基于多传感器数据融合的助行机器人防摔倒技术研究

张玉叶

（咸阳师范学院物理与电子工程学院，陕西咸阳712000）

摘要：助行机器人为行动不便的老年人提供了身体支撑和行走辅助。在此设计的助行机器人防老年人摔倒系统将人体在站立、行走、摔倒等状态所获得的触滑觉信号、角速度信号、加速度信号作为神经网络的训练样本和试验样本。首先在信息层将一种传感器采集的单一信号送入局部决策器，进行局部处理后再送入融合中心综合决策，形成多传感器数据融合的防摔预测研究，并进行了相关仿真。仿真结果表明该系统可靠，对实现满足老年人在户外独立、安全行走需求的机器人开发提供理论及实验依据。

教育期刊网 http://www.jyqkw.com
关键词 ：助行机器人；多传感器；数据融合；BP神经网络

中图分类号：TN302?34；TP301.6 文献标识码：A 文章编号：1004?373X（2015）14?0036?03

收稿日期：2015?01?07

基金项目：2013咸阳学院教研基金项目：下肢助力外骨骼康复机器人动力学分析与仿真（13XSYK015）

0 引言

中国人口老龄化形势严峻，甚至世界人口正在走向老龄化。可以预计，在不远的将来，老年人的护理将成为社会的一个重要负担；而且，可以作为保姆角色的为老年人和残疾人提供看护的人员也会非常短缺，甚至没人愿意从事这个方面的工作；所以，老龄化问题所涉及的医疗和社会保险体系也面临巨大的压力，助老问题正日益成为一个重大的社会问题；尤其是近年来，脑卒中发病已呈“井喷”态势。根据最新统计，2012 年我国脑卒中患病率达1.82%，估算我国40岁以上的脑卒中患者达1 036万人。脑卒中患者大多会留下步履蹒跚，动作不协调的后遗症。对此运用Bobath技术、Brunnstrom技术，神经肌肉本体促进技术等，帮助患者恢复肌体功能，早日回归家庭和社会。脑卒中患者主动训练过程中意外伤害的首要原因是摔倒，意外失足或者某种疾病突然发作及恶化很可能引起跌倒；在发生跌倒事件后，如得不到及时救护，延误救助时机将危机生命。因此，研制开发专为老人服务的产品——防老年人摔倒的助行机器人，在不影响老年人的正常生活情况下，准确地将摔倒事件与日常生活事件区分开来，并且在发生摔倒事件时，及时的报警联系救护，这对于提高老年人的生活质量，提高医疗工作的效率，促进我国社会的稳定具有重要作用[1?3]。

1 多传感器数据融合防摔技术

1.1 多传感器数据融合的摔倒预测

多传感器数据融合摔倒预测的主要思想是：设计基于决策层信息融合的摔倒预测系统，即对每个传感器所采集的信息先局部决策，再利用局部决策信息进行全局融合，总体思路框图如图1所示。

1.2 样本提取与预处理[4?5]

使用机器人过程中，取站立、行走、摔倒等状态所获得的触滑觉信号、加速度信号、角速度信号作为神经网络的训练样本和试验样本。其中触滑觉信号的获取是使用助行机器人时各个状态的触滑觉传感器数据。数据提取的有效信号通道数作为触滑觉信号样本。角速度信号的获取是采集各状态的角速度数据。

在计算x，y，z 轴的躯干倾角时，由于y 轴躯干倾角变化明显，所以选取y 轴数据作为角速度信号样本。加速度信号的获取是采集摔倒过程的加速度值组成的加速度时间序列，训练隐马尔可夫模型，获取助行时的各运动状态的加速度值组成加速度时间序列，通过已训练的HMM得到输出概率P 作为样本。

1.3 局部决策处理[6?7]

摔倒预测融合系统首先在信息层将一种传感器采集的单一信号送入局部决策器，进行局部处理，再送入融合中心综合决策。多传感器数据预处理后的值组成一向量为：

这种方法具有两个优点：其一是局部决策没有异常时不送入融合中心，减轻融合中心数据处理工作量；其二是一旦有异常就进行数据融合检测摔倒倾向，最大限度的实现摔倒的预测。

1.3.1 基于触滑觉信号的摔倒预测

助行机器人触滑觉扶手上有6 个触滑觉传感器。一般在正常行走时有2个有效信号通道数。人在摔倒时可能出现手脱离扶手，此时信号通道数为0；或者本能的紧握住扶手，则出现多个信号通道数。算法流程如图2所示。

1.3.2 基于角速度信号的摔倒预测

躯干倾角报警门限STD (θ ) p 的选取方法：取摔倒行为过程中合加速度曲线距离第一次峰值300 ms时的躯干倾角作为集合；选取日常行走过程数据样本躯干倾角为集合，使用SVM 算法进行分类。特征空间维数为n=1。最优分类界面实质上是一个点，即y = b 。通过SVM 计算得最优分类超平面θp = 28.3° ，算法流程如图3所示，其中θp 为躯干倾角阈值，运用SVM 支持向量机对摔倒行为和行走行为进行分类，取最优分类界面上的值作为倾角阈值[8?9]。

1.3.3 基于加速度信号的摔倒预测

基于加速度信号的摔倒预测算法流程如图4 所示。阈值P1的选择应该位于日常生活中对HMM模型λ的输出概率最高值，与摔倒运动过程对HMM 模型λ的输出概率的最低值之间。

经过多次实验数据仿真得到加速度曲线和输出概率曲线，如图5 所示。由仿真结果可以看出，选择log P1 = -25 。

1.4 决策层的数据融合实现

融合中心采用BP神经网络，在此设计BP神经网络的结构、选取网络参数和算法。利用训练样本训练BP神经网络。网络结构采用3层BP神经网络。输入层分别是归一化的触滑觉信号、归一化的加速度信号和归一化的角速度信号。

隐蔽层数目的选取可按下面经验公式获得

根据公式取nH = 10 ，输出层有2 个神经元，对应摔倒的概率和安全的概率。采用改进的BP算法，即采用自适应学习速率和附加动量法相结合的算法。

2 神经网络预测模型建立

输入层数目为3，隐含层数目为10，输出层数目为1。

采用改进的BP算法，即采用自适应学习速率和附加动量法相结合的算法[10]。训练样本的组成：摔倒时单手握住扶手10 组，摔倒时双手紧握扶手10 组，摔倒时脱手10组，正常行走10组。其中摔倒的数据采用的是在摔倒与地面冲击前300 ms的，躯干倾角值和经过HMM输出的概率值及触滑觉信号状态。BP 网络输出值，摔倒时为0.9，正常时为0.1。训练样本部分数据表1所示。

利用Matlab神经网络工具箱对训练样本进行训练，在多次仿真实验后得到较好的实验结果，神经网络的误差收敛状况见图6。样本集当中一般很少出现互反的样例，不然样本集就有问题了。神经网络学习算法本来就是不稳定的，这与训练样本有很大的关系，从图6的神经网络误差曲线的收敛状况来看，训练样本集的选取以及改进的神经网络算法基本合理。

神经网络训练后的权值和阈值如下：

网络训练以后，输入测试样本，表2 对期望值和实际输出值进行了比较。

4 结论

步履蹒跚的老年人以及脑卒中患者步态训练时都离不开助行机器人，防摔系统将人体在站立、行走、摔倒等状态所获得的触滑觉信号、加速度信号、角速度信号作为神经网络的训练样本和试验样本，首先在信息层将一种传感器采集的单一信号送入局部决策器，进行局部处理后再送入融合中心综合决策，形成多传感器数据融合防摔预测研究，满足老年人在户外独立、安全行走的需求；并且对所采用的防摔倒预测方法进行了算法样本的提取与试验，关键点进行了仿真。仿真结果显示：所采用的训练样本集的选取以及改进的神经网络算法基本合理有效，从神经网络训练前后期望值和实际输出值比较结果来看BP神经网络训练算法有效。

教育期刊网 http://www.jyqkw.com
参考文献

[1] 魏晓娟.一种触滑觉控制的助行服务机器人[J].电子世界，2014（3）：80?81.

[2] 马培铮.老龄社会背景下智能家庭机器人系统的必要性研究[J].现代家电，2012（20）：42?43.

[3] 王云霞，张小栋.一种福利友好的助行机器人设计[C]//2008年第三界北京国际康复论坛论文集.北京:中国康复医学会,2008：673?677.

[4] 常晓军.老年人群意外跌倒过程中的身体姿态感知技术研究[D].西安：西北大学，2011.

[5] 薛源，高向阳.基于多传感器信息融合的跌倒监测系统设计[J].武汉理工大学学报：信息与管理工程版，2011，33（5）：712?716.

[6] 吴艳.多传感器数据融合算法研究[D].西安：西安电子科技大学，2003.

[7] 牟文杰，叶凌云.基于多传感器融合的车载航位推算系统[J].传感器与微系统，2015，34（1）：94?96.

[8] 陈贵亮，李长鹏，刘更谦.下肢外骨骼康复机器人的自适应控制研究[J].制造业自动化，2012（24）：5?9.

[9] 金纯，伊远阳.一种基于统计学判别分析的老人摔倒检测算法[J].计算机应用研究，2014，31（1）：90?91.

[10] 崔翰文，栾石圳南，李远帆，等.空巢老人手机用户的精准识别[J].数学建模及其应用，2014（1）：49?51.

[11] 李松，罗勇，张铭锐.遗传算法优化BP 神经网络的混沌时间序列预测[J].计算机工程与应用，2011（29）：53?55.

作者简介：张玉叶（1979—），女，陕西礼泉人，讲师，硕士。研究方向为生机电一体化。