基于K 近鄰和動(dòng)態(tài)時(shí)間規(guī)整算法的盲人物聯(lián)網(wǎng)手杖系統(tǒng)

夏倫騰 ，張 莉 *

（1. 中南民族大學(xué)生物醫(yī)學(xué)工程學(xué)院，武漢430070； 2. 中南民族大學(xué)檢測(cè)與儀器校級(jí)工程中心，武漢430070）

0 引言

根據(jù)時(shí)代數(shù)據(jù)2016 年統(tǒng)計(jì)數(shù)據(jù)表明，我國(guó)盲人數(shù)量1 731 萬(wàn)，占全國(guó)總?cè)丝跀?shù)量的1.26%，目前我國(guó)存在視力障礙的人數(shù)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(shí)有發(fā)生，而一旦發(fā)生摔倒之類的安全問題，很容易錯(cuò)過最佳的救助時(shí)間，對(duì)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(shí)盲人的監(jiān)護(hù)人也不能實(shí)時(shí)了解盲人的身體狀況和地理位置等情況。針對(duì)如今日益復(fù)雜的路面情況和交通狀況，如何設(shè)計(jì)一款能夠幫助盲人日常安全出行，并且能夠?qū)崟r(shí)監(jiān)護(hù)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(yīng)用價(jià)值。

物聯(lián)網(wǎng)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(lián)網(wǎng)”，其用戶端延伸和擴(kuò)展到了人和物之間進(jìn)行信息交換和通信，目前國(guó)內(nèi)對(duì)物聯(lián)網(wǎng)的定義是：通過傳感器無(wú)線射頻識(shí)別技術(shù)、全球定位系統(tǒng)等信息傳感設(shè)備，按約定協(xié)議，把任何物品和互聯(lián)網(wǎng)連接起來(lái)進(jìn)行信息交換和通信，以實(shí)現(xiàn)智能化識(shí)別、定位、跟蹤、監(jiān)控和管理的一種網(wǎng)絡(luò)。機(jī)器學(xué)習(xí)方法在20 世紀(jì)80 年代被提出［4］，在如今互聯(lián)網(wǎng)時(shí)代，數(shù)據(jù)量的累積是海量的，目前由海量數(shù)據(jù)構(gòu)成的大數(shù)據(jù)時(shí)代已經(jīng)到來(lái)，機(jī)器學(xué)習(xí)方法在大數(shù)據(jù)挖掘中起著重要的作用，因此，如何融合物聯(lián)網(wǎng)技術(shù)與機(jī)器學(xué)習(xí)算法是當(dāng)今物聯(lián)網(wǎng)技術(shù)面臨的重要技術(shù)問題之一。在操作用戶應(yīng)用方面，傳統(tǒng)上大部分家庭安全系統(tǒng)操作監(jiān)護(hù)界面都是利用手機(jī)應(yīng)用或者計(jì)算機(jī)應(yīng)用，目前微信已經(jīng)成為了我們?nèi)粘Ｉ钪幸粋€(gè)必不可少的通信工具，很多人的關(guān)系鏈已經(jīng)從通信錄轉(zhuǎn)移到了微信，所以在微信小程序上的監(jiān)測(cè)可能會(huì)在一定程度上優(yōu)于傳統(tǒng)的計(jì)算機(jī)端。

本文提出了一種基于K 近鄰（K-Nearest Neighbor，KNN）和動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping，DTW）算法的盲人物聯(lián)網(wǎng)手杖系統(tǒng)，集傳感器、物聯(lián)網(wǎng)通信、機(jī)器學(xué)習(xí)和微信小程序?yàn)橐惑w，是一款具備避障、定位、報(bào)警、通信和監(jiān)護(hù)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(hù)操作界面。該系統(tǒng)能夠?yàn)槊と顺鲂械谋憷桶踩蕴峁┯行У慕鉀Q方案，在盲人出現(xiàn)摔倒或者迷路的情況時(shí)可以第一時(shí)間借由一個(gè)按鍵通過互聯(lián)網(wǎng)進(jìn)行遠(yuǎn)程求助，監(jiān)護(hù)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(shè)計(jì)

盲人物聯(lián)網(wǎng)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(wù)器和用戶端三部分。通過物聯(lián)網(wǎng)技術(shù)將一個(gè)單純的輔助工具——盲人手杖與互聯(lián)網(wǎng)相連，通過云端服務(wù)器的數(shù)據(jù)存儲(chǔ)功能供用戶端調(diào)取查詢，用戶端則利用目前的輕量級(jí)應(yīng)用——微信小程序［5-6］作為核心的監(jiān)護(hù)操作上位機(jī)。三個(gè)部分功能實(shí)施的具體內(nèi)容如下：

1）手杖（硬件）端的功能包括：利用紅外線傳感器實(shí)現(xiàn)的避障，通過電位器調(diào)節(jié)的超聲波避障，語(yǔ)音求助和遠(yuǎn)程通過全球移動(dòng)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(jì)陀螺儀傳感數(shù)據(jù)的采集、處理和傳輸。

2）云端服務(wù)器的功能包括：域名注冊(cè)、域名解析、網(wǎng)站備案以及云服務(wù)器的搭建和數(shù)據(jù)庫(kù)存儲(chǔ)功能的實(shí)現(xiàn)、云函數(shù)的創(chuàng)建和調(diào)用、云端服務(wù)器應(yīng)用程序接口（Application Programming Interface，API）和HTTP API的調(diào)用［7］。

3）微信小程序的微信標(biāo)記語(yǔ)言（WeiXin Markup Language，WXML）、微信樣式表（WeiXin Style Sheets，WXSS）和Java Script架構(gòu)的編寫。功能包括：調(diào)用服務(wù)器數(shù)據(jù)庫(kù)中的GPS 定位數(shù)據(jù)信息、陀螺儀加速度計(jì)采集的傳感信息數(shù)據(jù)和姿態(tài)報(bào)警信號(hào)數(shù)據(jù)，從而實(shí)現(xiàn)遠(yuǎn)程定位監(jiān)護(hù)、監(jiān)護(hù)盲人姿態(tài)信息［8］以及遠(yuǎn)程報(bào)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(shè)計(jì)。

2 系統(tǒng)硬件設(shè)計(jì)

盲人物聯(lián)網(wǎng)手杖系統(tǒng)的硬件端設(shè)計(jì)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(chǔ)的紅外線避障模塊，位于盲人手杖的最前端。該模塊對(duì)環(huán)境光線適應(yīng)能力強(qiáng)，具有一對(duì)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(dāng)檢測(cè)方向遇到障礙物時(shí)，紅外線反射回來(lái)被接收管接收，經(jīng)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(huì)輸出邏輯低電平，觸發(fā)語(yǔ)音播放模塊的提示語(yǔ)音及手柄處的震動(dòng)電機(jī)提醒，其有效距離達(dá)到30 cm。該模塊主要用于探測(cè)狹窄的過道以及臺(tái)階，確保盲人外出安全對(duì)及其對(duì)路況的掌握。

2）超聲波傳感測(cè)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(diào)節(jié)，最大探測(cè)距離可以達(dá)到4 m，可以探測(cè)較遠(yuǎn)距離的障礙物。模塊工作原理是采用IO觸發(fā)測(cè)距，模塊自動(dòng)發(fā)送8個(gè)40 kHz的方波，探測(cè)是否有信號(hào)返回，有信號(hào)返回通過IO 輸出一個(gè)邏輯高電平信號(hào)，所以當(dāng)盲人與前方障礙物的距離小于最大的感應(yīng)距離時(shí)，便會(huì)觸發(fā)震動(dòng)電機(jī)提醒以及語(yǔ)音提示前方障礙物的距離，保障盲人出行的安全。

3）求助語(yǔ)音及通信模塊［10-11］：盲人可以通過按鍵觸發(fā)語(yǔ)音播放模塊中存儲(chǔ)的求助語(yǔ)音向周圍人群進(jìn)行求助。同樣地，可以通過另一個(gè)按鍵觸發(fā)遠(yuǎn)程求助功能，遠(yuǎn)程求助通信通過SIM808 模塊上的SIM 卡向指定的電話號(hào)碼發(fā)送求助短信，短信內(nèi)容包括盲人的固定求助短語(yǔ)及SIM808 模塊采集的地理位置經(jīng)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(wú)線服務(wù)（General Packet Radio Service，GPRS）定位功能［12］，經(jīng)過定位模塊傳感器的數(shù)據(jù)采集，再通過GPRS 數(shù)據(jù)傳輸功能將定位數(shù)據(jù)傳輸至云端服務(wù)器數(shù)據(jù)庫(kù)存儲(chǔ)；基于MPU6050 加速度計(jì)陀螺儀傳感模塊的姿態(tài)監(jiān)護(hù)功能［13］，將傳感器采集到的三軸加速度和三軸角速度數(shù)據(jù)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(shù)據(jù)，通過連接數(shù)據(jù)傳輸模塊發(fā)送至云端服務(wù)器數(shù)據(jù)庫(kù)存儲(chǔ)，同時(shí)融合機(jī)器學(xué)習(xí)KNN&DTW 為基礎(chǔ)的算法進(jìn)行姿態(tài)識(shí)別，當(dāng)輸入傳感器采集的角度數(shù)據(jù)之后，利用機(jī)器學(xué)習(xí)算法進(jìn)行姿態(tài)分類，當(dāng)分類為異常姿態(tài)時(shí)（如摔倒）會(huì)產(chǎn)生一個(gè)報(bào)警信號(hào)，再將此信號(hào)數(shù)據(jù)包通過GPRS 數(shù)據(jù)傳輸至云端服務(wù)器數(shù)據(jù)庫(kù)存儲(chǔ)。

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

3 系統(tǒng)軟件設(shè)計(jì)及算法實(shí)現(xiàn)

為了保證手杖系統(tǒng)定位功能的實(shí)現(xiàn)和定位精準(zhǔn)度與穩(wěn)定性，以及加速度計(jì)陀螺儀姿態(tài)監(jiān)護(hù)的穩(wěn)定性和核心監(jiān)護(hù)上位機(jī)功能的實(shí)現(xiàn)，用戶端的監(jiān)護(hù)查看操作都離不開程序的調(diào)度，本章主要介紹實(shí)現(xiàn)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(shí)現(xiàn)

本文研究利用MPU6050 獲取相應(yīng)位置的角加速度和加速度，再將二者數(shù)據(jù)利用已經(jīng)相對(duì)比較成熟的KF 算法處理，融合計(jì)算出姿態(tài)角度，因?yàn)榧铀俣扔?jì)傳感數(shù)據(jù)及陀螺儀傳感原始數(shù)據(jù)具有一定程度的數(shù)據(jù)噪聲，例如加速度計(jì)傳感數(shù)據(jù)受帶寬影響，陀螺儀狀態(tài)易受震動(dòng)、溫度等影響。為解決這個(gè)問題，提高后續(xù)機(jī)器學(xué)習(xí)分類器姿態(tài)分類的精準(zhǔn)度，本文在將加速度計(jì)和陀螺儀傳感數(shù)據(jù)作為算法輸入?yún)?shù)的基礎(chǔ)上，添加了姿態(tài)角度數(shù)作為KNN&DTW 算法分類器的第三項(xiàng)對(duì)比參數(shù)。姿態(tài)角度是通過KF 算法融合加速度計(jì)及陀螺儀的傳感測(cè)量數(shù)據(jù)得到的濾除噪聲對(duì)于姿態(tài)最優(yōu)估計(jì)的角度數(shù)據(jù)。

KF 算法可以用于計(jì)算估計(jì)過程的狀態(tài)［15-16］，并使估計(jì)均方差最小。在單片機(jī)平臺(tái)上利用KF 整合由陀螺儀和加速度計(jì)獲得的原始數(shù)據(jù)［17］。陀螺儀的作用是測(cè)量角速度，通過對(duì)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(dú)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(jì)測(cè)量角度與陀螺儀角度積分結(jié)果進(jìn)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(cè)數(shù)據(jù)，濾掉相關(guān)外在噪聲，以獲得姿態(tài)數(shù)據(jù)的最優(yōu)估計(jì)，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(shù)據(jù)融合的過程主要是通過卡爾曼濾波的標(biāo)準(zhǔn)方程并參考應(yīng)用文獻(xiàn)［18］中提出的姿態(tài)融合算法進(jìn)行計(jì)算。本文假設(shè)盲人姿態(tài)角度為ψ，采用加速度計(jì)探測(cè)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(jié)合卡爾曼濾波標(biāo)準(zhǔn)方程得出狀態(tài)方程（1）及觀測(cè)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(jì)角度值；ωg為陀螺儀采集測(cè)量中的誤差，ωa為加速度計(jì)采集測(cè)量中的誤差，本文假設(shè)ωg和ωa是相互獨(dú)立且滿足正態(tài)分布的白色噪聲。設(shè)Ts為采樣周期，可以得到離散系統(tǒng)的狀態(tài)方程（3）和測(cè)量方程（4）：

根據(jù)KF 算法的標(biāo)準(zhǔn)方程，要想知道k 時(shí)刻的盲人姿態(tài)角度情況，就需要知道k - 1時(shí)刻的角度值，再通過預(yù)測(cè)得到的k時(shí)刻的預(yù)測(cè)值和高斯噪聲的方差，在此基礎(chǔ)之上通過KF算法進(jìn)行遞歸運(yùn)算直至估算出最優(yōu)的姿態(tài)角度值。KF 的標(biāo)準(zhǔn)預(yù)測(cè)公式如下：

式（5）中X(k|k - 1)是根據(jù)上一狀態(tài)預(yù)測(cè)的結(jié)果，X(k -1|k - 1)為上一次的最優(yōu)結(jié)果另外還需要知道系統(tǒng)過程噪聲協(xié)方差陣Q以及測(cè)量誤差的協(xié)方差陣R進(jìn)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(jì)和陀螺儀測(cè)量值的協(xié)方差。對(duì)應(yīng)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(duì)應(yīng)的協(xié)方差，AT為A的轉(zhuǎn)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(shù)據(jù)的最優(yōu)估計(jì)X(k|k)計(jì)算公式如下：

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

上述計(jì)算已經(jīng)可以得出k狀態(tài)下的最優(yōu)估計(jì)X(k|k)，為了使該系統(tǒng)持續(xù)運(yùn)轉(zhuǎn)下去，還需要更新k 狀態(tài)下X(k|k)的協(xié)方差，所以根據(jù)標(biāo)準(zhǔn)KF可得到：

3.2 基于機(jī)器學(xué)習(xí)算法的姿態(tài)預(yù)警功能設(shè)計(jì)

本文系統(tǒng)還融合了機(jī)器學(xué)習(xí)KNN&DTW 分類算法為基礎(chǔ)的姿態(tài)異常進(jìn)行報(bào)警的功能，實(shí)現(xiàn)過程為：將加速度計(jì)陀螺儀模塊采集的傳感器數(shù)據(jù)輸入KNN&DTW 算法的分類器之中進(jìn)行分類判斷，分類器中預(yù)先已經(jīng)訓(xùn)練過大量數(shù)據(jù)集，手動(dòng)對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行標(biāo)記，包含5 個(gè)姿態(tài)常態(tài)標(biāo)簽，當(dāng)輸入實(shí)時(shí)傳感器數(shù)據(jù)經(jīng)過算法運(yùn)算分析之后，若不屬于任何一類常態(tài)行為的標(biāo)簽，就會(huì)分類為姿態(tài)異常，此時(shí)會(huì)輸出一個(gè)報(bào)警信號(hào)，實(shí)現(xiàn)遠(yuǎn)程姿態(tài)安全的監(jiān)護(hù)。

KNN 分類算法［20］：如果一個(gè)樣本在特征空間中的k 個(gè)最相似（即特征空間中最鄰近）的樣本的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。原始KNN 算法用于分類問題時(shí)，存在諸多可以改進(jìn)的地方，例如樣本屬性特征的相關(guān)性不一致、算法中k 值的選取對(duì)分類結(jié)果有較大的影響等。針對(duì)這些缺點(diǎn)，可以采用特征選擇剔除不相關(guān)的屬性，亦可以通過改進(jìn)距離函數(shù)來(lái)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(biāo)準(zhǔn)的歐氏距離在面對(duì)多屬性特征空間劃分時(shí)會(huì)變得不準(zhǔn)確，所以本文在KNN 算法基礎(chǔ)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(gè)問題，使分類結(jié)果更加準(zhǔn)確。

動(dòng)態(tài)時(shí)間規(guī)整（DTW）由日本學(xué)者Itakura 在1970 年提出［21］，是一種衡量?jī)蓚€(gè)長(zhǎng)度不同的時(shí)間序列的相似度的方法，在模板匹配、手勢(shì)識(shí)別、數(shù)據(jù)挖掘和信息檢索等領(lǐng)域應(yīng)用廣泛。DTW 是一個(gè)典型的優(yōu)化問題，它用滿足一定條件的時(shí)間規(guī)整函數(shù)描述測(cè)試模板和參考模板的時(shí)間對(duì)應(yīng)關(guān)系，求解兩模板匹配時(shí)累計(jì)距離最小所對(duì)應(yīng)的規(guī)整函數(shù)。如序列（11）、（12）所示，分別為參考時(shí)間序列數(shù)據(jù)集Q 和測(cè)試時(shí)間序列數(shù)據(jù)集C，它們的長(zhǎng)度分別為n、m，Q和C的特征點(diǎn)分別為q和c。

DTW 非常適合對(duì)具有不同頻率或異相的序列進(jìn)行分類，所以用DTW 分類一個(gè)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(xiàn)方式，通過測(cè)量Q、C之間的距離來(lái)計(jì)算每個(gè)像元，黑色路徑代表最佳路徑，代表兩個(gè)序列的最佳比對(duì)。使用動(dòng)態(tài)編程技術(shù)在Python 中實(shí)現(xiàn)DTW 對(duì)于距離矩陣的運(yùn)算，實(shí)現(xiàn)主要依靠三個(gè)關(guān)鍵步驟：

1）計(jì)算兩個(gè)序列之間的動(dòng)態(tài)時(shí)間規(guī)整距離；

2）計(jì)算Q、C之間的距離矩陣；

3）通過式（1）、（2）進(jìn)行KNN 計(jì)算預(yù)測(cè)類別的標(biāo)記和分類數(shù)據(jù)集的概率。

算法的實(shí)施過程是：通過KNN&DTW 算法計(jì)算兩個(gè)時(shí)間序列特征點(diǎn)到特征點(diǎn)的相似程度，在盲人手杖系統(tǒng)中則是將傳感器訓(xùn)練數(shù)據(jù)樣本和參考數(shù)據(jù)樣本進(jìn)行相似度匹配。DTW 使用所有相似點(diǎn)之間的距離的和（稱之為規(guī)整路徑距離（Warp Path Distance，WPD））來(lái)衡量?jī)蓚€(gè)時(shí)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(jì)算主要是計(jì)算兩個(gè)時(shí)間序列節(jié)點(diǎn)間的最短距離，例如q1與c1，利用shortestpaths()表示最短距離的運(yùn)算，再通過SUM()進(jìn)行累加運(yùn)算。

手動(dòng)對(duì)測(cè)試樣本進(jìn)行標(biāo)記，本文設(shè)計(jì)了5 類標(biāo)簽，分別是站立、坐、行走、下樓和上樓。可通過計(jì)算兩個(gè)序列之間的動(dòng)態(tài)時(shí)間規(guī)整距離的方法計(jì)算兩個(gè)序列之間的DTW 距離，也可以通過計(jì)算Q、C之間的距離矩陣的方法來(lái)計(jì)算兩個(gè)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(yù)測(cè)方法進(jìn)行兩個(gè)方面的預(yù)測(cè)：1）預(yù)測(cè)的類標(biāo)簽；2）KNN 標(biāo)簽計(jì)數(shù)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(shè)計(jì)

微信小程序作為監(jiān)護(hù)應(yīng)用相較于原生應(yīng)用具有更優(yōu)的便捷性和可操作性，基于現(xiàn)代人的社交習(xí)慣，微信端的通知情況比原生應(yīng)用要更加及時(shí)；微信端集成了家庭監(jiān)護(hù)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(bào)警監(jiān)護(hù)功能，此外還附加了如天氣查詢、一鍵遠(yuǎn)程報(bào)警、盲人安全小資訊等功能，完善了盲人物聯(lián)網(wǎng)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(cè)試結(jié)果與討論

4.1 陀螺儀加速度計(jì)傳感器數(shù)據(jù)采集

為了對(duì)KNN&DTW 算法分類器進(jìn)行訓(xùn)練，需要采集大量的傳感數(shù)據(jù)同時(shí)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(jì)陀螺儀模塊固定在盲人手杖的握把處，因?yàn)榭紤]到盲人在日常生活中，握把處的動(dòng)作幅度相對(duì)整個(gè)身體來(lái)講是最小的，所以數(shù)據(jù)噪聲相對(duì)而言也較少。本文測(cè)試人員為實(shí)驗(yàn)室的10 位實(shí)驗(yàn)人員，分別在實(shí)驗(yàn)室和樓梯間進(jìn)行數(shù)據(jù)的采集和測(cè)試。

傳感器數(shù)據(jù)采集中，考慮到信號(hào)的相似性和行為動(dòng)作的連貫性，通過對(duì)盲人日常姿態(tài)和行為習(xí)慣［22］的分析，連貫動(dòng)作的切換間會(huì)產(chǎn)生較大的傳感曲線的變化，例如從上樓轉(zhuǎn)換為下樓、坐轉(zhuǎn)換為站立等，而這種變化容易造成對(duì)于異常姿態(tài)的誤報(bào)警，大大降低姿態(tài)識(shí)別的準(zhǔn)確率。所以在本文的實(shí)驗(yàn)過程中，分別對(duì)上樓和下樓、站立和坐傳感數(shù)據(jù)進(jìn)行同時(shí)采集，而將行走作為單獨(dú)采集的傳感數(shù)據(jù)。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(shù)據(jù)單位為def/s，經(jīng)卡爾曼濾波姿態(tài)融合角度數(shù)據(jù)單位為def。測(cè)試中利用深圳維特智能科技有限公司的上位機(jī)程序記錄傳感器各類數(shù)據(jù)，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(shù)據(jù)，圖（a）～（i）分別包括加速度計(jì)的傳感數(shù)據(jù)曲線、陀螺儀傳感數(shù)據(jù)曲線和經(jīng)過卡爾曼濾波姿態(tài)解算輸出的姿態(tài)角度傳感數(shù)據(jù)曲線。

從圖6 的姿態(tài)傳感器測(cè)試傳感數(shù)據(jù)可以看出，不同姿態(tài)下的三軸傳感器數(shù)據(jù)均有不同的特征，本文將各種傳感器實(shí)時(shí)采集的各軸傳感數(shù)據(jù)時(shí)間序列與參考的各軸傳感數(shù)據(jù)時(shí)間序列的特征點(diǎn)一一進(jìn)行比對(duì)，識(shí)別二者的相似度，從而進(jìn)行姿態(tài)分類，識(shí)別出盲人的姿態(tài)情況，以達(dá)到對(duì)異常姿態(tài)的預(yù)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(jī)器學(xué)習(xí)算法的姿態(tài)預(yù)警功能測(cè)試

目前市面上最先進(jìn)的盲人智能手杖基本上以傳感器探測(cè)路面障礙物情況為主，少數(shù)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(shí)別及姿態(tài)監(jiān)護(hù)的功能。本文不僅在手杖端加入了姿態(tài)識(shí)別的功能，并且所采用的機(jī)器學(xué)習(xí)方法進(jìn)行姿態(tài)識(shí)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(jī)械地設(shè)定各軸變化角度，當(dāng)變化角度大于限定范圍時(shí)，便會(huì)輸出報(bào)警信號(hào)，不能智能識(shí)別復(fù)雜的行為姿態(tài)。本文系統(tǒng)的優(yōu)勢(shì)在于：以機(jī)器學(xué)習(xí)算法KNN&DTW來(lái)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(shí)別誤報(bào)警的可能性。將上述5 類姿態(tài)的數(shù)據(jù)各1 000組進(jìn)行交叉驗(yàn)證訓(xùn)練，然后將訓(xùn)練好的分類器模型與姿態(tài)角系統(tǒng)中設(shè)定的異常姿態(tài)功能［23］同時(shí)測(cè)試。測(cè)試中將隨機(jī)輸入10 組姿態(tài)角度數(shù)據(jù)，并且與手杖實(shí)際狀態(tài)進(jìn)行對(duì)比，傳感器采集結(jié)果及對(duì)比結(jié)果如表1、2 所示，將同一個(gè)姿態(tài)角X軸、Y軸和Z軸角度數(shù)據(jù)作為輸入數(shù)據(jù)，持續(xù)時(shí)間為手杖傳感器在該角度所持續(xù)的時(shí)間，在姿態(tài)角度預(yù)警系統(tǒng)中默認(rèn)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(shí)驗(yàn)序號(hào)一致則代表為同一組實(shí)驗(yàn)，例如表1中實(shí)驗(yàn)序號(hào)1采集的三軸角度是支撐表2實(shí)驗(yàn)序號(hào)1輸出結(jié)果的實(shí)驗(yàn)數(shù)據(jù)。

圖7 陀螺儀硬件連接及傳感數(shù)據(jù)采集Fig. 7 Gyroscope hardware connection and sensor data acquisition

表1 傳感數(shù)據(jù)的采集結(jié)果Tab. 1 Acquisition results of sensing data

表2 姿態(tài)預(yù)警系統(tǒng)的預(yù)警結(jié)果Tab. 2 Warning results of attitude warning system

如表1 序號(hào)3 采集結(jié)果及表2 對(duì)比實(shí)驗(yàn)結(jié)果所示，在靠近臨界值的角度分析結(jié)果，系統(tǒng)設(shè)定的范圍精度并不高，不能準(zhǔn)確地判斷出正確的姿態(tài)結(jié)果；考慮到盲人出行實(shí)際情況，在表1，表中測(cè)試序號(hào)2、7 和9，模擬手杖摔到地上迅速撿起等情況，系統(tǒng)的報(bào)警結(jié)果就不太準(zhǔn)確，連續(xù)測(cè)試了10 組不同的姿態(tài)情況下的角度數(shù)據(jù)，姿態(tài)角度系統(tǒng)的準(zhǔn)確率只有50%，而經(jīng)過數(shù)據(jù)集訓(xùn)練的分類器結(jié)果輸出有100%的準(zhǔn)確率。10 組測(cè)試數(shù)據(jù)顯示：相較于姿態(tài)角度預(yù)警系統(tǒng)，該算法的姿態(tài)識(shí)別準(zhǔn)確率提高了50 個(gè)百分點(diǎn)，在較小樣本測(cè)試的結(jié)果較好。當(dāng)后期將測(cè)試數(shù)據(jù)加大至100 組時(shí)，KNN&DTW 的準(zhǔn)確率均在86%左右，相較于傳統(tǒng)的設(shè)定姿態(tài)角度范圍的預(yù)警系統(tǒng)的準(zhǔn)確率55%具有相當(dāng)大的優(yōu)勢(shì)，充分體現(xiàn)了本文所應(yīng)用的機(jī)器學(xué)習(xí)分類器的性能良好，能夠達(dá)到一個(gè)很好的姿態(tài)監(jiān)護(hù)效果。

4.3 GPS定位功能測(cè)試

本文系統(tǒng)中手杖的GPS定位功能通過遠(yuǎn)程通過微信小程序界面查詢盲人的實(shí)時(shí)地理位置實(shí)現(xiàn)。在手杖中配置了一塊GPS+GPRS/GSM 定位數(shù)據(jù)傳輸模塊，采用了SIM808 定位通信模塊，通過模塊進(jìn)行GPS 信號(hào)數(shù)據(jù)的采集，并利用GPRS 進(jìn)行數(shù)據(jù)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(shù)據(jù)發(fā)送到云服務(wù)器。NEMA0183是美國(guó)國(guó)家海洋電子協(xié)會(huì)（National Marine Electronics Association，NMEA）制定的標(biāo)準(zhǔn)格式，目前已成了GPS 導(dǎo)航設(shè)備統(tǒng)一的海事無(wú)線電技術(shù)委員會(huì)（Radio Technical Commission for Maritime services，RTCM）標(biāo)準(zhǔn)協(xié)議，協(xié)議內(nèi)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(shí)驗(yàn)測(cè)試地點(diǎn)為學(xué)校操場(chǎng)，持手杖多次移動(dòng)位置，并在一個(gè)位置多次測(cè)量地理位置數(shù)據(jù)，將測(cè)試的經(jīng)緯度信息通過串口顯示出來(lái)，將NEMA-0183 格式的經(jīng)緯度數(shù)據(jù)及其他數(shù)據(jù)換算成標(biāo)準(zhǔn)經(jīng)緯度的格式，再通過GPS 經(jīng)緯度測(cè)試工具進(jìn)行查詢顯示；同時(shí)與測(cè)試地點(diǎn)的實(shí)際標(biāo)準(zhǔn)經(jīng)緯度進(jìn)行比較，實(shí)際經(jīng)緯度信息由百度地圖采集所得，用于對(duì)比測(cè)試手杖定位模塊的定位精度。測(cè)試在學(xué)校操場(chǎng)不同的地方利用不同的定位模塊進(jìn)行了多次定位采集，具體測(cè)試數(shù)據(jù)如表4 所示（以NEMA格式數(shù)據(jù)顯示例如E11 423.234 7 即東經(jīng)114°23′14.082″，地圖1″誤差約等于30.9 m，三者誤差比為三者經(jīng)緯度定位誤差距離之比）。

由于盲人個(gè)體的特殊性，求助時(shí)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(hù)的及時(shí)性，但市面上多款盲人手杖的定位功能極易受到信號(hào)強(qiáng)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(jìn)行精度對(duì)比測(cè)試［24］。從結(jié)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(duì)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(shù)據(jù)傳輸功能而需另外外接，所以本文采用價(jià)格低廉的SIM808 模塊并且集成GPRS 數(shù)據(jù)傳輸模塊，可以實(shí)現(xiàn)定位數(shù)據(jù)的云端傳輸，恰好體現(xiàn)了盲人手杖的物聯(lián)網(wǎng)概念和微信小程序端查詢、監(jiān)護(hù)的功能需求。

綜上所述，本文設(shè)計(jì)結(jié)合物聯(lián)網(wǎng)技術(shù)的盲人手杖所實(shí)現(xiàn)的定位功能精度較高，能夠保證盲人的出行定位監(jiān)護(hù)功能的實(shí)現(xiàn)。

表4 GPS定位測(cè)試結(jié)果對(duì)比Tab. 4 Comparison of GPS positioning test results

5 結(jié)語(yǔ)

本文融合KNN&DTW 方法及物聯(lián)網(wǎng)技術(shù)，以盲人手杖為核心開發(fā)了一套完整的監(jiān)護(hù)系統(tǒng)，從盲人本身的生活出行情況和監(jiān)護(hù)人的日常監(jiān)護(hù)兩個(gè)方面保障了盲人的安全出行。本文除了具備市場(chǎng)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(yuǎn)程求助通信功能，在盲人遇到危險(xiǎn)時(shí)能快速求助；市場(chǎng)上盲人手杖只能夠通過短信發(fā)送定位信息進(jìn)行求助，本文研究則將GPS 定位的功能通過GPRS 通信模塊實(shí)現(xiàn)云端服務(wù)器的傳輸，利用微信小程序查詢和實(shí)時(shí)地圖顯示，更加直觀地幫助監(jiān)護(hù)人監(jiān)護(hù)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(jì)及陀螺儀模塊，通過KF姿態(tài)解算后輸出的姿態(tài)角度來(lái)查看盲人的姿態(tài)情況，亦通過GPRS數(shù)據(jù)傳輸至云端服務(wù)器，同樣是利用微信小程序調(diào)取傳感數(shù)據(jù)信息；同時(shí)加入了融合機(jī)器學(xué)習(xí)算法的姿態(tài)異常監(jiān)護(hù)功能，加入機(jī)器學(xué)習(xí)KNN&DTW 算法，通過大量數(shù)據(jù)集進(jìn)行測(cè)試，手動(dòng)對(duì)姿態(tài)狀況進(jìn)行標(biāo)簽標(biāo)記，從而使分類器可以識(shí)別盲人正常行為的姿態(tài)情況，避免誤報(bào)警現(xiàn)象頻發(fā)；監(jiān)護(hù)人可以通過微信小程序遠(yuǎn)程呼叫救護(hù)車，最大限度保障了盲人的安全。本文在算法應(yīng)用中加入了幾種基本的姿態(tài)情況，對(duì)于較復(fù)雜的行為判斷仍有較大的研究潛力。