數(shù)據(jù)融合在護(hù)理機(jī)器人排便監(jiān)測(cè)中的應(yīng)用研究

劉曉軍，陶晉宜，楊 剛，王 帥

（1.太原理工大學(xué)電氣與動(dòng)力工程學(xué)院，山西 太原 030024；2.西安電子科技大學(xué)電子工程學(xué)院，陜西 西安 710071）

1 引言

隨著社會(huì)的進(jìn)步和人民生活水平的提高，人們?cè)絹碓疥P(guān)注人口老齡化這一熱點(diǎn)問題。因人體年老和各項(xiàng)身體機(jī)能的衰退，全國喪失生活自理能力的人數(shù)在不斷增加[1]，將人工智能技術(shù)應(yīng)用于養(yǎng)老產(chǎn)業(yè)，使得以護(hù)理機(jī)器人為核心的智能老齡護(hù)理成為解決失能老人護(hù)理的新手段，智能護(hù)理機(jī)器人以飲食護(hù)理、睡眠護(hù)理、排泄護(hù)理和助醫(yī)服務(wù)等多種護(hù)理方式提供養(yǎng)老服務(wù)，其中排泄護(hù)理在解決傳統(tǒng)護(hù)理引發(fā)的倫理問題上顯得尤為重要。目前針對(duì)失能老人的傳統(tǒng)排便護(hù)理模式已難以滿足護(hù)理要求，護(hù)理人員在承擔(dān)繁重的日常護(hù)理之外，還需承擔(dān)巨大的心理壓力，而且對(duì)于大小便失禁的老人，若沒及時(shí)處理，常常會(huì)引發(fā)各種感染疾病。

現(xiàn)階段我國的護(hù)理床結(jié)構(gòu)簡單，排便監(jiān)測(cè)還是采用單一參數(shù)的傳感器，獲得的特征信號(hào)具有一定的局限性，容易引發(fā)誤報(bào)或者漏報(bào)的問題。文獻(xiàn)[2]設(shè)計(jì)了一種大小便自動(dòng)感應(yīng)及處理裝置，其信號(hào)處理模塊簡單，并不能充分利用傳感器信息來實(shí)時(shí)監(jiān)測(cè)排便。針對(duì)以上問題，提出了BP 網(wǎng)絡(luò)與改進(jìn)的D-S 證據(jù)理論相結(jié)合的數(shù)據(jù)融合算法，通過仿真建模對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，驗(yàn)證改進(jìn)算法的可行性，從而將其運(yùn)用到護(hù)理機(jī)器人上，提高排便監(jiān)測(cè)的準(zhǔn)確性和實(shí)時(shí)性。

2 多傳感器數(shù)據(jù)融合結(jié)構(gòu)模型

多傳感器數(shù)據(jù)融合[3]可以從不同角度反應(yīng)事物的各個(gè)方面，實(shí)現(xiàn)信息的互補(bǔ)。神經(jīng)網(wǎng)絡(luò)[4]作為數(shù)據(jù)融合的一種方法，通過建立輸入與輸出的映射關(guān)系，運(yùn)用傳感器信息和系統(tǒng)決策進(jìn)行指導(dǎo)性學(xué)習(xí)，確定權(quán)值分配，完成網(wǎng)絡(luò)的訓(xùn)練，最后將實(shí)測(cè)數(shù)據(jù)與信息進(jìn)行模式匹配比較，得到準(zhǔn)確判決。

考慮到每個(gè)傳感器對(duì)排便的敏感程度不同及其性能差別的影響，可能對(duì)神經(jīng)網(wǎng)絡(luò)輸出結(jié)果有很大的影響，增加D-S 證據(jù)理論[5-7]的決策級(jí)融合，又因經(jīng)典的D-S 證據(jù)理論[8]無法處理高度沖突的證據(jù)體，所以引入矛盾系數(shù)改進(jìn)證據(jù)理論，將BP 網(wǎng)絡(luò)結(jié)合改進(jìn)的D-S 證據(jù)理論數(shù)據(jù)融合算法應(yīng)用于護(hù)理機(jī)器人排便監(jiān)測(cè)系統(tǒng)中，它的具體算法原理，如圖1 所示。

圖1 數(shù)據(jù)融合結(jié)構(gòu)模型圖Fig.1 Data Fusion Structure Model

3 BP 網(wǎng)絡(luò)

BP 網(wǎng)絡(luò)是一種模擬人腦信息的非線性信息處理系統(tǒng)，具有很好的魯棒性。特征級(jí)融合是對(duì)預(yù)處理后的參數(shù)信息進(jìn)行分析處理，并將融合結(jié)果送到?jīng)Q策級(jí)進(jìn)行全局決策。因此該層既要特征提取，又要局部決策，故特征級(jí)融合采用BP 網(wǎng)絡(luò)，通過不斷調(diào)整權(quán)值使實(shí)際輸出與期望輸出的總均方差最小。

3.1 數(shù)據(jù)預(yù)處理

經(jīng)醫(yī)院實(shí)地調(diào)研獲取的各參數(shù)信息數(shù)量級(jí)相差比較大，為消除不同量綱對(duì)結(jié)果的影響，在BP 網(wǎng)絡(luò)訓(xùn)練之前需對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，使數(shù)據(jù)處在［0，1］區(qū)間：

式中：ymin、ymax—?dú)w一化的區(qū)間，即 ymin=0、ymax=1，xmin、xmax—輸入樣本的最小值和最大值。

3.2 BP 網(wǎng)絡(luò)初始化

BP 網(wǎng)絡(luò)的構(gòu)建需根據(jù)輸入輸出決定，而一個(gè)3 層的BP 網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)任意非線性函數(shù)的逼近，因此建立3 層的BP 網(wǎng)絡(luò)來實(shí)現(xiàn)n 維到m 維的映射：

式中：X=［x1，x2，…，xn］；xi—輸入層第 i 個(gè)節(jié)點(diǎn)的輸入值；Y=［y1，y2，…，ym］；yi—輸出層第 i 個(gè)節(jié)點(diǎn)的輸出值。

隱含層節(jié)點(diǎn)數(shù)直接影響B(tài)P 網(wǎng)絡(luò)的非線性性能，節(jié)點(diǎn)數(shù)過少會(huì)導(dǎo)致網(wǎng)絡(luò)的容錯(cuò)性降低，節(jié)點(diǎn)數(shù)過多可能導(dǎo)致不收斂。通常情況，隱含層的節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)公式確定：

式中：p—隱含層節(jié)點(diǎn)數(shù)；n—輸入層節(jié)點(diǎn)數(shù)；m—輸出層節(jié)點(diǎn)數(shù)；a—［1，10］之間的常數(shù)。

4 D-S 證據(jù)理論

4.1 基本概念

對(duì)于識(shí)別框架Θ，如果函數(shù)m：2Θ→［0，1］滿足下列條件：

式中：m（A）—A 的基本概率賦值，表示對(duì)A 的信任程度。

假設(shè)在同一識(shí)別框架 Θ 下，m1、m2、…、mn是 n 個(gè)獨(dú)立證據(jù)源的基本信度分配函數(shù)，焦元分別為Ai（i=1，2，…，N），那么多個(gè)證據(jù)源的組合規(guī)則為：

式中：K—沖突因子，表示各證據(jù)之間的沖突程度。

4.2 改進(jìn)的D-S 證據(jù)理論

D-S 證據(jù)理論在面對(duì)高度沖突證據(jù)時(shí)會(huì)產(chǎn)生有悖于常理的問題，得到與實(shí)際情況完全偏離的結(jié)果，針對(duì)此問題，許多學(xué)者提出了改進(jìn)方法，文獻(xiàn)[9]默認(rèn)證據(jù)之間的權(quán)重相等，并沒有考慮到證據(jù)的重要性問題。文獻(xiàn)[10]根據(jù)3-D 沖突信息的結(jié)構(gòu)特點(diǎn)和各焦元被各證據(jù)所支持的度量進(jìn)行直接融合，計(jì)算比較復(fù)雜。針對(duì)排便監(jiān)測(cè)的復(fù)雜性，引入矛盾系數(shù)改變各個(gè)證據(jù)的權(quán)重，使高度沖突的證據(jù)所占的權(quán)重較小，從而減小對(duì)融合結(jié)果的影響。

有識(shí)別框架Θ，命題A 的基本信度分配函數(shù)有m1（Ak），m2（Ak），則這兩條證據(jù)的沖突系數(shù)如下：

Ci，j（Ak）越小，兩個(gè)證據(jù)存在的沖突越小，若命題Ak的基本信度分配m1（Ak）和m2（Ak）完全相等，則證據(jù)之間不存在沖突，若m1（Ak）和m2（Ak）不相等，Ci，j（Ak）值表示兩證據(jù)間的沖突程度。

對(duì)于識(shí)別框架中的任意一個(gè)命題Ak，當(dāng)有n 條證據(jù)時(shí)，命題A 矛盾矩陣定義如下：

式中：矛盾矩陣反映了命題中不同證據(jù)之間的沖突程度。

每條證據(jù)的相互矛盾系數(shù)如下：

式中：Vi（Ak）—在對(duì)命題A 合成時(shí)基本信度分配所占的比重；n—證據(jù)體的個(gè)數(shù)；每條證據(jù)與其他證據(jù)存在高度沖突時(shí)相互矛盾系數(shù)Gi（Ak）的值為n；Gi（Ak）/n—證據(jù)的不可信程度。綜合式（5）和式（10），改進(jìn)的D-S 證據(jù)理論組合規(guī)則如下：

式中：Vi（Ai）—命題A 對(duì)應(yīng)證據(jù)的權(quán)重。與式（5）相比，上式通過增加矛盾系數(shù)改變各個(gè)證據(jù)的權(quán)值，進(jìn)而應(yīng)用權(quán)值信息改變組合規(guī)則以提高證據(jù)理論對(duì)各證據(jù)之間沖突的處理能力。

4.3 D-S 證據(jù)理論數(shù)據(jù)融合決策

將BP 網(wǎng)絡(luò)輸出結(jié)果歸一化處理，并將其轉(zhuǎn)化為D-S 證據(jù)理論的基本信度分配，具體公式如下：

式中：En—輸出層所有神經(jīng)元的誤差和，作為D-S 證據(jù)理論的不確定因素m（θ）；y（Ai）—BP 網(wǎng)絡(luò)的輸出結(jié)果；dni、yni—第i 個(gè)神經(jīng)元的期望輸出值和實(shí)際輸出值。

采用以下準(zhǔn)則進(jìn)行目標(biāo)識(shí)別結(jié)果的判決：

（1）最終的識(shí)別結(jié)果應(yīng)具有最大的基本信度分配。

（2）最終的識(shí)別結(jié)果與其他結(jié)果的基本信度分配值之差要大于設(shè)定的閾值ε1。

（3）不確定基本信度分配m（θ）小于設(shè)定的閾值ε2。

（4）最終的識(shí)別結(jié)果基本信度分配值要大于不確定基本信度分配 m（θ）。

5 實(shí)例分析

通過調(diào)研得到不同時(shí)間段的樣本數(shù)據(jù)，剔除樣本中特征重復(fù)高的數(shù)據(jù)，最終選取330 組作實(shí)例分析，數(shù)據(jù)分為三組，分別用t1、t2、t3表示，每組參數(shù)下 110 組數(shù)據(jù)，其中 90 組數(shù)據(jù)作為訓(xùn)練樣本，20 組數(shù)據(jù)作為測(cè)試樣本。

5.1 基于BP 網(wǎng)絡(luò)的特征級(jí)監(jiān)測(cè)

將濕度、溫度及氨氣參數(shù)信息預(yù)處理后作為BP 網(wǎng)絡(luò)的特征輸入，分別用 X1、X2、X3表示。設(shè)理想輸出［1，0，0］表示有大便排泄、［0，1，0］表示有小便排泄、［0，0，1］表示無排泄，分別用 A1、A2、A3表示輸出狀態(tài)，通過多次訓(xùn)練不斷調(diào)整網(wǎng)絡(luò)權(quán)值，3 個(gè)BP 網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)依次設(shè)為7、6、7。綜上，特征級(jí)融合3 個(gè)組對(duì)應(yīng)的 BP 網(wǎng)絡(luò)結(jié)構(gòu)分別為 3×7×3、3×6×3、3×7×3，隱含層和輸出層的傳遞函數(shù)分別為tansig（）和purelin（），訓(xùn)練算法采用梯度下降動(dòng)量和自適應(yīng)lr 的BP 算法訓(xùn)練函數(shù)traingdx。訓(xùn)練的最大迭代步數(shù)設(shè)為5000 步，學(xué)習(xí)率為0.01，目標(biāo)誤差為0.005。

將三組共270 組數(shù)據(jù)構(gòu)成的特征向量作為訓(xùn)練樣本，利用MATLAB 平臺(tái)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)分別對(duì)3 個(gè)BP 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練過程誤差曲線，如圖2 所示。3 個(gè)BP 網(wǎng)絡(luò)迭代步數(shù)分別在578步、1289 步和329 步時(shí)訓(xùn)練精度誤差滿足0.005 以下，同時(shí)收斂程度均達(dá)到預(yù)定的網(wǎng)絡(luò)性能參數(shù)設(shè)置目標(biāo)。將各組的測(cè)試樣本輸入到訓(xùn)練好的BP 網(wǎng)絡(luò)中，由于輸出結(jié)果篇幅太長，取其部分輸出結(jié)果，如表1 所示。觀察表1 中的輸出結(jié)果，在特征級(jí)融合階段，3 個(gè)BP 網(wǎng)絡(luò)的各輸出節(jié)點(diǎn)基本反映了大小便的監(jiān)測(cè)狀態(tài)，能初步判斷有無排泄，但部分監(jiān)測(cè)結(jié)果識(shí)別率并不高，如t2組中的小便識(shí)別誤差達(dá)到了0.3659，取閾值ε1=0.3、ε2=0.5，根據(jù)目標(biāo)識(shí)別準(zhǔn)則識(shí)別結(jié)果將無法判斷，可能誤判斷造成誤報(bào)警。

圖2 BP 網(wǎng)絡(luò)誤差曲線圖Fig.2 BP Network Error Curve

表1 BP 網(wǎng)絡(luò)的部分監(jiān)測(cè)結(jié)果Tab.1 Partial Monitoring Results of BP Network

5.2 基于D-S 證據(jù)理論的決策級(jí)監(jiān)測(cè)

進(jìn)一步利用表1 中的融合結(jié)果，通過式（13）和式（14）計(jì)算方法，經(jīng)歸一化處理獲得決策級(jí)融合D-S 證據(jù)理論的基本信度分配，如表2 所示。

表2 D-S 證據(jù)理論的基本信度分配Tab.2 Basic Confidence Distribution of D-S Evidence Theory

依據(jù)表2 中的基本信度分配，分別采用D-S 算法、Murphy算法和改進(jìn)的D-S 算法進(jìn)行決策級(jí)融合，結(jié)果如表3 所示。

同樣取閾值ε1=0.3、ε2=0.5，相比于BP 網(wǎng)絡(luò)的特征級(jí)融合，在決策級(jí)融合階段消除了輸出結(jié)果不明確的情況。從表3 可以看出：（1）經(jīng)典的D-S 算法識(shí)別率相對(duì)較低，并沒有考慮證據(jù)沖突的情況，暴露出D-S 合成規(guī)則的缺陷；（2）Murphy 算法融合得到的小便概率值為0.914256 遠(yuǎn)小于算法的概率值，這是因?yàn)镸urphy 算法只是對(duì)證據(jù)沖突部分進(jìn)行平均分配，忽略了證據(jù)權(quán)重的問題，在某些情況下并不能得到理想的結(jié)果；（3）這里算法利用沖突之間的有效信息，引入矛盾系數(shù)改進(jìn)證據(jù)組合規(guī)則，融合結(jié)果的識(shí)別率都在0.94 以上，而且收斂速度更快，同時(shí)可觀察到算法的不確定性融合精度降到10-5，這是因?yàn)檫@里算法考慮了證據(jù)之間的關(guān)聯(lián)性，降低了結(jié)果的不確定性，使得決策結(jié)果更精確，更接近事實(shí)。

表3 不同D-S 算法的融合結(jié)果Tab.3 Fusion Results of Different D-S Algorithms

6 結(jié)論

主要研究了一種基于多傳感器數(shù)據(jù)融合的護(hù)理機(jī)器人排便監(jiān)測(cè)方法，通過分析得出以下結(jié)論：

（1）在特征級(jí)監(jiān)測(cè)階段，利用BP 網(wǎng)絡(luò)進(jìn)行初步融合，獲得決策級(jí)融合中證據(jù)組合所需的基本信度分配；

（2）決策級(jí)融合階段，在傳統(tǒng)的D-S 證據(jù)理論基礎(chǔ)上引入矛盾系數(shù)改進(jìn)證據(jù)組合規(guī)則，通過矛盾系數(shù)改變證據(jù)間的權(quán)重降低了其他結(jié)果對(duì)最終決策的干擾，具有更好的辨識(shí)性，不確定性大大降低；

（3）基于BP 網(wǎng)絡(luò)和改進(jìn)的D-S 證據(jù)理論相結(jié)合的數(shù)據(jù)融合監(jiān)測(cè)方法增加了系統(tǒng)工作的可靠性，大大提高了護(hù)理機(jī)器人排便監(jiān)測(cè)的智能化水平，滿足了護(hù)理機(jī)器人自動(dòng)感應(yīng)排泄的要求。