信息、用户活动信息等)或它们的任何组合来确定穿着者感到舒适的预计时间长度。
[0098]
在一个示例性方法中，监测装置256可响应于预测到个体可能不舒服而执行一个或多个操作，诸如调整制品250的操作。在一些示例中，监测装置256自动调整至少一个温度控制装置(即，加热装置、冷却装置、通气装置)。例如，监测装置256可以自动激活加热或冷却装置。作为另一个示例，监测装置256可自动输出调整孔(诸如拉锁或拉带)的命令。例如，监测装置256可输出致动(例如，打开或闭合)拉链或调整(例如，收紧)拉绳的命令。
[0099]
传感器30可以其他方式与衣物制品一起使用。例如，衣物制品可包括用于检测湿度的传感器30。这种方法可用于尿布或穿在尿布外的衣物以通知护理人员需要更换尿布。
[0100]
可以在床单中使用传感器来调节床的温度。在rem睡眠期间，身体不会调节温度，有时会导致人过热或肢体在人不知情的情况下“入睡”。将传感器30集成到床单或睡衣中，允许无线跟踪个人温度，并且根据需要触发床和床单加热或冷却，以使人保持在舒适的温度。
[0101]
可以在支架中使用传感器以通知用户达到理想的压缩量的时间。图12是示出根据本公开的一个方面的具有集成sansec传感器的支架的图示。对于所有sansec天线，形状和尺寸都会极大地影响谐振频率，因为谐振频率与线圈的电感和电容有关。因此，在一个示例性方法中，将sansec传感器274放置(粘附、缝编、针织、机织)到支架270中使用的弹性基底272(如氨纶织物)上。如图12中可见，当不使用时，弹性基底272未拉伸并且sansec传感器274处于第一形状。然而，当将支架应用于患者时，支架270中的传感器274被拉伸。监测装置12(例如，智能电话)查询支架，并且如果支架被正确拉伸，则装置12向用户指示支架使用正确。
[0102]
图2c的回波损耗图在图12中被复制。如图2c和图12中可见，当传感器274上的压力减小时，信号的以分贝为单位的回波损耗从约-12db变为约-8db。在支架应用中，传感器274表现出类似的行为，因为传感器274被拉伸到近似理想的压缩。
[0103]
随着时间的推移，支架中的弹性带会磨损。在一个示例性方法中，如果支架被拉伸超过期望的量，则监测装置12检测传感器274中产生的变形，并且告知用户更换他们的支架270。
[0104]
传感器可以用于医疗应用中。图13是示出根据本公开的一个方面的具有集成sansec传感器302的绷带300的图示。在一个示例性方法中，绷带300包括绷带基底；在一个此类示例性方法中，将sansec传感器302印刷到绷带基底(诸如nexcare tegaderm基底)上并且用于确定伤口区域中的水分水平以及皮肤温度。监测装置12使用所确定的参数来通知用户或护理人员应何时更换绷带。对于需要定期更换绷带或可能没有医疗专业人员或护理人员定期监督的患者，这种方法尤其重要。
[0105]
在一些示例性方法中，绷带300是适于施加到皮肤上的粘合剂制品。因此，绷带300可以为医疗条带、绷带或伤口敷料。在一些示例性方法中，绷带300可以为iv部位敷料、颊面贴剂或透皮贴剂。在一些情况下，绷带300可以粘附到人和/或动物的皮肤。在一个示例性方法中，绷带300包括绷带基底、设置在基底上的底漆层和设置在底漆层上的硅树脂粘合剂。在一些示例性方法中，绷带300包括其他材料，诸如聚合物材料、塑料、天然大分子材料(如，胶原、木材、软木和皮革)、纸材、膜、泡沫、机织布和非织造布以及这些材料的组合。
[0106]
在一个示例性方法中，通过例如将传感器302机织到绷带基底中或通过将传感器302印刷到织物绷带基底上而将sansec传感器302集成到织物绷带基底中。在另一个示例性方法中，传感器302被编织到或以其他方式集成到附接到绷带基底的吸收垫中。
[0107]
图2b的回波损耗图在图13中被复制。如图2b和图13中可见，当传感器302处的湿度从33％增加至73％时，信号的以分贝为单位的回波损耗从约-48db变为约-17db。在绷带应用中，传感器302表现出类似的行为，因为传感器302从创伤部位吸收湿气。
[0108]
在一个或多个示例中，在监测装置12、206、222和256的上下文中描述的功能可以在硬件、软件、固件或它们的任何组合中实施。如果以软件实现，则这些功能可作为一个或多个指令或代码存储在计算机可读介质上或经由计算机可读介质传输，且由基于硬件的处
理单元执行。计算机可读介质可包括计算机可读存储介质，其对应于诸如数据存储介质的有形介质，或通信介质，其包括例如根据通信协议促进将计算机程序从一处传送到另一处的任何介质。以该方式，计算机可读介质通常可对应于(1)非暂态的有形计算机可读存储介质或(2)通信介质，诸如如信号或载波。数据存储介质可为可由一个或多个计算机或一个或多个处理器访问以检索用于实现本公开中所描述的技术的指令、代码和/或数据结构的任何可用介质。计算机程序产品可包括计算机可读介质。
[0109]
作为示例而非限制，此类计算机可读存储介质可包括ram、rom、eeprom、cd-rom或其他光盘存储、磁盘存储或其他磁存储装置、闪存或者可用来以指令或数据结构的形式存储期望的程序代码并且可由计算机访问的任何其他介质。而且，任何连接均被适当地称为计算机可读介质。例如，如果使用同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或无线技术如红外线、无线电和微波从网站、服务器或其他远程源传输指令，则同轴电缆、光纤电缆、双绞线、dsl或无线技术如红外线、无线电和微波包括在介质的定义中。然而，应当理解，计算机可读存储介质和数据存储介质不包括连接、载波、信号或其他暂态介质，而是针对非暂态的有形存储介质。所使用的磁盘和光盘包括压缩盘(cd)、激光光盘、光学盘、数字多功能光盘(dvd)、软盘和蓝光光盘，其中磁盘通常以磁的方式再现数据，而光盘通过激光以光学方式再现数据。上述的组合也应当包括在计算机可读介质的范围内。
[0110]
指令可由一个或多个处理器诸如一个或多个数字信号处理器(dsp)、通用微处理器、专用集成电路(asic)、现场可编程逻辑阵列(fpga)或其他等效集成或离散逻辑电路执行。因此，所使用的术语“处理器”可以指任何前述结构或适用于实施所描述的技术的任何其他结构。此外，在一些方面，所描述的功能性可在专用硬件和/或软件模块内提供。此外，这些技术可完全在一个或多个电路或逻辑元件中实施。
[0111]
本公开的技术可在包括无线手持机、集成电路(ic)或一组ic(例如，芯片集)的各种各样的装置或设备中实现。各种部件、模块或单元在本公开中进行了描述以强调被构造为执行所公开的技术的装置的功能方面，但是不一定需要通过不同的硬件单元来实现。相反，如上所述，各种单元组合可在硬件单元中组合或者通过包括如上所述的一个或多个处理器的互操作硬件单元的集合，结合合适的软件和/或固件来提供。
[0112]
应当认识到，根据该示例，本文所述方法中的任一种的某些动作或事件可以不同的顺序实行，可一起添加、合并或省去(例如，不是所有所描述动作或事件对于方法的实践都是必需的)。此外，在某些示例中，动作或事件可例如通过多线程处理、中断处理或多个处理器同时而不是顺序地执行。
[0113]
在一些示例中，计算机可读存储介质包括非暂态介质。在一些示例中，术语“非暂态”指示存储介质没有在载波或传播信号中体现。在某些示例中，非暂态存储介质存储可随时间改变的数据(例如，在ram或高速缓存中)。
[0114]
已经描述了本公开的各种示例。这些示例以及其他示例均在以下权利要求书的范围内。