基于多傳感器數(shù)據(jù)融合的助行機(jī)器人防摔倒技術(shù)研究

張玉葉

摘 要： 助行機(jī)器人為行動不便的老年人提供了身體支撐和行走輔助。在此設(shè)計的助行機(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)所獲得的觸滑覺信號、角速度信號、加速度信號作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和試驗樣本。首先在信息層將一種傳感器采集的單一信號送入局部決策器，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，對實現(xiàn)滿足老年人在戶外獨立、安全行走需求的機(jī)器人開發(fā)提供理論及實驗依據(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： TN302?34； TP301.6 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2015）14?0036?03

0 引 言

中國人口老齡化形勢嚴(yán)峻，甚至世界人口正在走向老齡化?？梢灶A(yù)計，在不遠(yuǎn)的將來，老年人的護(hù)理將成為社會的一個重要負(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)的人員也會非常短缺，甚至沒人愿意從事這個方面的工作；所以，老齡化問題所涉及的醫(yī)療和社會保險體系也面臨巨大的壓力，助老問題正日益成為一個重大的社會問題；尤其是近年來，腦卒中發(fā)病已呈“井噴”態(tài)勢。根據(jù)最新統(tǒng)計，2012年我國腦卒中患病率達(dá)1.82%，估算我國40歲以上的腦卒中患者達(dá)1 036萬人。腦卒中患者大多會留下步履蹣跚，動作不協(xié)調(diào)的后遺癥。對此運用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。腦卒中患者主動訓(xùn)練過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，如得不到及時救護(hù)，延誤救助時機(jī)將危機(jī)生命。因此，研制開發(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)分開來，并且在發(fā)生摔倒事件時，及時的報警聯(lián)系救護(hù)，這對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)我國社會的穩(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

多傳感器數(shù)據(jù)融合摔倒預(yù)測的主要思想是：設(shè)計基于決策層信息融合的摔倒預(yù)測系統(tǒng)，即對每個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)測總體框圖

1.2 樣本提取與預(yù)處理[4?5]

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

在計算x，y，z軸的軀干傾角時，由于y軸軀干傾角變化明顯，所以選取y軸數(shù)據(jù)作為角速度信號樣本。加速度信號的獲取是采集摔倒過程的加速度值組成的加速度時間序列，訓(xùn)練隱馬爾可夫模型，獲取助行時的各運動狀態(tài)的加速度值組成加速度時間序列，通過已訓(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)測融合系統(tǒng)首先在信息層將一種傳感器采集的單一信號送入局部決策器，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）]分別為有效信號通道數(shù)、加速度時間序列的輸出概率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]任意一個為1時，則提醒融合中心對3個傳感器的信息進(jìn)行數(shù)據(jù)融合得出是否有摔倒傾向。

這種方法具有兩個優(yōu)點：其一是局部決策沒有異常時不送入融合中心，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)融合檢測摔倒傾向，最大限度的實現(xiàn)摔倒的預(yù)測。

1.3.1 基于觸滑覺信號的摔倒預(yù)測

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

1.3.2 基于角速度信號的摔倒預(yù)測

軀干傾角報警門限STD[θp]的選取方法：取摔倒行為過程中合加速度曲線距離第一次峰值300 ms時的軀干傾角作為集合；選取日常行走過程數(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)分類界面實質(zhì)上是一個點，即[y=b]。通過SVM計算得最優(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，運用SVM支持向量機(jī)對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 觸滑覺信號的摔倒預(yù)測 圖3 角速度信號摔倒預(yù)測]

1.3.3 基于加速度信號的摔倒預(yù)測

基于加速度信號的摔倒預(yù)測算法流程如圖4所示。閾值P1的選擇應(yīng)該位于日常生活中對HMM模型λ的輸出概率最高值，與摔倒運動過程對HMM模型λ的輸出概率的最低值之間。

經(jīng)過多次實驗數(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)融合實現(xiàn)

融合中心采用BP神經(jīng)網(wǎng)絡(luò)，在此設(shè)計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信號、歸一化的加速度信號和歸一化的角速度信號。

隱蔽層數(shù)目的選取可按下面經(jīng)驗公式獲得[nH=nI+no+n，]根據(jù)公式取[nH=10]，輸出層有2個神經(jīng)元，對應(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)速率和附加動量法相結(jié)合的算法。

圖4 加速度信號摔倒預(yù)測

圖5 摔倒預(yù)測報警門限STD（P1）的選取

2 神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立

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)速率和附加動量法相結(jié)合的算法[10]。訓(xùn)練樣本的組成：摔倒時單手握住扶手10組，摔倒時雙手緊握扶手10組，摔倒時脫手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HMM輸出的概率值及觸滑覺信號狀態(tài)。BP網(wǎng)絡(luò)輸出值，摔倒時為0.9，正常時為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)工具箱對訓(xùn)練樣本進(jìn)行訓(xùn)練，在多次仿真實驗后得到較好的實驗結(jié)果，神經(jīng)網(wǎng)絡(luò)的誤差收斂狀況見圖6。樣本集當(dāng)中一般很少出現(xiàn)互反的樣例，不然樣本集就有問題了。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法本來就是不穩(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，輸入測試樣本，表2對期望值和實際輸出值進(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)練時都離不開助行機(jī)器人，防摔系統(tǒng)將人體在站立、行走、摔倒等狀態(tài)所獲得的觸滑覺信號、加速度信號、角速度信號作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和試驗樣本，首先在信息層將一種傳感器采集的單一信號送入局部決策器，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)測研究，滿足老年人在戶外獨立、安全行走的需求；并且對所采用的防摔倒預(yù)測方法進(jìn)行了算法樣本的提取與試驗，關(guān)鍵點進(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)練前后期望值和實際輸出值比較結(jié)果來看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[C]//2008年第三界北京國際康復(fù)論壇論文集.北京：中國康復(fù)醫(yī)學(xué)會， 2008：673?677.

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

[5] 薛源，高向陽.基于多傳感器信息融合的跌倒監(jiān)測系統(tǒng)設(shè)計[J].武漢理工大學(xué)學(xué)報：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)自動化，2012（24）：5?9.

[9] 金純，伊遠(yuǎn)陽.一種基于統(tǒng)計學(xué)判別分析的老人摔倒檢測算法[J].計算機(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)的混沌時間序列預(yù)測[J].計算機(jī)工程與應(yīng)用，2011（29）：53?55.