具体实施方式

现在将详细参考示范性实施例，所述示范性实施例的实例在附图中示出且在本文中公开。在方便的情况下，将贯穿各图使用附图标号来指代相同或相似部分。在示范性实施例的以下描述中阐述的实施方案是与所附权利要求中所叙述的与本揭示内容相关的方面一致的装置和方法的实例，且不意图限制本揭示内容的范围。

图1A是示出与本揭示内容的一些实施例一致的自行车适配的示范性系统100的方框图。在一些实施例中，系统100提供用于决定骑自行车的人的优选或合适的座垫和把手的位置的适配平台(即自行车适配用的可调整平台)。自行车适配系统100可说明并用来评估或确定骑士的合适的自行车几何形状，包含车架尺寸、轮胎尺寸、把手尺寸、座垫配件等；以及骑士的合适骑车位置、骑车行为、骑车或踩踏功率效率以及把手和座垫(或坐杆)位置和调整。可考虑或评估的额外几何因子可包含以下因子中的一或多个：如座管长度、座管角度、上管长度、头管长度、头管角度、前叉倾角(fork rake)、前叉拖曳距(trial)、前后轮轴心距离(wheelbase)、后下叉长度(chain stay length)、五通下降量(bottom bracketdrop)、叠高量(stack)、前伸量(reach)、跨高等。自行车适配系统也可帮助评估、确定、微调、训练或适配包含专业自行车手或山地自行车手的骑士，用于比赛、竞赛、铁人三项赛、休闲骑车、长距离骑车以及各种骑车环境或挑战。

在一些实施例中，系统100包含一或多个传感器110、控制模块120、存储器装置130、处理器140以及适配平台150。在一些实施例中，存储器装置130和处理器140可被整合在适配平台150中。在一些实施例中，存储器装置130和处理器140可被包含于以通信方式连接到传感器110、控制模块120以及适配平台150的手持型计算机、平板计算机、个人计算机、网络PC或云服务器中。

控制模块120可包含一或多个驱动器122a到驱动器122g以及一或多个对应马达124a到马达124g。适配平台150可包含具有座垫152、把手154、倾斜调整单元156a、倾斜调整单元156b以及阻力调整单元158的自行车车架。座垫152和把手154各自可用于沿着x轴(例如，纵向方向)、y轴(例如，垂直方向)或两者方向移动。不以前述移动方法为限，取决于不同的配置，每一移动的一或多个轴还可以在任何其它方向上达成，例如对角线或与水平线具有倾斜角度的方向。倾斜调整单元156(包括156a、156b)可用于调整倾斜程度或上升/下降角度，以模拟具不同坡度的道路条件。阻力调整单元158可用于调整适配平台150的骑车阻力，以模拟不同的骑车条件。

控制模块120可通过马达124a到马达124d调整座垫152或把手154沿着一或多个轴的位置。在一些实施例中，控制模块120进一步用于致动或动态地致动适配平台150，以模拟不同的自行车骑行情境，如道路条件、适配平台150的倾斜角度以及骑车阻力、比赛或竞赛情境、转弯、风(顺/逆风)、空气阻力等。控制模块120可使用对应马达124e到马达124g的适当命令来控制或实施这些各种配置。

在一些实施例中，传感器110可包含一或多个功率传感器111、一或多个位置传感器112、一或多个动作传感器113、一或多个速度传感器114、一或多个肌电图(electromyography；EMG)传感器115、一或多个心率(heart rate；HR)传感器116、一或多个踏频传感器117、一或多个压力传感器118、一或多个呼吸传感器119以及一些其它传感器。图1B和图1C为与本揭示内容的一些实施例一致的示范性适配平台150的透视图和侧视图。传感器110可被安装在适配平台150上的相应位置上，或在适当时将传感器110装设或穿戴于骑在适配平台150的用户上。

如图1B和图1C中所示出，功率传感器111a或111b、速度传感器114a或114b以及踏频传感器117a或117b可被安装在阻力调整单元158的轮上或可被安装在适配平台150上的大齿盘/大盘的表面上。功率传感器111a或111b可从如功率计或其它功率传感器中选择。压力传感器118a到压力传感器118c可被安装在座垫152或把手154上。位置传感器112a到位置传感器112e以及动作传感器113a到动作传感器113e(如电荷耦合装置(charge-coupleddevice；CCD)或红外线相机装置)可被安装在平台基座上的表面、管件或任意适当位置上。在一些实施例中，位置传感器112a到位置传感器112e以及动作传感器113a到动作传感器113e也可通过独立于示范性适配平台150的一或多个外部摄影机/照相机来实现。

图1D和图1E示出与本揭示内容的一些实施例一致的在图1B和图1C的示范性适配平台150上踩踏板的骑士。如图1D和图1E中所示出，EMG传感器115a到EMG传感器115d可附着于骑士的腿部肌肉或手臂肌肉，且HR传感器116可附着于骑士的胸部和手腕。呼吸传感器119可被用于在骑士的脸部或脸部的周围合并包括的呼吸管、套管(cannula)、面罩或其它设备。对应于位置传感器112a到位置传感器112e以及动作传感器113a到动作传感器113e的感测标签Ta、感测标签Tb、感测标签Tc、感测标签Td、感测标签Te、感测标签Tf可附着于骑士的身体关节(例如，踝部、膝部、髋部、肩部、肘部以及手腕等部位)。感测标签Ta、感测标签Tb、感测标签Tc、感测标签Td、感测标签Te、感测标签Tf可传输光学或电磁信号或反射来自位置传感器112a到位置传感器112e以及动作传感器113a到动作传感器113e的信号，以用于识别在踩踏期间身体关节的位置和运动动作。

再次参考图1A，一或多个传感器110可被配置且用于测量数据。所测量的数据可存储在存储器装置130中的数据库中。另外，存储器装置130可存储由处理器140执行的软件指令以进行与本揭示内容实施例一致的操作。举例来说，处理器140可被用于执行存储在存储器装置130中的一组指令，当用户在系统100的适配平台150上踩踏板时使得系统100执行自行车适配方法，这在下文详细论述。应了解，本文中所描述的实例为示范性的且可被使用于传感器110、控制模块120、存储器装置130、处理器140以及适配平台150之间建立通信的其它方式。举例来说，在联网环境中，可编程代码、应用程序、软件指令以及数据库也可存储在远程计算机或云服务器中。通过执行指令，处理器140可基于来自传感器110的数据进行各种处理或计算，以获得用于适配评估的各种因子。举例来说，这些因子可包含一或多个机械效率因子、一或多个生物力学效率因子以及一或多个用户舒适度因子，这将在以下段落中详细论述。应了解，本文中所确认的评估因子仅为实例且非意图限制本揭示内容。

在一些实施例中，系统100也可基于由一或多个运踩踏动作或身体位置或姿势传感器113捕获的图像而获得评估因子。在一些实施例中，一或多个动作或身体位置或姿势传感器113可包含相机，所述相机被用于在用户或骑士于骑车时识别她或他的身体部位的各个部分。举例来说，传感器113可识别在各种关节(例如髋部、膝部以及踝部等部位)处或附近的角度(例如，图1E中所示出的髋部角度Ang1、膝部角度Ang2以及踝部角度Ang3)或运动范围、与理想或当前角度和范围的偏差(如果存在)、异常等。

处理器140可进一步处理通过传感器113获得的各种参数。举例来说，处理器140可将这些参数与不同阈值进行比较，以查看这些参数是否落在对应的期望范围内，且因此基于比较结果来决定因子。应了解，这些因子也可基于来自传感器110的数据和来自传感器113的数据来获得。为了易于理解，评估因子的处理或计算将详细地描述于以下段落中。应注意，下文所描述的计算仅为实例且不意图限制本揭示内容。

在一些实施例中，可基于来自功率传感器111、踏频传感器117、速度传感器114以及动作传感器113的数据来计算机械效率因子。功率传感器111被用于获得用户的踩踏功率。动作传感器113被用于测量和获得运动参数，如在踩踏期间身体关节角度的变化(如踝部角度、膝部角度、髋部角度、肩部角度、肘部角度以及手腕角度等部位)，以及在不同踏频数值下这些身体关节的水平和垂直位移。踏频传感器117配置成感测踏频，即每分钟的回转数(revolutions per minute；rpm)。速度传感器114被用于感测自行车的速度，所述速度可基于踩踏的踏频和齿轮比来计算。

基于这些数据，处理器140可计算有效力与合力的比，且计算速度如何与功率相关，这可指示用户的骑车效率。在一些实施例中，有效力是指垂直于曲柄臂作用的力，且合力是指施加于踏板的总力。

处理器140还可决定运动参数是否落在机械效率的对应优选范围内。在一些实施例中，基于实验结果，身体关节角度的最大值和最小值的优选范围可存储在存储器装置130中的数据库中。举例来说，下表1指示用于机械效率的身体关节角度的最大值和最小值的示范性优选范围。

表1

因此，处理器140可通过计算所述范围内的运动参数的数目与所评估的运动参数的总数的比值来获得骑车姿势指标。接着，处理器140可基于所获得的数据、计算结果、骑车姿势指标或其组合来决定机械效率因子。在一些实施例中，机械效率因子也可为基于在适配过程期间来自附着于骑士身上的一或多个IMU传感器的惯性测量单元(inertialmeasurement unit；IMU)数据来决定的踩踏效率。举例来说，在适配过程期间，可将一或多个IMU传感器装设或穿戴在一或多个骑士人身用具的适当位置上。骑士人身用具可包含但不限于如安全帽(或头盔)、风镜、车衣、车裤、手套、车鞋/靴或骑士身上的任意其它附件。

在一些实施例中，可基于来自功率传感器111、EMG传感器115、心率传感器116、呼吸传感器119以及动作传感器113的数据来计算生物力学效率因子。EMG传感器115和心率传感器116配置成检测用户在踩踏期间的EMG振幅和心率。呼吸传感器119被用于检测用户的摄氧量/耗氧量或呼吸速率。另外，在一些实施例中，呼吸传感器119可进一步被用于识别用户在踩踏期间的训练状态。举例来说，呼吸传感器119可用于指示用户的呼吸是处于有氧的还是无氧的运动状态。

基于这些数据，处理器140可计算有效力除以EMG振幅，计算功率输出除以心率，计算功率输出除以耗氧量，且计算耗氧量除以心率。接着，处理器140可基于所获得的数据、计算结果、骑车姿势指标、所应用的能量系统或其组合来确定生物力学效率因子。举例来说，在一些实施例中，生物力学效率因子可定义为有效力除以EMG振幅的踩踏效率。在一些实施例中，生物力学效率因子也可为在适配过程期间基于来自附着于骑士人身上或安装在一或多个骑士人身用具上的一或多个IMU传感器的IMU数据来确定的踩踏效率。

处理器140也可决定运动参数是否落在生物力学效率的对应优选范围内。举例来说，以下表2和表3分别指示用于肌电图振幅和用于生物力学效率的身体关节角度的最大值和最小值的示范性优选范围。

表2

表3

在一些实施例中，可基于来自EMG传感器115、心率传感器116、压力传感器118以及基于用户反馈的舒适度问卷的数据来计算用户舒适度因子。

压力传感器118被用于检测座垫上或把手上的压力。举例来说，压力传感器118可提供包含峰值压力值、座垫上或把手上的压力的分布和面积、座垫上或把手上的特定位置的压力值等的信息。基于这些数据，处理器140可计算每单位面积的压力值。接着，处理器140可基于所获得的数据来决定用户舒适度因子，所述数据包含座垫压力或把手压力、心率、EMG振幅、计算结果、骑车姿势指标、舒适度问卷或其任意组合。

处理器140也可确定运动参数是否落在舒适度的对应优选范围内。举例来说，下表4指示用于舒适度的身体关节角度的最大值和最小值的示范性优选范围。

表4

在一些实施例中，处理器140可在计算这些评估因子时套用标准化过程。接着，处理器140可基于标准化评估因子来计算整体分数。在一些实施例中，将标准化评估因子乘以相应权重以计算整体分数。评估因子的权重可基于由用户或训练者选择或识别的一或多个情境参数而变化。举例来说，情境参数可包含骑行期间参数、骑车性能参数、受伤参数、环境参数、体适能参数等。

在一些实施例中，骑行期间参数可包含骑车时间或骑车距离。骑车性能参数可包含估计的骑车速度或功率。受伤参数可包含害伤类型和受伤的身体部位，如骑士过往曾经因运动伤害而扭伤脚踝。环境参数可包含天气条件，如估计的风阻、温度或湿度，以及骑行路线条件，如上坡和下坡或道路表面质量(例如，有铺面道路、无铺面小径、砾石、草或其混合组合路面)。体适能参数可包含骑士的个人身体健康评估，如肌耐力或柔软度等项目。

举例来说，当为第一位骑士进行适配时，协助骑士进行适配的人员(以下简称为适配人员，即fitter)可通过如键盘、鼠标、触摸屏、计算装置的按钮等的用户接口设置在20公里/小时的风速的情况下以20公里/小时的速度以百分之2(即，2％)的坡度骑车50公里的第一情境，且识别第一位骑士的右膝受过伤，且第一位骑士的柔软度和身体素质条件相对较差。因此，处理器140可基于这些情境参数设置或计算用于第一情境的评估因子的权重。

举例来说，在第一情境下，通过将适当命令发送到对应马达124e到马达124f，处理器140可将适配平台的倾斜程度调整为2％。另外，基于历史数据、实验结果、计算机模拟或基于AI的分析，处理器140可决定生物力学效率是最重要的因子，且用户舒适度是最不重要的因子。因此，机械效率因子的权重配置为0.3，生物力学效率因子的权重可配置为0.5，且用户舒适度因子的权重配置为0.2。

因此，处理器140可将速度与有效力的比用作机械效率因子，将每心率的功率输出作为生物力学效率因子，且将座垫的峰值压力值为作用户舒适度因子。接着，在标准化处理之后，可通过标准化因子的加权和来获得每一样本位置的分数。

对于另一实例，当为第二位骑士进行适配时，适配人员可通过如膝上型计算机或智能手机的用户接口设置在10公里/小时的风速的情况下以30公里/小时的速度在平坦道路骑行50公里的第二情境，且识别第二位骑士没有受伤历史，且第二位骑士的柔软度和身体素质条件相对良好。因此，处理器140可基于这些情境参数设置或计算用于第二情境的评估因子的权重。因此，处理器140可基于不同骑士的特定条件进行个性化适配，或为同一骑士提供对应于不同自行车路线或不同天气条件的不同适配设定。

在第二情境下，处理器140可决定用户舒适度是最重要的因子，而机械效率和生物力学效率不太重要。因此，机械效率因子的权重配置为0.2，生物力学效率因子的权重可配置为0.2，且用户舒适度因子的权重配置为0.6。

因此，处理器140可将有效力与合力的比作为机械效率因子，将每EMG振幅的功率输出作为生物力学效率因子，且可将由用户输入的主观舒适度分数作为用户舒适度因子应用。接着，在标准化处理之后，可通过标准化因子的加权和来获得每一样本位置的分数。

应注意，可将各种指标用作评估因子，基于这些评估因子将传感器安装于系统100中。举例来说，处理器140可初始地决定机械效率因子的权重为0.3，生物力学效率因子的权重为0.5，且用户舒适度因子的权重为0.2。在具有功率传感器111和动作传感器113的系统100中，机械效率因子可为有效力与合力的比，且生物力学效率因子可为骑车姿势指标。另外，如果基于系统100中的传感器无法获得适当的指标作为用户舒适度因子(例如，用户舒适度因子的权重可设置为0)，那么可将机械效率因子和生物力学效率因子的权重分别按比例调整为0.375和0.625。

在各种实施例中，上文所论述的对应权重可使用各种方法确定。举例来说，对应表(mapping table)可存储在存储器装置130中，以基于由用户提供的情境参数来决定每一评估因子的对应权重。换句话说，评估因子的不同加权组合可存储在存储器装置130中的数据库中。因此，处理器140可存取数据库以选择匹配情境参数的加权组合以决定对应权重。在一些其它实施例中，可整合各种人工智能(Artificial Intelligence；AI)或机器学习(Machine Learning；ML)算法或应用大数据分析的实验结果，以确定每一评估因子的对应权重。

因此，系统100可计算用户在特定座垫位置处骑车的整体分数。在适配过程期间，系统100可沿着x轴和y轴两者调整座垫位置，且重复感测操作和计算，以在不同位置处依序获得对应分数，以决定用户的合适或优化的座垫位置。类似地，在一些实施例中，系统100可进行类似操作以决定用户的合适或优化的把手位置。

参考图2A，其示出与本揭示内容的一些实施例一致的自行车适配的示范性叠代过程。如图2A中所示出，在一些实施例中，系统100可通过叠代过程优化座垫位置。在第一次叠代的运算中，将用于调整的可能区200划分成包含九个候选区域(例如，左上、上、右上、左中、中、右中、左下、下以及右下区域的区域210到区域290)的3×3矩阵。举例来说，座垫152可沿着纵向方向或垂直方向在45毫米×45毫米的正方形区域内移动，且区域210到区域290中的每一个是15毫米×15毫米的正方形。在一些实施例中，座垫152可在100毫米×100毫米的正方形区域内移动。通过在用户踩踏板期间调整座垫位置，系统100被用于获得评估因子且相应地在每一区域210到区域290的中心位置处计算加权分数。通过对区域210到区域290的分数进行比较，系统100可将具有最高分数的右中区域260识别为所选择区域。

接着，系统100可再次将所选择区域(例如，区域260)划分为九个候选子区域(例如，左上、上、右上、左中、中、右中、左下、下以及右下区域的子区域261到子区域269)。举例来说，子区域261到子区域269中的每一个是5毫米×5毫米的正方形。类似地，系统100被用于获得评估因子，且相应地在每一子区域261到子区域269的中心位置处计算加权分数。通过对子区域261到子区域269的分数进行比较，系统100可将具有最高分数的左上子区域261识别为所选择区域。在一些实施例中，可多次重复上文所描述的叠代过程，直到发现最优选座垫位置为止。举例来说，如果子区域261中的所有子区域2611到子区域2619的中心位置处的分数基本上相同或介于阈值范围内(例如，±1％、±5％、±10％等)，那么系统100可终止叠代过程，且将子区域261的中心位置(例如，子区域2615的中心位置)配置为最优选座垫位置。在一些其它实施例中，如果当前叠代周期中的子区域的尺寸达到某一特定阈值(例如，3毫米×3毫米)，那么也可终止上文所描述的叠代过程。

通过调整把手位置和计算对应分数，上文所论述操作也可应用于确定优化的把手位置。换句话说，系统100可首先决定优化的座垫位置，且随后进行类似的叠代运算过程以决定优化的把手位置。在一些其它实施例中，系统100也可首先决定优化的把手位置，且随后进行类似的叠代运算过程以确定优化的座垫位置。

应注意，图2A中的实施例仅为实例且非意图限制本揭示内容。对本领域的技术人员而言显而易见的是，可以对叠代过程作出各种修改和变化。举例来说，在一些实施例中，候选区域的数目和其形状可基于不同配置来修改。举例来说，用于任何叠代周期的候选感兴趣区域可划分为M×N矩阵，其中M和N为任意整数，或划分为不同类型的多边形形状，如三角形子区域或六边形子区域等。

参考图2B到图2E，其分别示出与本揭示内容的一些其它实施例一致的当座垫152或把手154定位于候选区域处时运动参数是否落在机械效率、肌电图振幅、生物力学效率以及舒适度的对应优选范围内。如图2B中所示出，区域260、区域270、区域280以及区域290为满足机械效率的优选范围的区域。如图2C中所示出，区域230、区域260以及区域290为满足肌电图振幅的优选范围的区域。如图2D中所示出，区域260、区域280以及区域290为满足生物力学效率的优选范围的区域。如图2E中所示出，区域230、区域250以及区域260为满足用户舒适度的优选范围的区域。因此，通过考虑这些因子，系统100也可通过评估由位置传感器112和动作传感器113测量的数据将右中区域260识别为所选择区域。通过重复上文所描述的叠代过程，系统100可优化座垫位置或把手位置。

参考图3，其为是与本揭示内容的一些实施例一致的自行车适配的示范性方法300的流程图。方法300可通过自行车适配系统(例如图1A中的系统100)进行，但本揭示内容不限于此。在一些实施例中，处理器140可被用于执行存储在存储器装置130中的指令，以使得系统100进行自行车适配方法300的步骤。

在步骤S310中，处理器140接收情境参数，所述情境参数可包含与由骑士或适配人员经由用户接口提供的用户的骑行期间、骑车性能、受伤参数、骑乘环境、体适能信息或其任意组合相关联的信息。

在步骤S320中，处理器140根据接收到的情境参数决定评估因子的对应权重。在一些实施例中，评估因子包含与踩踏的机械效率相关联的因子、与踩踏的生物力学效率相关联的因子，或与用户在踩踏期间的舒适度相关联的用户舒适度因子。

在一些实施例中，用于评估因子的多个加权组合可存储在数据库中。处理器140可存取数据库以选择匹配一或多个情境参数的加权组合以决定对应权重。

在步骤S330中，处理器140在感兴趣区域中选择多个位置。举例来说，处理器140可将感兴趣区域划分为子区域，且选择子区域内的对应样本点作为所选择位置。在一些实施例中，处理器140可将感兴趣区域划分为M×N矩阵，M和N为任意整数。M×N矩阵的每一单元(例如，图2A中的第一次叠代运算中的区域210到区域290、第二次叠代运算中的子区域261到子区域269或第三次叠代运算中的子区域2611到子区域2619)包含样本点中的一个。

在步骤S331中，在用户踩踏板时，处理器140控制对应马达124a到马达124d以将座垫或把手移动到目标位置。在步骤S332中，当将座垫或把手定位于目标位置处时，传感器110感测数据且将数据提供到处理器140。在一些实施例中，传感器110包含功率传感器111、踏频传感器117、位置传感器112、动作传感器113、速度传感器114、肌电图传感器115、心率传感器116、压力传感器118、呼吸传感器119、IMU传感器(图1A中未示出)或其任意组合。在步骤S333中，处理器140根据接收到的数据决定评估因子的数值。在步骤S334中，处理器140基于所决定的数值计算目标位置的分数。

在步骤S335中，处理器140确定是否计算了所有位置的分数。如果为否(步骤S335-否)，那么重复地进行步骤S331到步骤S334，直到计算出所有所选择位置的分数为止。接着，如果计算了所有所选择位置(步骤S335-是)，那么在步骤S340到步骤S360中，处理器140根据分数识别优化的子区域或位置。

举例来说，在步骤S340中，处理器140确定所有位置的分数是否基本上相同或在阈值范围内(例如，±1％、±5％、±10％等)。如果为否(步骤S340-否)，那么在步骤S350中，处理器140识别与具有最高分数的样本点相关联的子区域为新的感兴趣区域。可在多个叠代周期中进行步骤S330到步骤350，直到当前叠代周期中的样本点的分数基本上相同或介于阈值范围内。

因此，如果所有位置的分数基本上相同(步骤S340-是)或介于阈值范围内，那么在步骤S360中，处理器140识别当前叠代周期中的感兴趣区域的中心点作为优化位置。通过上文所描述的叠代过程，处理器140可根据计算出的分数从多个位置识别优化位置。

通过将方法300应用于自行车适配，可实现自动适配过程。自行车适配系统可从传感器接收准确的数据且相应地进行计算以获得合适的参数以用于适配评估。与很大程度上依赖于适配人员的经验和个人判断的传统自行车适配程序进行比较，本揭示内容中所公开的自行车适配系提供标准操作程序。因此，可减少适配者的训练时间，且可保证由不同适配人员进行的适配结果的一致性。另外，简化和自动化的适配过程也可减少所需的适配时间，降低由人工过程导致的误差，且提高精确性。因此，可实现更有效且高效率的自行车适配。

图4A是示出与本揭示内容的一些实施例一致的自行车适配的示范性系统400的方框图。与图1A中的系统100进行比较，在系统400中，传感器110进一步包含一或多个惯性测量单元(IMU)传感器415，所述惯性测量单元传感器415可被装设或配戴于骑在适配平台150的用户上。

图4B和图4C示出与本揭示内容的一些实施例一致的在图1B和图1C的示范性适配平台150上踩踏板的骑士。如图4B和图4C中所示出，在一些实施例中，一或多个IMU传感器415a到IMU传感器415d可附着于骑士的头部、背部、手部(在邻近于把手154的位置处)和/或肩部，以用于测量骑士在踩踏期间的运动。如上文所解释，IMU传感器415a到IMU传感器415d可装设或穿戴在一或多个骑士人身用具的一或多个适当位置上，所述骑士人身用具如安全帽、风镜、车衣、车裤、手套、车鞋/靴或骑士身上的任何其它配件。举例来说，IMU传感器415a可安装在骑士的安全帽上以检测头部移动。IMU传感器415b可装设在骑士的车衣上以检测身体移动。IMU传感器415c和IMU传感器415d可装设在骑士的手套上以检测手部移动。

因此，IMU传感器415a到IMU传感器415d可被用于检测骑士于骑行时的身体的偏摆或横向移动或摇晃，并且获得对应数据。在一些实施例中，所获得的数据可经由无线通信传输，且存储在图4A中所示出的系统400的存储器装置130中的数据库中。在一些实施例中，IMU传感器415a到IMU传感器415d为在图3中的自行车适配方法300中使用的传感器。举例来说，在方法300的步骤S332中，IMU传感器415a到IMU传感器415d可感测IMU数据且将IMU数据提供到处理器140，使得处理器140可在S333步骤中根据接收到的IMU数据决定评估因子的数值。如上文所提及，评估因子中的一或多个(如生物力学效率因子或机械效率因子)可基于在适配过程期间所获得的数据来确定或决定。

图5A、图5B以及图5C分别示出与本揭示内容的一些实施例一致的由IMU传感器415a到IMU传感器415d获得的示范性参数。图5A、图5B以及图5C中所示出的参数可用于评估骑士的骑车效率。举例来说，如图5A中所示出，骑士的瞬时位移值d_t和最大位移值d_max可通过由IMU传感器415a到IMU传感器415d检测到的测量数据(例如，指示相对于参考轴510的偏差量/移动的曲线520)来计算和获得。如图5B中所示出，骑士的运动的累积位移值也可通过由IMU传感器415a到IMU传感器415d检测到的测量数据来计算和获得。如图5C中所示出，骑士运动时的速度值v、加速度值a、速度变化值Δv和/或加速度变化值Δa也可通过由IMU传感器415a到IMU传感器415d检测到的测量数据来计算和获得。

通过这些参数，可相应地评估骑士的踩踏效率。在一些实施例中，可基于来自IMU传感器415a到IMU传感器415d的数据来计算生物力学效率因子和/或机械效率因子。举例来说，当骑士于骑行时身体的较小偏差则指示在踩踏期间有较少的功率损耗以及相对提升的生物力学效率因子和/或机械效率因子。

通过接收由IMU传感器415a到IMU传感器415d检测且存储在存储器装置130中的测量数据，处理器140可基于所获得的数据确定生物力学效率因子和/或机械效率因子，且随后进行上文所论述的叠代过程以优化座垫位置或把手位置。

在方法步骤或过程的一般上下文中描述了本文中所描述的各种实例实施例，其可在一个方面中由暂时性或非暂态计算机可读存储介质中包含的计算机程序产品实施，包含由联网环境中的计算机执行的如程序代码的计算机可执行指令。非暂时性存储介质的常见形式包含例如软盘、软磁盘、硬盘、固态驱动器、磁带，或任意其它磁性数据存储介质、CD-ROM、任何其它光学数据存储介质、具有孔洞图案的任何其它物理介质、RAM、PROM和EPROM、快闪-EPROM或任何其它快闪存储器、NVRAM、高速缓冲存储器、寄存器、任何其它存储器芯片或盒带以及其联网版本。通常，程序模块可包含进行特定任务或实施特定抽象数据类型的例程、程序、对象、组件、数据结构等。计算机可执行指令、相关数据结构以及程序模块表示用于执行本文中所公开的方法的步骤的程序代码的实例。这种可执行指令或相关数据结构的特定序列表示用于实施在这些步骤或过程中描述的功能的对应动作的实例。

如本文中所使用，除非另外特定陈述，否则术语“或”应涵盖所有可能组合，惟应排除前述所有可能组合其中不可行的部分。举例来说，如果陈述数据库可包含A或B，那么，除非另外特定陈述或不可行，否则数据库可包含A，或B，或A和B。作为第二实例，如果陈述数据库可包含A、B或C，那么除非另外特定陈述或不可行，否则数据库可包含A或B或C，或A和B，或A和C，或B和C、或A和B以及C。

虽然本揭示内容已以实施方式揭示如上，以使得本领域的技术人员可以更好地理解本揭示内容的各种实施例。本领域技术人员应该理解本揭示内容可用以作为基础来设计或修饰其他步骤和结构以达到与本揭示内容所介绍实施例相同的目的和/或实现相同优点。本领域技术人员亦当理解，等效的结构并不脱离本揭示内容的精神和范围，任何本领域技术人员，在不脱离本揭示内容之精神和范围内，当可作各种更改与润饰，因此本揭示内容的保护范围当视本发明权利要求所界定的为准。