基于多传感器数据融合的助行机器人防摔倒技术研究

《基于多传感器数据融合的助行机器人防摔倒技术研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、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

2、外独立、安全行走需求的机器人开发提供理论及实验依据。.jyqk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

3、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

4、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

5、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

6、摔倒行为过程中合加速度曲线距离第一次峰值300ms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

7、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logP1=-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

8、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300ms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