王海洋，田力威

（1.沈陽大學(xué) 科研中心，遼寧 沈陽 110044；2.遼寧省物聯(lián)網(wǎng)信息集成技術(shù)工程研究中心，遼寧 沈陽 110044）

在我國隨著老齡化社會(huì)的逐步趨近，老年人的養(yǎng)老問題顯得越來越重要.歐美發(fā)達(dá)國家，由于更早進(jìn)入老齡化社會(huì)，在智能養(yǎng)老領(lǐng)域有更多的經(jīng)驗(yàn).例如，美國的基于RFID 傳感器的全新監(jiān)測(cè)系統(tǒng)，用來監(jiān)視老年人家中情況并記錄他們的行為.英國構(gòu)建出一種全智能化老年公寓，在地板和家電中植入電子芯片，使老人的日常生活處于遠(yuǎn)程監(jiān)控狀態(tài).我國的智能養(yǎng)老課題研究雖然起步較晚，但是南京也提出了智慧社區(qū)養(yǎng)老平臺(tái)、蘇州啟動(dòng)了信息化養(yǎng)老服務(wù)工程.然而，目前大部分養(yǎng)老院對(duì)老年人的看護(hù)主要采用單一的視頻監(jiān)控，只能在一定范圍內(nèi)對(duì)老年人進(jìn)行監(jiān)控，缺乏對(duì)多源信息的協(xié)同處理和綜合利用.分布式智能養(yǎng)老系統(tǒng)結(jié)合了RFID 技術(shù)和實(shí)時(shí)健康監(jiān)護(hù)的優(yōu)勢(shì)，不僅能夠?qū)崟r(shí)監(jiān)護(hù)老人的身體狀況，還能兼顧老人的精神需求.同時(shí)可以讓子女隨時(shí)了解父母的健康狀況，父母出現(xiàn)意外狀況時(shí)更能第一時(shí)間得到通知，充分滿足了子女對(duì)老人的呵護(hù)需求.分布式智能養(yǎng)老系統(tǒng)正是為解決養(yǎng)老院分散的管理系統(tǒng)信息孤立、養(yǎng)老服務(wù)設(shè)施不能滿足實(shí)時(shí)看護(hù)的需要提出的.在分布式智能養(yǎng)老系統(tǒng)中，為了更好地實(shí)現(xiàn)對(duì)老年人的看護(hù)，在養(yǎng)老院中給老年人佩戴RFID 腕帶，實(shí)時(shí)采集老年人的體征信息.同時(shí)，養(yǎng)老院的視頻監(jiān)控體系實(shí)時(shí)采集老年人的圖像信息.由于單一的信息不能很好地體現(xiàn)老年人的實(shí)時(shí)身體狀態(tài)，而且兩類信息的屬性不同，所以在分布式系統(tǒng)中需要將兩者進(jìn)行數(shù)據(jù)融合處理.國內(nèi)外針對(duì)數(shù)據(jù)融合的算法多集中在貝葉斯估計(jì)法、極大似然估計(jì)法、D-S 證據(jù)理論法［1］、卡爾曼濾波法、聚類分析、神經(jīng)網(wǎng)絡(luò)法等.結(jié)合分布式系統(tǒng)數(shù)據(jù)的多源性、海量性，要求數(shù)據(jù)處理時(shí)的實(shí)時(shí)性、準(zhǔn)確性，以及神經(jīng)網(wǎng)絡(luò)具有實(shí)現(xiàn)簡單，以及在一定范圍內(nèi)具有較高識(shí)別精度的特點(diǎn)，本文采用BP神經(jīng)網(wǎng)絡(luò)算法，取得一定的效果.

1 基于BP 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合技術(shù)

1.1 數(shù)據(jù)融合理論

數(shù)據(jù)融合的概念最早是由美國國防部在20世紀(jì)70年代提出的.它是一個(gè)在多個(gè)級(jí)別上對(duì)傳感器數(shù)據(jù)進(jìn)行綜合處理的過程，是一個(gè)利用計(jì)算機(jī)技術(shù)對(duì)時(shí)序獲得的若干感知數(shù)據(jù)，在一定準(zhǔn)則下加以分析、綜合，以完成所需決策和評(píng)估任務(wù)而進(jìn)行的數(shù)據(jù)處理過程［2］.它比直接從各信息源得到的信息更簡潔、更少冗余、更有用途.目前常用的數(shù)據(jù)融合算法主要有：貝葉斯估計(jì)法、加權(quán)平均法、極大似然估計(jì)法、D-S證據(jù)理論法、卡爾曼濾波法、聚類分析、模糊邏輯、神經(jīng)網(wǎng)絡(luò)法等［3］.

其中，基于神經(jīng)網(wǎng)絡(luò)算法的數(shù)據(jù)融合由于具有以下幾個(gè)優(yōu)點(diǎn)而被廣泛應(yīng)用：神經(jīng)網(wǎng)絡(luò)中所有信息都等勢(shì)分布貯存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，有很強(qiáng)的魯棒性和容錯(cuò)性；由于采用并行分布處理方法，使得快速進(jìn)行大量運(yùn)算成為可能，滿足了系統(tǒng)實(shí)時(shí)性的要求.而分布式智能養(yǎng)老系統(tǒng)，由于不同類別的老人所需要的監(jiān)管程度不同，可以制定不同的監(jiān)管級(jí)別，使得數(shù)據(jù)源不同.而且，針對(duì)每位老人佩戴RFID 手環(huán)，實(shí)時(shí)采集老人的體征信息，同時(shí)監(jiān)控設(shè)備采集老人活動(dòng)的圖像信息，兩類信息的屬性不同.對(duì)本系統(tǒng)所面臨的數(shù)據(jù)特點(diǎn)，采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行數(shù)據(jù)融合.

1.2 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合

BP神經(jīng)網(wǎng)絡(luò)是一種前饋式神經(jīng)網(wǎng)絡(luò)，采用一種層式的監(jiān)督式的學(xué)習(xí)算法［4］，如果網(wǎng)絡(luò)在輸出層得不到與期望的輸出等同的話，就進(jìn)行相反方向的網(wǎng)絡(luò)的傳播，并在這個(gè)過程中不斷調(diào)整各神經(jīng)元的權(quán)重，使得均方值誤差最小.BP 神經(jīng)網(wǎng)絡(luò)在進(jìn)行數(shù)據(jù)融合時(shí)節(jié)約了融合的能量［5］，減少了誤差的可能性.而分布式系統(tǒng)中，如果老年人發(fā)生突發(fā)狀況，此時(shí)如果監(jiān)控體系由于后臺(tái)算法的復(fù)雜產(chǎn)生延遲，而延誤了老人的救治時(shí)間，很有可能會(huì)造成巨大損失.正是基于此特點(diǎn)，系統(tǒng)選用BP神經(jīng)網(wǎng)絡(luò)算法.將采集到的RFID 體征信息與視頻圖像信息作為網(wǎng)絡(luò)的輸入，將老年人是否得到很好的照顧作為輸出.經(jīng)過一段時(shí)間的訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)可以逼近輸入信息與輸出決策的復(fù)雜非線性關(guān)系.

2 分布式系統(tǒng)的數(shù)據(jù)融合模型

2.1 數(shù)據(jù)預(yù)處理

在分布式智能養(yǎng)老系統(tǒng)中，采集到的信息主要有兩類：一類是由RFID 采集的代表老人體征的數(shù)字信息，另一類是由監(jiān)控設(shè)備采集到的代表老人身體姿態(tài)的圖像信息.由監(jiān)控設(shè)備采集的圖像信息，采用前景圖像的最小外接矩法分辨人體的姿態(tài).本文重點(diǎn)考慮了最能體現(xiàn)人體三種姿態(tài)，即站、坐、躺三種姿態(tài).通過此方法將高維的圖像信號(hào)變成了兩維表示人的姿態(tài)［6］.設(shè)矩形寬為W，高為H，定義人的姿態(tài)比為K＝H／W，判斷描述人體的姿態(tài)特征.通過統(tǒng)計(jì)日常動(dòng)作900幅圖片中不同的K 值，依據(jù)最小誤判概率準(zhǔn)則設(shè)置K的閾值，確定人體的站、坐、躺的姿態(tài)，如表1所示.

表1 姿態(tài)特征Table 1 The feature of posture

另一方面，RFID 手環(huán)需要不停地讀取標(biāo)簽，因而，同一個(gè)標(biāo)簽在一分鐘之內(nèi)可能要讀取到幾十次，這些數(shù)據(jù)如果直接發(fā)送給分布式系統(tǒng)內(nèi)的應(yīng)用程序，將帶來很大的資源浪費(fèi)，也會(huì)造成輸出的不穩(wěn)定［7］.所以在發(fā)送這些大量的數(shù)據(jù)之前，需要對(duì)這些原始數(shù)據(jù)進(jìn)行過濾處理，提取出有意義的信息.粗糙集理論主要用來處理不確定的、模糊的知識(shí)，它最早被波蘭科學(xué)家Z.Pawlak于1982年提出［8］.通過粗糙集理論的相關(guān)知識(shí)，找出在數(shù)據(jù)中起著決定性作用的屬性，根據(jù)這些屬性進(jìn)一步簡化數(shù)據(jù)，將那些不重要的或不相關(guān)的屬性刪除，不僅保持了原有知識(shí)分類能力不變，還簡化了原有的信息.因此本文選用粗糙集對(duì)RFID 信息進(jìn)行屬性約簡.

由RFID 手環(huán)采集的體征信息主要有血壓（此處為脈搏壓），脈搏，呼吸，體溫這四個(gè)要素.設(shè)U＝｛e1，e2，…，e8｝，C＝｛血壓，脈搏，呼吸，體溫｝，老年人身體狀況D＝｛正常，差，危急｝.針對(duì)本文的實(shí)際情況和系統(tǒng)要求，設(shè)計(jì)的屬性約簡公式如下：

（1）求C 相對(duì)于D的核Core.

（2）令Crest＝C–Core，求條件屬性集Crest中的各屬性的重要度，并按其重要度的大小對(duì)Crest降序排列.

（3）令B＝Crest，求D 相對(duì)于B 和C的正域POSC（D），POSB（D）

若POSC（D）≠POSB（D），則進(jìn)行以下循環(huán)：

①從Crest選具有最大屬性重要度的屬性P，Crest＝Core-P；

②若POSB∪（P）（D）＝POSC（D），B＝B∪｛P｝，結(jié)束循環(huán)；

③若二者不相等，則返回①，B 即為C 相對(duì)于D的一個(gè)最佳約簡.

根據(jù)上述步驟，求得最簡約簡為B＝｛血壓，脈搏｝.通過此步驟，使老年人的體征信息從4個(gè)約簡為2個(gè)，降低了數(shù)據(jù)的維度.

通過兩類數(shù)據(jù)的預(yù)處理，使得數(shù)據(jù)約簡為（血壓，脈搏，K）三個(gè)屬性，這三個(gè)屬性作為BP 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合的輸入數(shù)據(jù)，不僅提高了資源的利用率，剔除了冗余數(shù)據(jù)，屏蔽一些錯(cuò)誤與異常數(shù)據(jù)，使得輸入層數(shù)據(jù)變得更加簡單，進(jìn)而縮短了整體融合時(shí)間，提高了融合效率.

2.2 數(shù)據(jù)融合的推理過程

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要由輸入層節(jié)點(diǎn)數(shù)、隱層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)確定.經(jīng)過屬性約簡后，老年人的體征信息被約簡為血壓、脈搏，而人體姿態(tài)主要有K 值來表征，所以BP 網(wǎng)的輸入層確定為3個(gè)節(jié)點(diǎn)，設(shè)輸入向量為X＝（x1，x2，x3）.輸出神經(jīng)元節(jié)點(diǎn)數(shù)是根據(jù)老年人是否得到很好的照顧的分類來確定的，即：很好的照顧，一般的照顧，較差的照顧，對(duì)應(yīng)到神經(jīng)網(wǎng)絡(luò)的輸出層即為Y＝（y1，y2，y3）.具體結(jié)構(gòu)如圖1所示.

圖1 數(shù)據(jù)融合流程Fig.1 The process of data fusion

BP網(wǎng)的隱藏層確定為單層，與多層相比，在達(dá)到同樣的訓(xùn)練誤差下，多層需要更多的運(yùn)算時(shí)間.隱層節(jié)點(diǎn)數(shù)與網(wǎng)絡(luò)輸出所要求的精度和學(xué)習(xí)的算法復(fù)雜度密切相關(guān)，本文選取下述方法計(jì)算隱層節(jié)點(diǎn)數(shù)：

NS表示引層節(jié)點(diǎn)數(shù)，Nm表示輸出層節(jié)點(diǎn)數(shù)，Ni表示輸入層節(jié)點(diǎn)數(shù)，計(jì)算得隱層節(jié)點(diǎn)數(shù)為4個(gè)，既滿足了算法精度要求，又盡量減少了網(wǎng)絡(luò)訓(xùn)練時(shí)間.

神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值一般選?。?1，1］區(qū)間內(nèi)的隨機(jī)值.神經(jīng)元傳遞函數(shù)采用對(duì)數(shù)S 型函數(shù)，在［0，1］區(qū)間內(nèi)給定網(wǎng)絡(luò)學(xué)習(xí)效率.

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個(gè)部分：正向計(jì)算輸出過程和反向調(diào)節(jié)連接權(quán)值過程.在正向計(jì)算輸出過程中，隱含層第j 個(gè)結(jié)點(diǎn)的輸入為

式中，Oi為輸入層 第i 個(gè) 節(jié)點(diǎn)的輸入，Wji為隱含層第j 個(gè)節(jié)點(diǎn) 與輸入層第i 個(gè)節(jié)點(diǎn)的連接權(quán)值.隱含層第j 個(gè)節(jié)點(diǎn)的輸出為

輸出層節(jié)點(diǎn)K的輸入為

式中，Vkj為輸出層節(jié)點(diǎn)K 與輸入層第j 個(gè)節(jié)點(diǎn)的連接權(quán)值，定義神經(jīng)網(wǎng)絡(luò)誤差函數(shù)為

式中，tk為理想輸出，yk為真實(shí)輸出，k為輸出層節(jié)點(diǎn)數(shù).

BP算法本質(zhì)上是一種梯度下降尋優(yōu)算法，從而常常使學(xué)習(xí)過程發(fā)生振蕩，收斂緩慢.另外，學(xué)習(xí)因子的選擇也非常重要，過大或過小都會(huì)對(duì)收斂速度產(chǎn)生影響，因此，采用常用的動(dòng)量法和學(xué)習(xí)因子自適應(yīng)調(diào)整法來修正權(quán)值，提高學(xué)習(xí)速度.

2.3 實(shí)驗(yàn)結(jié)果

本文的實(shí)驗(yàn)是在windows 操作系統(tǒng)下，PCP4 T2310 1.86GHZ，2G RAM，Intel 8265G顯卡上的計(jì)算機(jī)完成的.實(shí)驗(yàn)環(huán)境選定為MATLAB 7.0，因?yàn)樗纳窠?jīng)網(wǎng)絡(luò)工具箱功能強(qiáng)大且使用方便.對(duì)本文提出的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型進(jìn)行仿真測(cè)試，在實(shí)驗(yàn)室條件下，收集原始訓(xùn)練樣本50個(gè)，其中10個(gè)作為測(cè)試樣本.網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)如下：學(xué)習(xí)效率設(shè)為0.1，系統(tǒng)誤差為0.000 1，網(wǎng)絡(luò)的迭代次數(shù)為1 000.橫軸表示迭代次數(shù)，縱軸表示誤差.迭代到第240次時(shí)達(dá)到預(yù)設(shè)精度，如圖2所示.

圖2 BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合收斂曲線Fig.2 Convergence curves of data fusion based on BP neural network

3 結(jié) 論

對(duì)多源數(shù)據(jù)的融合，首先采用粗糙集的辦法對(duì)數(shù)據(jù)進(jìn)行約簡，降低了數(shù)據(jù)維度，為神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合降低了算法的復(fù)雜度，節(jié)省了算法時(shí)間.當(dāng)某傳感器出現(xiàn)故障或檢測(cè)失效時(shí)，神經(jīng)網(wǎng)絡(luò)的容錯(cuò)功能可以使系統(tǒng)正常工作，并輸出可靠決策信息.而且基于BP的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法由于具有并行結(jié)構(gòu)、并行的處理機(jī)制，使得信息處理速度快，具有良好的實(shí)用價(jià)值.

［1］賈建華，王軍峰，馮冬青.人工神經(jīng)網(wǎng)絡(luò)在多傳感器信息融合中的應(yīng)用研究［J］.微計(jì)算機(jī)信息：測(cè)控自動(dòng)化，2006，22（7）：192-194.（Jia Jianhua，Wang Junfeng，F(xiàn)eng Dongqing.The Research on the Multi-Sensor Information Fusion based on Artificial Neural Network［J］.Microcomputer Information：Control ＆ Measurement，2006，22（7）：192-194.）

［2］高翔，王勇.數(shù)據(jù)融合技術(shù)綜述［J］.計(jì)算機(jī)自動(dòng)測(cè)量與控制，2002，10（11）：706-709.（Gao Xiang，Wang Yong.Survey of Multisensor Information Fusion ［J］.Computer Automated Measurement ＆Control，.2002，10（11）：706-709.）

［3］俞黎陽，王能，張衛(wèi).無線傳感器網(wǎng)絡(luò)中基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型［J］.計(jì)算機(jī)科學(xué)，2008，12（35）：43-46.（Yu Liyang，Wang Neng，Zhang Wei.Neural-network Based Aggregation Framework for Wireless Sensor Networks［J］.Computer Science，2008，12（35）：43-46.）

［4］屈斌，胡訪宇.高效節(jié)能的無線傳感器網(wǎng)絡(luò)路由協(xié)議研究［J］.計(jì)算機(jī)仿真，2008，25（5）：113-116.（Qu Bin，Hu Fangyu.An Energy-efficient Routing Algorithm for Wireless Sensor Networks［J］.Computer Simulation，2008，25（5）：113-116.）

［5］周觀民，李榮會(huì).基于神經(jīng)網(wǎng)絡(luò)的傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)研究［J］.計(jì)算機(jī)仿真，2011，28（10）：118-120.（Zhou Guanmin，Li Ronghui.Sensor Network based on Neural Network Data Fusion Technology［J］.Computer Simulation，2011，28（10）：118-120.）

［6］田國會(huì)，吉艷青，李曉磊.家庭智能空間下基于場(chǎng)景的人的行為理解［J］.智能系統(tǒng)學(xué)報(bào)，2010，5（1）：57-62.（Tian Guohui，Ji Yanqing，Li Xiaolei.Human Behaviors Understanding based on Scene Knowledge in Home Intelligent Space［J］.Caai Transactions on Intelligent Systems，2010，5（1）：57-62.）

［7］鄔春明，劉 杰，耿強(qiáng)，等.ZigBee／RFID 技術(shù)在倉儲(chǔ)盤點(diǎn)及安防中的應(yīng)用［J］.沈陽大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，24（2）：66-70.（Wu Chunming，Liu Jie，Geng Qiang，et al.Application of ZigBee／RFID in Stock Taking and Security［J］.Journal of Shenyang University：Natural Science，2012，24（2）：66-70.）

［8］曾黃麟.智能計(jì)算［M］.重慶：重慶大學(xué)出版社，2004：260-296.（Zeng Huanglin.Intelligence Computation ［M］.Chongqing：Chongqing University Press，2004：260-296.）