王海洋，田力威

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

在我國隨著老齡化社會的逐步趨近，老年人的養(yǎng)老問題顯得越來越重要.歐美發(fā)達國家，由于更早進入老齡化社會，在智能養(yǎng)老領域有更多的經(jīng)驗.例如，美國的基于RFID 傳感器的全新監(jiān)測系統(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、蘇州啟動了信息化養(yǎng)老服務工程.然而，目前大部分養(yǎng)老院對老年人的看護主要采用單一的視頻監(jiān)控，只能在一定范圍內對老年人進行監(jiān)控，缺乏對多源信息的協(xié)同處理和綜合利用.分布式智能養(yǎng)老系統(tǒng)結合了RFID 技術和實時健康監(jiān)護的優(yōu)勢，不僅能夠實時監(jiān)護老人的身體狀況，還能兼顧老人的精神需求.同時可以讓子女隨時了解父母的健康狀況，父母出現(xiàn)意外狀況時更能第一時間得到通知，充分滿足了子女對老人的呵護需求.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)老服務設施不能滿足實時看護的需要提出的.在分布式智能養(yǎng)老系統(tǒng)中，為了更好地實現(xiàn)對老年人的看護，在養(yǎng)老院中給老年人佩戴RFID 腕帶，實時采集老年人的體征信息.同時，養(yǎng)老院的視頻監(jiān)控體系實時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)老年人的實時身體狀態(tài)，而且兩類信息的屬性不同，所以在分布式系統(tǒng)中需要將兩者進行數(shù)據(jù)融合處理.國內外針對數(shù)據(jù)融合的算法多集中在貝葉斯估計法、極大似然估計法、D-S 證據(jù)理論法［1］、卡爾曼濾波法、聚類分析、神經(jīng)網(wǎng)絡法等.結合分布式系統(tǒng)數(shù)據(jù)的多源性、海量性，要求數(shù)據(jù)處理時的實時性、準確性，以及神經(jīng)網(wǎng)絡具有實現(xiàn)簡單，以及在一定范圍內具有較高識別精度的特點，本文采用BP神經(jīng)網(wǎng)絡算法，取得一定的效果.

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

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70年代提出的.它是一個在多個級別上對傳感器數(shù)據(jù)進行綜合處理的過程，是一個利用計算機技術對時序獲得的若干感知數(shù)據(jù)，在一定準則下加以分析、綜合，以完成所需決策和評估任務而進行的數(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：貝葉斯估計法、加權平均法、極大似然估計法、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)絡法等［3］.

其中，基于神經(jīng)網(wǎng)絡算法的數(shù)據(jù)融合由于具有以下幾個優(yōu)點而被廣泛應用：神經(jīng)網(wǎng)絡中所有信息都等勢分布貯存于網(wǎng)絡內的各神經(jīng)元，有很強的魯棒性和容錯性；由于采用并行分布處理方法，使得快速進行大量運算成為可能，滿足了系統(tǒng)實時性的要求.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)管級別，使得數(shù)據(jù)源不同.而且，針對每位老人佩戴RFID 手環(huán)，實時采集老人的體征信息，同時監(jiān)控設備采集老人活動的圖像信息，兩類信息的屬性不同.對本系統(tǒng)所面臨的數(shù)據(jù)特點，采用神經(jīng)網(wǎng)絡算法進行數(shù)據(jù)融合.

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

BP神經(jīng)網(wǎng)絡是一種前饋式神經(jīng)網(wǎng)絡，采用一種層式的監(jiān)督式的學習算法［4］，如果網(wǎng)絡在輸出層得不到與期望的輸出等同的話，就進行相反方向的網(wǎng)絡的傳播，并在這個過程中不斷調整各神經(jīng)元的權重，使得均方值誤差最小.BP 神經(jīng)網(wǎng)絡在進行數(shù)據(jù)融合時節(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，此時如果監(jiān)控體系由于后臺算法的復雜產(chǎn)生延遲，而延誤了老人的救治時間，很有可能會造成巨大損失.正是基于此特點，系統(tǒng)選用BP神經(jīng)網(wǎng)絡算法.將采集到的RFID 體征信息與視頻圖像信息作為網(wǎng)絡的輸入，將老年人是否得到很好的照顧作為輸出.經(jīng)過一段時間的訓練后，神經(jīng)網(wǎng)絡可以逼近輸入信息與輸出決策的復雜非線性關系.

2 分布式系統(tǒng)的數(shù)據(jù)融合模型

2.1 數(shù)據(jù)預處理

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)控設備采集到的代表老人身體姿態(tài)的圖像信息.由監(jiān)控設備采集的圖像信息，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變成了兩維表示人的姿態(tài)［6］.設矩形寬為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)計日常動作900幅圖片中不同的K 值，依據(jù)最小誤判概率準則設置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)需要不停地讀取標簽，因而，同一個標簽在一分鐘之內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)內的應用程序，將帶來很大的資源浪費，也會造成輸出的不穩(wěn)定［7］.所以在發(fā)送這些大量的數(shù)據(jù)之前，需要對這些原始數(shù)據(jù)進行過濾處理，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，它最早被波蘭科學家Z.Pawlak于1982年提出［8］.通過粗糙集理論的相關知識，找出在數(shù)據(jù)中起著決定性作用的屬性，根據(jù)這些屬性進一步簡化數(shù)據(jù)，將那些不重要的或不相關的屬性刪除，不僅保持了原有知識分類能力不變，還簡化了原有的信息.因此本文選用粗糙集對RFID 信息進行屬性約簡.

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，體溫這四個要素.設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｝.針對本文的實際情況和系統(tǒng)要求，設計的屬性約簡公式如下：

（1）求C 相對于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Crest降序排列.

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

若POSC（D）≠POSB（D），則進行以下循環(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｝，結束循環(huán)；

③若二者不相等，則返回①，B 即為C 相對于D的一個最佳約簡.

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個約簡為2個，降低了數(shù)據(jù)的維度.

通過兩類數(shù)據(jù)的預處理，使得數(shù)據(jù)約簡為（血壓，脈搏，K）三個屬性，這三個屬性作為BP 神經(jīng)網(wǎng)絡的數(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)，屏蔽一些錯誤與異常數(shù)據(jù)，使得輸入層數(shù)據(jù)變得更加簡單，進而縮短了整體融合時間，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)絡的結構主要由輸入層節(jié)點數(shù)、隱層節(jié)點數(shù)和輸出層節(jié)點數(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個節(jié)點，設輸入向量為X＝（x1，x2，x3）.輸出神經(jīng)元節(jié)點數(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，對應到神經(jīng)網(wǎng)絡的輸出層即為Y＝（y1，y2，y3）.具體結構如圖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，在達到同樣的訓練誤差下，多層需要更多的運算時間.隱層節(jié)點數(shù)與網(wǎng)絡輸出所要求的精度和學習的算法復雜度密切相關，本文選取下述方法計算隱層節(jié)點數(shù)：

NS表示引層節(jié)點數(shù)，Nm表示輸出層節(jié)點數(shù)，Ni表示輸入層節(jié)點數(shù)，計算得隱層節(jié)點數(shù)為4個，既滿足了算法精度要求，又盡量減少了網(wǎng)絡訓練時間.

神經(jīng)網(wǎng)絡的權值和閾值一般選?。?1，1］區(qū)間內的隨機值.神經(jīng)元傳遞函數(shù)采用對數(shù)S 型函數(shù)，在［0，1］區(qū)間內給定網(wǎng)絡學習效率.

BP神經(jīng)網(wǎng)絡的學習過程分為兩個部分：正向計算輸出過程和反向調節(jié)連接權值過程.在正向計算輸出過程中，隱含層第j 個結點的輸入為

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

輸出層節(jié)點K的輸入為

式中，Vkj為輸出層節(jié)點K 與輸入層第j 個節(jié)點的連接權值，定義神經(jīng)網(wǎng)絡誤差函數(shù)為

式中，tk為理想輸出，yk為真實輸出，k為輸出層節(jié)點數(shù).

BP算法本質上是一種梯度下降尋優(yōu)算法，從而常常使學習過程發(fā)生振蕩，收斂緩慢.另外，學習因子的選擇也非常重要，過大或過小都會對收斂速度產(chǎn)生影響，因此，采用常用的動量法和學習因子自適應調整法來修正權值，提高學習速度.

2.3 實驗結果

本文的實驗是在windows 操作系統(tǒng)下，PCP4 T2310 1.86GHZ，2G RAM，Intel 8265G顯卡上的計算機完成的.實驗環(huán)境選定為MATLAB 7.0，因為它包含的神經(jīng)網(wǎng)絡工具箱功能強大且使用方便.對本文提出的神經(jīng)網(wǎng)絡數(shù)據(jù)融合模型進行仿真測試，在實驗室條件下，收集原始訓練樣本50個，其中10個作為測試樣本.網(wǎng)絡的學習參數(shù)如下：學習效率設為0.1，系統(tǒng)誤差為0.000 1，網(wǎng)絡的迭代次數(shù)為1 000.橫軸表示迭代次數(shù)，縱軸表示誤差.迭代到第240次時達到預設精度，如圖2所示.

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

3 結 論

對多源數(shù)據(jù)的融合，首先采用粗糙集的辦法對數(shù)據(jù)進行約簡，降低了數(shù)據(jù)維度，為神經(jīng)網(wǎng)絡的數(shù)據(jù)融合降低了算法的復雜度，節(jié)省了算法時間.當某傳感器出現(xiàn)故障或檢測失效時，神經(jīng)網(wǎng)絡的容錯功能可以使系統(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)絡數(shù)據(jù)融合算法由于具有并行結構、并行的處理機制，使得信息處理速度快，具有良好的實用價值.

［1］賈建華，王軍峰，馮冬青.人工神經(jīng)網(wǎng)絡在多傳感器信息融合中的應用研究［J］.微計算機信息：測控自動化，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)融合技術綜述［J］.計算機自動測量與控制，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)絡中基于神經(jīng)網(wǎng)絡的數(shù)據(jù)融合模型［J］.計算機科學，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)絡路由協(xié)議研究［J］.計算機仿真，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.基于神經(jīng)網(wǎng)絡的傳感器網(wǎng)絡數(shù)據(jù)融合技術研究［J］.計算機仿真，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，吉艷青，李曉磊.家庭智能空間下基于場景的人的行為理解［J］.智能系統(tǒng)學報，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，等.ZigBee／RFID 技術在倉儲盤點及安防中的應用［J］.沈陽大學學報：自然科學版，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.智能計算［M］.重慶：重慶大學出版社，2004：260-296.（Zeng Huanglin.Intelligence Computation ［M］.Chongqing：Chongqing University Press，2004：260-296.）