張玉葉

摘 要： 助行機(jī)器人為行動(dòng)不便的老年人提供了身體支撐和行走輔助。在此設(shè)計(jì)的助行機(jī)器人防老年人摔倒系統(tǒng)將人體在站立、行走、摔倒等狀態(tài)所獲得的觸滑覺(jué)信號(hào)、角速度信號(hào)、加速度信號(hào)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和試驗(yàn)樣本。首先在信息層將一種傳感器采集的單一信號(hào)送入局部決策器，進(jìn)行局部處理后再送入融合中心綜合決策，形成多傳感器數(shù)據(jù)融合的防摔預(yù)測(cè)研究，并進(jìn)行了相關(guān)仿真。仿真結(jié)果表明該系統(tǒng)可靠，對(duì)實(shí)現(xiàn)滿足老年人在戶外獨(dú)立、安全行走需求的機(jī)器人開(kāi)發(fā)提供理論及實(shí)驗(yàn)依據(jù)。

關(guān)鍵詞： 助行機(jī)器人； 多傳感器； 數(shù)據(jù)融合； BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TN302?34； TP301.6 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）14?0036?03

0 引 言

中國(guó)人口老齡化形勢(shì)嚴(yán)峻，甚至世界人口正在走向老齡化?？梢灶A(yù)計(jì)，在不遠(yuǎn)的將來(lái)，老年人的護(hù)理將成為社會(huì)的一個(gè)重要負(fù)擔(dān)；而且，可以作為保姆角色的為老年人和殘疾人提供看護(hù)的人員也會(huì)非常短缺，甚至沒(méi)人愿意從事這個(gè)方面的工作；所以，老齡化問(wèn)題所涉及的醫(yī)療和社會(huì)保險(xiǎn)體系也面臨巨大的壓力，助老問(wèn)題正日益成為一個(gè)重大的社會(huì)問(wèn)題；尤其是近年來(lái)，腦卒中發(fā)病已呈“井噴”態(tài)勢(shì)。根據(jù)最新統(tǒng)計(jì)，2012年我國(guó)腦卒中患病率達(dá)1.82%，估算我國(guó)40歲以上的腦卒中患者達(dá)1 036萬(wàn)人。腦卒中患者大多會(huì)留下步履蹣跚，動(dòng)作不協(xié)調(diào)的后遺癥。對(duì)此運(yùn)用Bobath技術(shù)、Brunnstrom技術(shù)，神經(jīng)肌肉本體促進(jìn)技術(shù)等，幫助患者恢復(fù)肌體功能，早日回歸家庭和社會(huì)。腦卒中患者主動(dòng)訓(xùn)練過(guò)程中意外傷害的首要原因是摔倒，意外失足或者某種疾病突然發(fā)作及惡化很可能引起跌倒；在發(fā)生跌倒事件后，如得不到及時(shí)救護(hù)，延誤救助時(shí)機(jī)將危機(jī)生命。因此，研制開(kāi)發(fā)專為老人服務(wù)的產(chǎn)品——防老年人摔倒的助行機(jī)器人，在不影響老年人的正常生活情況下，準(zhǔn)確地將摔倒事件與日常生活事件區(qū)分開(kāi)來(lái)，并且在發(fā)生摔倒事件時(shí)，及時(shí)的報(bào)警聯(lián)系救護(hù)，這對(duì)于提高老年人的生活質(zhì)量，提高醫(yī)療工作的效率，促進(jìn)我國(guó)社會(huì)的穩(wěn)定具有重要作用[1?3]。

1 多傳感器數(shù)據(jù)融合防摔技術(shù)

1.1 多傳感器數(shù)據(jù)融合的摔倒預(yù)測(cè)

多傳感器數(shù)據(jù)融合摔倒預(yù)測(cè)的主要思想是：設(shè)計(jì)基于決策層信息融合的摔倒預(yù)測(cè)系統(tǒng)，即對(duì)每個(gè)傳感器所采集的信息先局部決策，再利用局部決策信息進(jìn)行全局融合，總體思路框圖如圖1所示。

圖1 多傳感器數(shù)據(jù)融合的摔倒預(yù)測(cè)總體框圖

1.2 樣本提取與預(yù)處理[4?5]

使用機(jī)器人過(guò)程中，取站立、行走、摔倒等狀態(tài)所獲得的觸滑覺(jué)信號(hào)、加速度信號(hào)、角速度信號(hào)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和試驗(yàn)樣本。其中觸滑覺(jué)信號(hào)的獲取是使用助行機(jī)器人時(shí)各個(gè)狀態(tài)的觸滑覺(jué)傳感器數(shù)據(jù)。數(shù)據(jù)提取的有效信號(hào)通道數(shù)作為觸滑覺(jué)信號(hào)樣本。角速度信號(hào)的獲取是采集各狀態(tài)的角速度數(shù)據(jù)。

在計(jì)算x，y，z軸的軀干傾角時(shí)，由于y軸軀干傾角變化明顯，所以選取y軸數(shù)據(jù)作為角速度信號(hào)樣本。加速度信號(hào)的獲取是采集摔倒過(guò)程的加速度值組成的加速度時(shí)間序列，訓(xùn)練隱馬爾可夫模型，獲取助行時(shí)的各運(yùn)動(dòng)狀態(tài)的加速度值組成加速度時(shí)間序列，通過(guò)已訓(xùn)練的HMM得到輸出概率P作為樣本。

1.3 局部決策處理[6?7]

摔倒預(yù)測(cè)融合系統(tǒng)首先在信息層將一種傳感器采集的單一信號(hào)送入局部決策器，進(jìn)行局部處理，再送入融合中心綜合決策。多傳感器數(shù)據(jù)預(yù)處理后的值組成一向量為：

[X（n）=[x1（n），x2（n），x3（n）]]

式中：[x1（n），x2（n），x3（n）]分別為有效信號(hào)通道數(shù)、加速度時(shí)間序列的輸出概率P和軀干傾角；局部決策結(jié)果[ui=f[xi-STDi]]。其中：[u1=f[x1-STD1]]，[f（?）]為階躍函數(shù)。當(dāng)局部決策結(jié)果[ui]任意一個(gè)為1時(shí)，則提醒融合中心對(duì)3個(gè)傳感器的信息進(jìn)行數(shù)據(jù)融合得出是否有摔倒傾向。

這種方法具有兩個(gè)優(yōu)點(diǎn)：其一是局部決策沒(méi)有異常時(shí)不送入融合中心，減輕融合中心數(shù)據(jù)處理工作量；其二是一旦有異常就進(jìn)行數(shù)據(jù)融合檢測(cè)摔倒傾向，最大限度的實(shí)現(xiàn)摔倒的預(yù)測(cè)。

1.3.1 基于觸滑覺(jué)信號(hào)的摔倒預(yù)測(cè)

助行機(jī)器人觸滑覺(jué)扶手上有6個(gè)觸滑覺(jué)傳感器。一般在正常行走時(shí)有2個(gè)有效信號(hào)通道數(shù)。人在摔倒時(shí)可能出現(xiàn)手脫離扶手，此時(shí)信號(hào)通道數(shù)為0；或者本能的緊握住扶手，則出現(xiàn)多個(gè)信號(hào)通道數(shù)。算法流程如圖2所示。

1.3.2 基于角速度信號(hào)的摔倒預(yù)測(cè)

軀干傾角報(bào)警門(mén)限STD[θp]的選取方法：取摔倒行為過(guò)程中合加速度曲線距離第一次峰值300 ms時(shí)的軀干傾角作為集合；選取日常行走過(guò)程數(shù)據(jù)樣本軀干傾角為集合，使用SVM算法進(jìn)行分類。特征空間維數(shù)為 n=1。最優(yōu)分類界面實(shí)質(zhì)上是一個(gè)點(diǎn)，即[y=b]。通過(guò)SVM計(jì)算得最優(yōu)分類超平面[θp=28.3°]，算法流程如圖3所示，其中[θp]為軀干傾角閾值，運(yùn)用SVM支持向量機(jī)對(duì)摔倒行為和行走行為進(jìn)行分類，取最優(yōu)分類界面上的值作為傾角閾值[8?9]。

[ 圖2 觸滑覺(jué)信號(hào)的摔倒預(yù)測(cè) 圖3 角速度信號(hào)摔倒預(yù)測(cè)]

1.3.3 基于加速度信號(hào)的摔倒預(yù)測(cè)

基于加速度信號(hào)的摔倒預(yù)測(cè)算法流程如圖4所示。閾值P1的選擇應(yīng)該位于日常生活中對(duì)HMM模型λ的輸出概率最高值，與摔倒運(yùn)動(dòng)過(guò)程對(duì)HMM模型λ的輸出概率的最低值之間。

經(jīng)過(guò)多次實(shí)驗(yàn)數(shù)據(jù)仿真得到加速度曲線和輸出概率曲線，如圖5所示。由仿真結(jié)果可以看出，選擇[log P1=-25]。

1.4 決策層的數(shù)據(jù)融合實(shí)現(xiàn)

融合中心采用BP神經(jīng)網(wǎng)絡(luò)，在此設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、選取網(wǎng)絡(luò)參數(shù)和算法。利用訓(xùn)練樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)采用3層BP神經(jīng)網(wǎng)絡(luò)。輸入層分別是歸一化的觸滑覺(jué)信號(hào)、歸一化的加速度信號(hào)和歸一化的角速度信號(hào)。

隱蔽層數(shù)目的選取可按下面經(jīng)驗(yàn)公式獲得[nH=nI+no+n，]根據(jù)公式取[nH=10]，輸出層有2個(gè)神經(jīng)元，對(duì)應(yīng)摔倒的概率和安全的概率。采用改進(jìn)的BP算法，即采用自適應(yīng)學(xué)習(xí)速率和附加動(dòng)量法相結(jié)合的算法。

圖4 加速度信號(hào)摔倒預(yù)測(cè)

圖5 摔倒預(yù)測(cè)報(bào)警門(mén)限STD（P1）的選取

2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立

輸入層數(shù)目為3，隱含層數(shù)目為10，輸出層數(shù)目為1。采用改進(jìn)的BP算法，即采用自適應(yīng)學(xué)習(xí)速率和附加動(dòng)量法相結(jié)合的算法[10]。訓(xùn)練樣本的組成：摔倒時(shí)單手握住扶手10組，摔倒時(shí)雙手緊握扶手10組，摔倒時(shí)脫手10組，正常行走10組。其中摔倒的數(shù)據(jù)采用的是在摔倒與地面沖擊前300 ms的，軀干傾角值和經(jīng)過(guò)HMM輸出的概率值及觸滑覺(jué)信號(hào)狀態(tài)。BP網(wǎng)絡(luò)輸出值，摔倒時(shí)為0.9，正常時(shí)為0.1。訓(xùn)練樣本部分?jǐn)?shù)據(jù)表1所示。

表1 BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練樣本數(shù)據(jù)

利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，在多次仿真實(shí)驗(yàn)后得到較好的實(shí)驗(yàn)結(jié)果，神經(jīng)網(wǎng)絡(luò)的誤差收斂狀況見(jiàn)圖6。樣本集當(dāng)中一般很少出現(xiàn)互反的樣例，不然樣本集就有問(wèn)題了。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法本來(lái)就是不穩(wěn)定的，這與訓(xùn)練樣本有很大的關(guān)系，從圖6的神經(jīng)網(wǎng)絡(luò)誤差曲線的收斂狀況來(lái)看，訓(xùn)練樣本集的選取以及改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法基本合理。

圖6 神經(jīng)網(wǎng)絡(luò)的誤差收斂狀況

神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的權(quán)值和閾值如下：

網(wǎng)絡(luò)訓(xùn)練以后，輸入測(cè)試樣本，表2對(duì)期望值和實(shí)際輸出值進(jìn)行了比較。

表2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練前后期望值和實(shí)際值

4 結(jié) 論

步履蹣跚的老年人以及腦卒中患者步態(tài)訓(xùn)練時(shí)都離不開(kāi)助行機(jī)器人，防摔系統(tǒng)將人體在站立、行走、摔倒等狀態(tài)所獲得的觸滑覺(jué)信號(hào)、加速度信號(hào)、角速度信號(hào)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和試驗(yàn)樣本，首先在信息層將一種傳感器采集的單一信號(hào)送入局部決策器，進(jìn)行局部處理后再送入融合中心綜合決策，形成多傳感器數(shù)據(jù)融合防摔預(yù)測(cè)研究，滿足老年人在戶外獨(dú)立、安全行走的需求；并且對(duì)所采用的防摔倒預(yù)測(cè)方法進(jìn)行了算法樣本的提取與試驗(yàn)，關(guān)鍵點(diǎn)進(jìn)行了仿真。仿真結(jié)果顯示：所采用的訓(xùn)練樣本集的選取以及改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法基本合理有效，從神經(jīng)網(wǎng)絡(luò)訓(xùn)練前后期望值和實(shí)際輸出值比較結(jié)果來(lái)看BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法有效。

參考文獻(xiàn)

[1] 魏曉娟.一種觸滑覺(jué)控制的助行服務(wù)機(jī)器人[J].電子世界，2014（3）：80?81.

[2] 馬培錚.老齡社會(huì)背景下智能家庭機(jī)器人系統(tǒng)的必要性研究[J].現(xiàn)代家電，2012（20）：42?43.

[3] 王云霞，張小棟.一種福利友好的助行機(jī)器人設(shè)計(jì)[C]//2008年第三界北京國(guó)際康復(fù)論壇論文集.北京：中國(guó)康復(fù)醫(yī)學(xué)會(huì)， 2008：673?677.

[4] 常曉軍.老年人群意外跌倒過(guò)程中的身體姿態(tài)感知技術(shù)研究[D].西安：西北大學(xué)，2011.

[5] 薛源，高向陽(yáng).基于多傳感器信息融合的跌倒監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].武漢理工大學(xué)學(xué)報(bào)：信息與管理工程版，2011，33（5）：712?716.

[6] 吳艷.多傳感器數(shù)據(jù)融合算法研究[D].西安：西安電子科技大學(xué)，2003.

[7] 牟文杰，葉凌云.基于多傳感器融合的車(chē)載航位推算系統(tǒng)[J].傳感器與微系統(tǒng)，2015，34（1）：94?96.

[8] 陳貴亮，李長(zhǎng)鵬，劉更謙.下肢外骨骼康復(fù)機(jī)器人的自適應(yīng)控制研究[J].制造業(yè)自動(dòng)化，2012（24）：5?9.

[9] 金純，伊遠(yuǎn)陽(yáng).一種基于統(tǒng)計(jì)學(xué)判別分析的老人摔倒檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用研究，2014，31（1）：90?91.

[10] 崔翰文，欒石圳南，李遠(yuǎn)帆，等.空巢老人手機(jī)用戶的精準(zhǔn)識(shí)別[J].數(shù)學(xué)建模及其應(yīng)用，2014（1）：49?51.

[11] 李松，羅勇，張銘銳.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2011（29）：53?55.