夏倫騰 ，張 莉 *

（1. 中南民族大學生物醫(yī)學工程學院，武漢430070； 2. 中南民族大學檢測與儀器校級工程中心，武漢430070）

0 引言

根據時代數據2016 年統(tǒng)計數據表明，我國盲人數量1 731 萬，占全國總人口數量的1.26%，目前我國存在視力障礙的人數居世界第一［1］。由于盲人的視力障礙，他們摔倒或者迷路走丟的情況時有發(fā)生，而一旦發(fā)生摔倒之類的安全問題，很容易錯過最佳的救助時間，對身體造成永久性的損害。在日常生活中，盲人使用的手杖功能單一［2］，這種手杖不能保證盲人的出行安全，同時盲人的監(jiān)護人也不能實時了解盲人的身體狀況和地理位置等情況。針對如今日益復雜的路面情況和交通狀況，如何設計一款能夠幫助盲人日常安全出行，并且能夠實時監(jiān)護盲人身體姿態(tài)信息和定位的盲人智能手杖系統(tǒng)，具有極大的應用價值。

物聯網的概念在1999年被正式提出［3］，顧名思義就是“物與物相連的互聯網”，其用戶端延伸和擴展到了人和物之間進行信息交換和通信，目前國內對物聯網的定義是：通過傳感器無線射頻識別技術、全球定位系統(tǒng)等信息傳感設備，按約定協(xié)議，把任何物品和互聯網連接起來進行信息交換和通信，以實現智能化識別、定位、跟蹤、監(jiān)控和管理的一種網絡。機器學習方法在20 世紀80 年代被提出［4］，在如今互聯網時代，數據量的累積是海量的，目前由海量數據構成的大數據時代已經到來，機器學習方法在大數據挖掘中起著重要的作用，因此，如何融合物聯網技術與機器學習算法是當今物聯網技術面臨的重要技術問題之一。在操作用戶應用方面，傳統(tǒng)上大部分家庭安全系統(tǒng)操作監(jiān)護界面都是利用手機應用或者計算機應用，目前微信已經成為了我們日常生活中一個必不可少的通信工具，很多人的關系鏈已經從通信錄轉移到了微信，所以在微信小程序上的監(jiān)測可能會在一定程度上優(yōu)于傳統(tǒng)的計算機端。

本文提出了一種基于K 近鄰（K-Nearest Neighbor，KNN）和動態(tài)時間規(guī)整（Dynamic Time Warping，DTW）算法的盲人物聯網手杖系統(tǒng)，集傳感器、物聯網通信、機器學習和微信小程序為一體，是一款具備避障、定位、報警、通信和監(jiān)護等多功能的集成系統(tǒng)，并且集成了微信小程序作為監(jiān)護操作界面。該系統(tǒng)能夠為盲人出行的便利和安全性提供有效的解決方案，在盲人出現摔倒或者迷路的情況時可以第一時間借由一個按鍵通過互聯網進行遠程求助，監(jiān)護人則可以通過微信小程序查看盲人的安全情況。

1 系統(tǒng)方案設計

盲人物聯網手杖系統(tǒng)總體框架如圖1 所示，主要包括手杖（硬件）端、云端服務器和用戶端三部分。通過物聯網技術將一個單純的輔助工具——盲人手杖與互聯網相連，通過云端服務器的數據存儲功能供用戶端調取查詢，用戶端則利用目前的輕量級應用——微信小程序［5-6］作為核心的監(jiān)護操作上位機。三個部分功能實施的具體內容如下：

1）手杖（硬件）端的功能包括：利用紅外線傳感器實現的避障，通過電位器調節(jié)的超聲波避障，語音求助和遠程通過全球移動通信系統(tǒng)（Global System for Mobile communications，GSM）求助，以及全球定位系統(tǒng)（Global Positioning System，GPS）和加速度計陀螺儀傳感數據的采集、處理和傳輸。

2）云端服務器的功能包括：域名注冊、域名解析、網站備案以及云服務器的搭建和數據庫存儲功能的實現、云函數的創(chuàng)建和調用、云端服務器應用程序接口（Application Programming Interface，API）和HTTP API的調用［7］。

3）微信小程序的微信標記語言（WeiXin Markup Language，WXML）、微信樣式表（WeiXin Style Sheets，WXSS）和Java Script架構的編寫。功能包括：調用服務器數據庫中的GPS 定位數據信息、陀螺儀加速度計采集的傳感信息數據和姿態(tài)報警信號數據，從而實現遠程定位監(jiān)護、監(jiān)護盲人姿態(tài)信息［8］以及遠程報警功能。另外還有異地天氣查詢、盲人安全新聞資訊和家庭成員登錄等附加功能的設計。

2 系統(tǒng)硬件設計

盲人物聯網手杖系統(tǒng)的硬件端設計如圖2 所示，以STM32F4103ZET6為核心處理器，集合了各類傳感器：

1）紅外線傳感避障模塊：本文采用的是以LM393 電壓比較器為基礎的紅外線避障模塊，位于盲人手杖的最前端。該模塊對環(huán)境光線適應能力強，具有一對紅外發(fā)射與接收管，發(fā)射管發(fā)射一定頻率的紅外線，當檢測方向遇到障礙物時，紅外線反射回來被接收管接收，經過電壓比較器處理之后，模塊綠色LED 燈亮起，模塊輸出端便會輸出邏輯低電平，觸發(fā)語音播放模塊的提示語音及手柄處的震動電機提醒，其有效距離達到30 cm。該模塊主要用于探測狹窄的過道以及臺階，確保盲人外出安全對及其對路況的掌握。

2）超聲波傳感測距避障模塊［9］：本文采用的是HC-SR04超聲波模塊，位于手杖紅外探頭上方。該模塊的最大的傳感距離可以通過手柄電位器靈活調節(jié)，最大探測距離可以達到4 m，可以探測較遠距離的障礙物。模塊工作原理是采用IO觸發(fā)測距，模塊自動發(fā)送8個40 kHz的方波，探測是否有信號返回，有信號返回通過IO 輸出一個邏輯高電平信號，所以當盲人與前方障礙物的距離小于最大的感應距離時，便會觸發(fā)震動電機提醒以及語音提示前方障礙物的距離，保障盲人出行的安全。

3）求助語音及通信模塊［10-11］：盲人可以通過按鍵觸發(fā)語音播放模塊中存儲的求助語音向周圍人群進行求助。同樣地，可以通過另一個按鍵觸發(fā)遠程求助功能，遠程求助通信通過SIM808 模塊上的SIM 卡向指定的電話號碼發(fā)送求助短信，短信內容包括盲人的固定求助短語及SIM808 模塊采集的地理位置經緯度信息。

除了以上基本功能以外，本文還加入了GPS+通用分組無線服務（General Packet Radio Service，GPRS）定位功能［12］，經過定位模塊傳感器的數據采集，再通過GPRS 數據傳輸功能將定位數據傳輸至云端服務器數據庫存儲；基于MPU6050 加速度計陀螺儀傳感模塊的姿態(tài)監(jiān)護功能［13］，將傳感器采集到的三軸加速度和三軸角速度數據通過卡爾曼濾波（Kalman Filtering，KF）［14］姿態(tài)解算得出精確度極高的姿態(tài)角度數據，通過連接數據傳輸模塊發(fā)送至云端服務器數據庫存儲，同時融合機器學習KNN&DTW 為基礎的算法進行姿態(tài)識別，當輸入傳感器采集的角度數據之后，利用機器學習算法進行姿態(tài)分類，當分類為異常姿態(tài)時（如摔倒）會產生一個報警信號，再將此信號數據包通過GPRS 數據傳輸至云端服務器數據庫存儲。

圖2 系統(tǒng)硬件設計框圖Fig. 2 Block diagram of hardware design for the proposed system

3 系統(tǒng)軟件設計及算法實現

為了保證手杖系統(tǒng)定位功能的實現和定位精準度與穩(wěn)定性，以及加速度計陀螺儀姿態(tài)監(jiān)護的穩(wěn)定性和核心監(jiān)護上位機功能的實現，用戶端的監(jiān)護查看操作都離不開程序的調度，本章主要介紹實現手杖核心功能的軟件開發(fā)過程。

3.1 卡爾曼濾波姿態(tài)解算算法功能實現

本文研究利用MPU6050 獲取相應位置的角加速度和加速度，再將二者數據利用已經相對比較成熟的KF 算法處理，融合計算出姿態(tài)角度，因為加速度計傳感數據及陀螺儀傳感原始數據具有一定程度的數據噪聲，例如加速度計傳感數據受帶寬影響，陀螺儀狀態(tài)易受震動、溫度等影響。為解決這個問題，提高后續(xù)機器學習分類器姿態(tài)分類的精準度，本文在將加速度計和陀螺儀傳感數據作為算法輸入參數的基礎上，添加了姿態(tài)角度數作為KNN&DTW 算法分類器的第三項對比參數。姿態(tài)角度是通過KF 算法融合加速度計及陀螺儀的傳感測量數據得到的濾除噪聲對于姿態(tài)最優(yōu)估計的角度數據。

KF 算法可以用于計算估計過程的狀態(tài)［15-16］，并使估計均方差最小。在單片機平臺上利用KF 整合由陀螺儀和加速度計獲得的原始數據［17］。陀螺儀的作用是測量角速度，通過對角速度的積分得到角度值，但其噪聲大且極易受到環(huán)境的影響，因此不適合單獨用于使用陀螺儀作為傳感器得到姿態(tài)角度。本文系統(tǒng)使用加速度計測量角度與陀螺儀角度積分結果進行修改再積分，再通過系統(tǒng)中的線性系統(tǒng)狀態(tài)方程輸出觀測數據，濾掉相關外在噪聲，以獲得姿態(tài)數據的最優(yōu)估計，如圖3所示。

圖3 卡爾曼濾波姿態(tài)解算示意圖Fig. 3 Schematic diagram of Kalman filter attitude calculation

二者數據融合的過程主要是通過卡爾曼濾波的標準方程并參考應用文獻［18］中提出的姿態(tài)融合算法進行計算。本文假設盲人姿態(tài)角度為ψ，采用加速度計探測的作為姿態(tài)角度的常值偏差b，以ψ 與b 作為盲人姿態(tài)角度的狀態(tài)方程，結合卡爾曼濾波標準方程得出狀態(tài)方程（1）及觀測方程（2）：

其中：ωgyro為包含固定偏差的陀螺儀輸出角度；ψacce為手杖上處理過的加速度計角度值；ωg為陀螺儀采集測量中的誤差，ωa為加速度計采集測量中的誤差，本文假設ωg和ωa是相互獨立且滿足正態(tài)分布的白色噪聲。設Ts為采樣周期，可以得到離散系統(tǒng)的狀態(tài)方程（3）和測量方程（4）：

根據KF 算法的標準方程，要想知道k 時刻的盲人姿態(tài)角度情況，就需要知道k - 1時刻的角度值，再通過預測得到的k時刻的預測值和高斯噪聲的方差，在此基礎之上通過KF算法進行遞歸運算直至估算出最優(yōu)的姿態(tài)角度值。KF 的標準預測公式如下：

式（5）中X(k|k - 1)是根據上一狀態(tài)預測的結果，X(k -1|k - 1)為上一次的最優(yōu)結果另外還需要知道系統(tǒng)過程噪聲協(xié)方差陣Q以及測量誤差的協(xié)方差陣R進行校正，本文中Q和R的矩陣形式為：

其中q_acce和q_gyro分別為加速度計和陀螺儀測量值的協(xié)方差。對應的X(k|k - 1)的協(xié)方差參考式（6），其中P(k - 1|k -1)為X(k - 1|k - 1)對應的協(xié)方差，AT為A的轉置矩陣，Q 的取值參考式（7）。式（5）、（6）的主要作用為系統(tǒng)狀態(tài)的更新。姿態(tài)數據的最優(yōu)估計X(k|k)計算公式如下：

其中的 Kg()為卡爾曼增益（Kalman gain，Kg）［19］，計算公式如下：

上述計算已經可以得出k狀態(tài)下的最優(yōu)估計X(k|k)，為了使該系統(tǒng)持續(xù)運轉下去，還需要更新k 狀態(tài)下X(k|k)的協(xié)方差，所以根據標準KF可得到：

3.2 基于機器學習算法的姿態(tài)預警功能設計

本文系統(tǒng)還融合了機器學習KNN&DTW 分類算法為基礎的姿態(tài)異常進行報警的功能，實現過程為：將加速度計陀螺儀模塊采集的傳感器數據輸入KNN&DTW 算法的分類器之中進行分類判斷，分類器中預先已經訓練過大量數據集，手動對訓練數據集進行標記，包含5 個姿態(tài)常態(tài)標簽，當輸入實時傳感器數據經過算法運算分析之后，若不屬于任何一類常態(tài)行為的標簽，就會分類為姿態(tài)異常，此時會輸出一個報警信號，實現遠程姿態(tài)安全的監(jiān)護。

KNN 分類算法［20］：如果一個樣本在特征空間中的k 個最相似（即特征空間中最鄰近）的樣本的大多數屬于某一個類別，則該樣本也屬于這個類別。原始KNN 算法用于分類問題時，存在諸多可以改進的地方，例如樣本屬性特征的相關性不一致、算法中k 值的選取對分類結果有較大的影響等。針對這些缺點，可以采用特征選擇剔除不相關的屬性，亦可以通過改進距離函數來優(yōu)化算法，本文使用的就是后者。KNN 算法的距離度量一般采用歐氏距離，但標準的歐氏距離在面對多屬性特征空間劃分時會變得不準確，所以本文在KNN 算法基礎上融合了DTW 方法作為KNN 算法的距離度量，可以很好地解決這個問題，使分類結果更加準確。

動態(tài)時間規(guī)整（DTW）由日本學者Itakura 在1970 年提出［21］，是一種衡量兩個長度不同的時間序列的相似度的方法，在模板匹配、手勢識別、數據挖掘和信息檢索等領域應用廣泛。DTW 是一個典型的優(yōu)化問題，它用滿足一定條件的時間規(guī)整函數描述測試模板和參考模板的時間對應關系，求解兩模板匹配時累計距離最小所對應的規(guī)整函數。如序列（11）、（12）所示，分別為參考時間序列數據集Q 和測試時間序列數據集C，它們的長度分別為n、m，Q和C的特征點分別為q和c。

DTW 非常適合對具有不同頻率或異相的序列進行分類，所以用DTW 分類一個人是走路、站立還是坐下就非常適合，圖4（b）顯示了DTW 距離矩陣的表現方式，通過測量Q、C之間的距離來計算每個像元，黑色路徑代表最佳路徑，代表兩個序列的最佳比對。使用動態(tài)編程技術在Python 中實現DTW 對于距離矩陣的運算，實現主要依靠三個關鍵步驟：

1）計算兩個序列之間的動態(tài)時間規(guī)整距離；

2）計算Q、C之間的距離矩陣；

3）通過式（1）、（2）進行KNN 計算預測類別的標記和分類數據集的概率。

算法的實施過程是：通過KNN&DTW 算法計算兩個時間序列特征點到特征點的相似程度，在盲人手杖系統(tǒng)中則是將傳感器訓練數據樣本和參考數據樣本進行相似度匹配。DTW 使用所有相似點之間的距離的和（稱之為規(guī)整路徑距離（Warp Path Distance，WPD））來衡量兩個時間序列之間的相似性，利用全局路徑窗口（Warping Window，WW）（如圖4（b））顯示全距離矩陣的最佳路徑。如式（13），最佳路徑的計算主要是計算兩個時間序列節(jié)點間的最短距離，例如q1與c1，利用shortestpaths()表示最短距離的運算，再通過SUM()進行累加運算。

手動對測試樣本進行標記，本文設計了5 類標簽，分別是站立、坐、行走、下樓和上樓?？赏ㄟ^計算兩個序列之間的動態(tài)時間規(guī)整距離的方法計算兩個序列之間的DTW 距離，也可以通過計算Q、C之間的距離矩陣的方法來計算兩個集合的距離，這是支撐KNN&DTW 分類算法的兩種方法；之后再利用預測方法進行兩個方面的預測：1）預測的類標簽；2）KNN 標簽計數概率。

圖4 KNN&DTW 算法示意圖Fig. 4 Schematic diagram of KNN&DTW algorithm

3.3 用戶端（微信端）功能設計

微信小程序作為監(jiān)護應用相較于原生應用具有更優(yōu)的便捷性和可操作性，基于現代人的社交習慣，微信端的通知情況比原生應用要更加及時；微信端集成了家庭監(jiān)護人成員安全登錄、盲人地理位置查詢、姿態(tài)角度查詢及姿態(tài)異常報警監(jiān)護功能，此外還附加了如天氣查詢、一鍵遠程報警、盲人安全小資訊等功能，完善了盲人物聯網手杖集成系統(tǒng)。用戶端微信小程序的功能流程框圖如圖5所示。

4 系統(tǒng)測試結果與討論

4.1 陀螺儀加速度計傳感器數據采集

為了對KNN&DTW 算法分類器進行訓練，需要采集大量的傳感數據同時貼近盲人的日常生活行為姿態(tài)，本文將以MPU6050 為核心傳感器的加速度計陀螺儀模塊固定在盲人手杖的握把處，因為考慮到盲人在日常生活中，握把處的動作幅度相對整個身體來講是最小的，所以數據噪聲相對而言也較少。本文測試人員為實驗室的10 位實驗人員，分別在實驗室和樓梯間進行數據的采集和測試。

傳感器數據采集中，考慮到信號的相似性和行為動作的連貫性，通過對盲人日常姿態(tài)和行為習慣［22］的分析，連貫動作的切換間會產生較大的傳感曲線的變化，例如從上樓轉換為下樓、坐轉換為站立等，而這種變化容易造成對于異常姿態(tài)的誤報警，大大降低姿態(tài)識別的準確率。所以在本文的實驗過程中，分別對上樓和下樓、站立和坐傳感數據進行同時采集，而將行走作為單獨采集的傳感數據。加速度的單位以重力加速度g（取9.8 m/s2）為基本單位，陀螺儀采集數據單位為def/s，經卡爾曼濾波姿態(tài)融合角度數據單位為def。測試中利用深圳維特智能科技有限公司的上位機程序記錄傳感器各類數據，通過OriginLab公司開發(fā)的Origin軟件繪制各類傳感曲線，如圖6。圖6中的三條曲線分別為X軸、Y軸和Z軸數據，圖（a）～（i）分別包括加速度計的傳感數據曲線、陀螺儀傳感數據曲線和經過卡爾曼濾波姿態(tài)解算輸出的姿態(tài)角度傳感數據曲線。

從圖6 的姿態(tài)傳感器測試傳感數據可以看出，不同姿態(tài)下的三軸傳感器數據均有不同的特征，本文將各種傳感器實時采集的各軸傳感數據時間序列與參考的各軸傳感數據時間序列的特征點一一進行比對，識別二者的相似度，從而進行姿態(tài)分類，識別出盲人的姿態(tài)情況，以達到對異常姿態(tài)的預警、保障盲人的生命生活安全的目的。

圖5 用戶端軟件功能流程Fig. 5 Flowchart of user-end software functions

4.2 基于機器學習算法的姿態(tài)預警功能測試

目前市面上最先進的盲人智能手杖基本上以傳感器探測路面障礙物情況為主，少數盲人智能手杖具備通信求助功能以及定位功能，基本沒有一款智能手杖具備姿態(tài)識別及姿態(tài)監(jiān)護的功能。本文不僅在手杖端加入了姿態(tài)識別的功能，并且所采用的機器學習方法進行姿態(tài)識別區(qū)別于傳統(tǒng)的姿態(tài)角系統(tǒng)，姿態(tài)角系統(tǒng)通過機械地設定各軸變化角度，當變化角度大于限定范圍時，便會輸出報警信號，不能智能識別復雜的行為姿態(tài)。本文系統(tǒng)的優(yōu)勢在于：以機器學習算法KNN&DTW來智能地判斷盲人姿態(tài)安全狀況并輔以微信小程序通知求助，極大地降低了姿態(tài)識別誤報警的可能性。將上述5 類姿態(tài)的數據各1 000組進行交叉驗證訓練，然后將訓練好的分類器模型與姿態(tài)角系統(tǒng)中設定的異常姿態(tài)功能［23］同時測試。測試中將隨機輸入10 組姿態(tài)角度數據，并且與手杖實際狀態(tài)進行對比，傳感器采集結果及對比結果如表1、2 所示，將同一個姿態(tài)角X軸、Y軸和Z軸角度數據作為輸入數據，持續(xù)時間為手杖傳感器在該角度所持續(xù)的時間，在姿態(tài)角度預警系統(tǒng)中默認正常姿態(tài)范圍為：X軸 -40°至 40°，Y軸 -25°至 25°，Z軸-20 至20°；兩組表格中實驗序號一致則代表為同一組實驗，例如表1中實驗序號1采集的三軸角度是支撐表2實驗序號1輸出結果的實驗數據。

圖7 陀螺儀硬件連接及傳感數據采集Fig. 7 Gyroscope hardware connection and sensor data acquisition

表1 傳感數據的采集結果Tab. 1 Acquisition results of sensing data

表2 姿態(tài)預警系統(tǒng)的預警結果Tab. 2 Warning results of attitude warning system

如表1 序號3 采集結果及表2 對比實驗結果所示，在靠近臨界值的角度分析結果，系統(tǒng)設定的范圍精度并不高，不能準確地判斷出正確的姿態(tài)結果；考慮到盲人出行實際情況，在表1，表中測試序號2、7 和9，模擬手杖摔到地上迅速撿起等情況，系統(tǒng)的報警結果就不太準確，連續(xù)測試了10 組不同的姿態(tài)情況下的角度數據，姿態(tài)角度系統(tǒng)的準確率只有50%，而經過數據集訓練的分類器結果輸出有100%的準確率。10 組測試數據顯示：相較于姿態(tài)角度預警系統(tǒng)，該算法的姿態(tài)識別準確率提高了50 個百分點，在較小樣本測試的結果較好。當后期將測試數據加大至100 組時，KNN&DTW 的準確率均在86%左右，相較于傳統(tǒng)的設定姿態(tài)角度范圍的預警系統(tǒng)的準確率55%具有相當大的優(yōu)勢，充分體現了本文所應用的機器學習分類器的性能良好，能夠達到一個很好的姿態(tài)監(jiān)護效果。

4.3 GPS定位功能測試

本文系統(tǒng)中手杖的GPS定位功能通過遠程通過微信小程序界面查詢盲人的實時地理位置實現。在手杖中配置了一塊GPS+GPRS/GSM 定位數據傳輸模塊，采用了SIM808 定位通信模塊，通過模塊進行GPS 信號數據的采集，并利用GPRS 進行數據傳輸，將盲人地理位置信息以及速度信息以符合NEMA-0813協(xié)議的格式數據發(fā)送到云服務器。NEMA0183是美國國家海洋電子協(xié)會（National Marine Electronics Association，NMEA）制定的標準格式，目前已成了GPS 導航設備統(tǒng)一的海事無線電技術委員會（Radio Technical Commission for Maritime services，RTCM）標準協(xié)議，協(xié)議內容指令如表3所示。

表3 NEMA-0183協(xié)議具體指令信息Tab. 3 NEMA-0183 protocol specific instruction information

實驗測試地點為學校操場，持手杖多次移動位置，并在一個位置多次測量地理位置數據，將測試的經緯度信息通過串口顯示出來，將NEMA-0183 格式的經緯度數據及其他數據換算成標準經緯度的格式，再通過GPS 經緯度測試工具進行查詢顯示；同時與測試地點的實際標準經緯度進行比較，實際經緯度信息由百度地圖采集所得，用于對比測試手杖定位模塊的定位精度。測試在學校操場不同的地方利用不同的定位模塊進行了多次定位采集，具體測試數據如表4 所示（以NEMA格式數據顯示例如E11 423.234 7 即東經114°23′14.082″，地圖1″誤差約等于30.9 m，三者誤差比為三者經緯度定位誤差距離之比）。

由于盲人個體的特殊性，求助時間一分一秒都顯得尤為重要，所以手杖的定位精度直接影響著盲人救護的及時性，但市面上多款盲人手杖的定位功能極易受到信號強度、天氣、溫度等多因素的影響?？紤]到成本以及定位精度等問題，本文將NEO-6M-001、GU620 以及SIM808 定位傳感器進行精度對比測試［24］。從結果可知，GU620 以及 SIM808 定位精度較高（誤差距離基本小于1 m），NEO-6M-001 定位精度對比二者稍差（誤差距離均大于1 m）；又由于GU620 定位模塊的成本較高，并且沒有GPRS 數據傳輸功能而需另外外接，所以本文采用價格低廉的SIM808 模塊并且集成GPRS 數據傳輸模塊，可以實現定位數據的云端傳輸，恰好體現了盲人手杖的物聯網概念和微信小程序端查詢、監(jiān)護的功能需求。

綜上所述，本文設計結合物聯網技術的盲人手杖所實現的定位功能精度較高，能夠保證盲人的出行定位監(jiān)護功能的實現。

表4 GPS定位測試結果對比Tab. 4 Comparison of GPS positioning test results

5 結語

本文融合KNN&DTW 方法及物聯網技術，以盲人手杖為核心開發(fā)了一套完整的監(jiān)護系統(tǒng)，從盲人本身的生活出行情況和監(jiān)護人的日常監(jiān)護兩個方面保障了盲人的安全出行。本文除了具備市場上手杖已具備的紅外線傳感避障和超聲波避障功能以外，還加入了遠程求助通信功能，在盲人遇到危險時能快速求助；市場上盲人手杖只能夠通過短信發(fā)送定位信息進行求助，本文研究則將GPS 定位的功能通過GPRS 通信模塊實現云端服務器的傳輸，利用微信小程序查詢和實時地圖顯示，更加直觀地幫助監(jiān)護人監(jiān)護到盲人的地理位置情況；最重要的是在手杖中加入了加速度計及陀螺儀模塊，通過KF姿態(tài)解算后輸出的姿態(tài)角度來查看盲人的姿態(tài)情況，亦通過GPRS數據傳輸至云端服務器，同樣是利用微信小程序調取傳感數據信息；同時加入了融合機器學習算法的姿態(tài)異常監(jiān)護功能，加入機器學習KNN&DTW 算法，通過大量數據集進行測試，手動對姿態(tài)狀況進行標簽標記，從而使分類器可以識別盲人正常行為的姿態(tài)情況，避免誤報警現象頻發(fā)；監(jiān)護人可以通過微信小程序遠程呼叫救護車，最大限度保障了盲人的安全。本文在算法應用中加入了幾種基本的姿態(tài)情況，對于較復雜的行為判斷仍有較大的研究潛力。