，，

(廣州大學 華軟軟件學院，廣州 510990)

引 言

隨著智慧醫(yī)療時代的到來，養(yǎng)老護老工作已經(jīng)上升到了一個新層面，越來越多的可穿戴老年人健康監(jiān)測設(shè)備如智能手環(huán)、智能手表等應運而生，為緩解養(yǎng)老護老難題提供了有力的保障[1]。將多種異質(zhì)傳感器采集的生理信號通過數(shù)據(jù)融合技術(shù)進行融合處理以提高老人智能手環(huán)檢測的準確度具有較高的實用價值和研究價值，參考文獻[2]～[7]分別從多個方面探討了異質(zhì)傳感器數(shù)據(jù)融合技術(shù)在可穿戴設(shè)備上的應用。BP算法是目前比較流行的一種提高數(shù)據(jù)檢測準確性的數(shù)據(jù)融合方法，由于傳統(tǒng)BP算法收斂慢，容易陷入極值導致檢測不穩(wěn)定，在實際應用中出現(xiàn)了一系列有針對性的改進方案。參考文獻[8]在標準BP算法的基礎(chǔ)上加入動量項以盡量提高訓練速度，但學習率卻保持不變，而在實際應用中不變的學習率是很難確定的；參考文獻[9]在傳統(tǒng)BP算法的基礎(chǔ)上增加了動量項和自適應調(diào)節(jié)學習率兩項因子，但沒有考慮到動量因子這個因素，實際上動量因子的大小與算法的收斂性兩者關(guān)系非常密切，較大時穩(wěn)定性就較差，較小時收斂速度變慢。若在學習過程中能自適應調(diào)整動量因子，就可以提高算法的收斂性和穩(wěn)定性?；诖?，本文將自適應學習率和自適應動量項兩種方法結(jié)合在一起，構(gòu)建雙自適應BP神經(jīng)網(wǎng)絡(luò)，解決傳統(tǒng)BP算法的不足，并將該方案應用到老年人智能手環(huán)中，從而提高手環(huán)系統(tǒng)報警的準確率，減少誤判的發(fā)生。

1 傳統(tǒng)BP算法

BP算法是一種多層前饋反向傳播的有導師學習[10]的算法，使用最普遍的迭代法和梯度下降法來調(diào)整網(wǎng)絡(luò)權(quán)值以便網(wǎng)絡(luò)具有學習記憶的能力。學習過程分為正向傳播和逆向傳播過程。首先，通過正向傳播將輸入層的現(xiàn)有權(quán)值傳輸至輸出層，計算實際輸出與期望輸出之間的誤差，然后再把誤差逐層逆向傳播至輸入層，并適當調(diào)整各層參數(shù)直至網(wǎng)絡(luò)收斂。一個典型的3層BP網(wǎng)絡(luò)模型如圖1所示。

圖1 典型3層BP網(wǎng)絡(luò)模型

為了描述方便，這里假設(shè)標準BP網(wǎng)絡(luò)的輸入集X=[x1，x2，……，xn]T，輸出集Y=[y1，y2，……，yn]T，Hi=[h1，h2，……，hm]T是隱含層結(jié)點集合，Vij代表第i個輸入神經(jīng)元與第j個隱含層神經(jīng)元之間的權(quán)重，Wij表示第i個隱含層神經(jīng)元與第j個輸出層神經(jīng)元之間的權(quán)重，期望輸出向量為D。

BP算法屬于多層前饋反向傳播算法，根據(jù)輸入信息，由輸入層到輸出層的方向從前向后計算，得到輸出層每個單元的輸出。為了使神經(jīng)元的具體值能夠通過函數(shù)保留并映射出來，采用sigmoid函數(shù)作為激活函數(shù)。激活函數(shù)為：

(1)

再從后向前反向計算每一層輸出結(jié)果和期望值之間的差異，將這個殘差返回給整個網(wǎng)絡(luò)，進而更新每個權(quán)值。權(quán)值更新的法則為：

wji(k)=wji(k)+Δwji

(2)

BP網(wǎng)絡(luò)權(quán)值調(diào)整方案的目的是使網(wǎng)絡(luò)實際輸出與目標輸出之間的均方誤差(MSE)在期望范圍之內(nèi)。定義均方誤差E的目標函數(shù)為：

(3)

因此，為了使均方誤差函數(shù)最小化，對于網(wǎng)絡(luò)中的每個權(quán)值Wji，對其求導：

(4)

因為：

(5)

(6)

且根據(jù)激活函數(shù)sigmoid函數(shù)的如下重要性質(zhì)：

(7)

所以有：

(8)

因而：

(9)

進而式(4)可以寫成：

(10)

因BP算法采用梯度下降法改變權(quán)值，權(quán)值的改變朝著負梯度方向，于是有權(quán)值改變量：

η(dj-yj)yj(1-yj)xji

(11)

其中，η為學習步長，也就是學習率，令：δji=(dj-yj)yj(1-yj)，則：

Δwji=ηδjixji

(12)

因此， 式(2)的權(quán)值更新法則修改如下：

wji(k+1)=wji(k)+ηδjixji

(13)

從式(13)可以看出，標準BP算法屬于簡單的最速下降尋優(yōu)法，在修正某時刻某神經(jīng)元的權(quán)重時，與網(wǎng)絡(luò)的學習率η有關(guān)，權(quán)值修正是僅沿著某一時刻的負梯度方向進行，沒有將前一時刻的經(jīng)驗考慮進去，從而使網(wǎng)絡(luò)學習過程中發(fā)生振蕩，收斂緩慢，容易陷入局部極值。

2 雙自適應BP算法

有動量的梯度下降法可以降低網(wǎng)絡(luò)對于誤差曲面局部細節(jié)的敏感性，減小學習過程的振蕩趨勢，但未考慮動量因子這個因素，導致容易陷入極值[11]；有自適應學習率的梯度下降法能夠自適應調(diào)整學習率，從而增加穩(wěn)定性。本文將兩種方法結(jié)合在一起，采用自適應動量法和自適應學習率調(diào)整的策略構(gòu)建雙自適應BP神經(jīng)網(wǎng)絡(luò)，改善傳統(tǒng)BP算法不穩(wěn)定、易陷入極值的缺陷，進而使BP網(wǎng)絡(luò)快速收斂并提高穩(wěn)定性。

2.1 學習率自適應調(diào)整法

從式(13)可以看出，在修正k時刻第j個神經(jīng)元的權(quán)重Wji時，與網(wǎng)絡(luò)的學習率η有關(guān)。標準BP算法收斂慢的一個重要原因是學習率選擇不當[12-13]。為了解決這一問題，本文設(shè)計了一種學習速率自適應調(diào)整的方法，主要思想是根據(jù)誤差的大小自動調(diào)整學習速率，這樣能使算法的學習速率根據(jù)誤差數(shù)值而自適應，使得學習穩(wěn)定，誤差降低，自適應學習速率的調(diào)整機制為：

其中E為BP網(wǎng)絡(luò)總體誤差，η為網(wǎng)絡(luò)學習速率，k為網(wǎng)絡(luò)訓練次數(shù)。

2.2 自適應動量法

同樣，從式(13)可以看出，標準的BP算法按當前時刻的負梯度方向修正某個神經(jīng)元的權(quán)重，未考慮以前積累的經(jīng)驗，為了提高BP算法的收斂速度和精度，本文從BP神經(jīng)網(wǎng)絡(luò)算法中引入動量項和動量因子，讓當前時刻的權(quán)值更新部分依賴于前一時刻的權(quán)值，得到新的自然梯度算法：

wji(k+1)=wji(k)+η(1-η)δjixji+αΔwji(k-1)

(14)

式中，Δwji(k-1)為動量項，α為動量因子。為使算法收斂，|α|<1。當動量因子取值較大時，收斂速度較快，但穩(wěn)態(tài)誤差也偏大，取值較小時，收斂速度變慢，穩(wěn)態(tài)誤差偏小[14]。因此，本文采用動態(tài)的動量因子，使動量因子也自適應變化。自適應調(diào)整動量因子α的策略為：

其中E為BP網(wǎng)絡(luò)總體誤差，k為網(wǎng)絡(luò)訓練次數(shù)，α為動量因子，η為學習率。

3 實例仿真分析

3.1 智能手環(huán)多傳感器數(shù)據(jù)融合原理

隨時監(jiān)測老人體溫、心率、血壓情況，預防突發(fā)情況的發(fā)生，是可穿戴設(shè)備的必備功能。為了使手環(huán)能夠準確檢測體征數(shù)據(jù)并及時響應，本文使用雙自適應BP神經(jīng)網(wǎng)絡(luò)構(gòu)建一個健康狀態(tài)監(jiān)測系統(tǒng)，對多傳感器測量到的實時體征數(shù)據(jù)進行信息融合處理，提高系統(tǒng)數(shù)據(jù)檢測的準確性和系統(tǒng)反應的及時性。系統(tǒng)將人體常見的4個體征參數(shù)(體溫、心率、收縮壓、舒張壓)經(jīng)信號處理后輸入到數(shù)據(jù)融合中心，利用樣本數(shù)據(jù)進行訓練，并在系統(tǒng)的中間層完成數(shù)據(jù)融合，最后由系統(tǒng)智能判斷出老人現(xiàn)在的身體狀況。身體狀況分為正常和危險兩個等級。若認為身體狀況危險，則系統(tǒng)自動報警，并發(fā)送信息給老人的親屬或醫(yī)生。數(shù)據(jù)融合原理如圖2所示。

圖2 數(shù)據(jù)融合原理

3.2 BP網(wǎng)絡(luò)模型及參數(shù)設(shè)計

網(wǎng)絡(luò)依據(jù)訓練樣本的輸入、輸出維度來決定網(wǎng)絡(luò)的輸入和輸出節(jié)點數(shù)，由于輸入數(shù)據(jù)維數(shù)為4，即為4類體征信息，輸出數(shù)據(jù)維數(shù)為1，即為該系統(tǒng)的報警信息。最終確定了網(wǎng)絡(luò)的輸入節(jié)點個數(shù)為4，輸出節(jié)點個數(shù)為1，根據(jù)式(15)且根據(jù)經(jīng)驗隱含層數(shù)通常取輸入層數(shù)的1.2～1.5倍，最后通過不斷仿真實驗最終確定隱含層個數(shù)為6，因此構(gòu)建了4-6-1三層BP神經(jīng)網(wǎng)絡(luò)。本網(wǎng)絡(luò)隱含層和輸出層節(jié)點傳輸函數(shù)分別為logsig函數(shù)和purelin函數(shù)，訓練函數(shù)選用梯度下降自適應學習率的traingdx函數(shù)，學習函數(shù)選用系統(tǒng)默認的動量梯度下降權(quán)值和閾值學習的learngdm函數(shù)，并要求網(wǎng)絡(luò)誤差目標值為0.01，訓練次數(shù)為500次，學習速率設(shè)置為0.01，動量因子設(shè)置為0.95。其結(jié)構(gòu)如圖3所示。

(15)

其中，k為隱含層節(jié)點個數(shù)，n為輸入節(jié)點個數(shù)，a為取值為1～10的正整數(shù)。

圖3 可穿戴設(shè)備的BP神經(jīng)網(wǎng)絡(luò)模型

3.3 仿真與分析

為了使神經(jīng)網(wǎng)絡(luò)獲得準確有效的樣本數(shù)據(jù)供其學習，首先需要有判斷人體健康狀態(tài)的基本依據(jù)和指標。根據(jù)參考文獻[15]可知，人體正常體溫范圍為36～37.5 ℃，體溫38～38.9 ℃為中熱，39～40.9 ℃為高熱，體溫低于35.5 ℃稱為體溫過低，體溫過低過高都與感染性疾病有很大聯(lián)系，需要及時治療。正常人的心跳一般為60～100 bpm，心率過快(≥160 bpm)或過慢(≤60 bpm)，大多見于心臟病病人，應及早檢測并預防。血管內(nèi)血液對血管壁的壓力稱為血壓，當收縮壓在21.3 kPa以上而舒張壓在12.7 kPa以上時，稱為高血壓，收縮壓低于12 kPa而舒張壓低于6.6 kPa時，稱為低血壓。持續(xù)的高血壓和低血壓狀態(tài)多見于嚴重病癥，應及時檢測并預防。

綜合以上體溫、心率、血壓的危險評判標準，本文選用由RFID智能手環(huán)采集的100個測試樣本，對可穿戴設(shè)備從各種實驗環(huán)境中采集的70組數(shù)據(jù)進行人工判斷其危險程度，并生成樣本作為訓練樣本數(shù)據(jù)使用，剩下的 30 個作為測試樣本送入BP神經(jīng)網(wǎng)絡(luò)中，將神經(jīng)網(wǎng)絡(luò)融合后的輸出結(jié)果值y作為報警依據(jù)，并設(shè)定當|y|<0.8時不報警，當|y|>0.8時報警。

圖4、圖5、圖6是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓練效果圖、收斂圖及預測誤差圖。

圖4 傳統(tǒng)BP網(wǎng)絡(luò)訓練圖

圖5 傳統(tǒng)BP網(wǎng)絡(luò)收斂圖

圖6 傳統(tǒng)BP網(wǎng)絡(luò)預測誤差圖

從上述3幅圖中可以看到，選用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)融合時，迭代到第36次時才能達到預設(shè)精度，預測輸出與實際輸出相差9，識別率為70%。

圖7、圖8是基于雙自適應的BP神經(jīng)網(wǎng)絡(luò)收斂圖和預測誤差圖。表1是改進后的雙自適應BP神經(jīng)網(wǎng)絡(luò)30組測試數(shù)據(jù)融合結(jié)果表。從圖7、圖8中可以看到，基于雙自適應BP神經(jīng)網(wǎng)絡(luò)達到小于設(shè)定誤差0.01 的要求需要12步的訓練，比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的收斂速度更快，網(wǎng)絡(luò)預測輸出與實際輸出相差為2，識別率為93.3%。

圖7 雙自適應BP神經(jīng)網(wǎng)絡(luò)訓練收斂圖

通過對比發(fā)現(xiàn)，使用改進的數(shù)據(jù)融合算法降低了網(wǎng)絡(luò)的迭代次數(shù)，在更短時間內(nèi)可以把誤差減小到所需要的范圍，網(wǎng)絡(luò)識別準確度明顯提高。因此，從實驗結(jié)果數(shù)據(jù)看，改進的算法效果更好，更能適合智能手環(huán)快速響應、準確報警的需求，減少誤判的發(fā)生。

圖8 雙自適應BP神經(jīng)網(wǎng)絡(luò)預測誤差圖

結(jié) 語

表1 30組數(shù)據(jù)融合結(jié)果表