基于BP神经网络的数据融合技术在分布式养老系统中的应用

王海洋，田力威

（1.沈阳大学 科研中心，辽宁 沈阳 110044；2.辽宁省物联网信息集成技术工程研究中心，辽宁 沈阳 110044）

在我国随着老龄化社会的逐步趋近，老年人的养老问题显得越来越重要.欧美发达国家，由于更早进入老龄化社会，在智能养老领域有更多的经验.例如，美国的基于RFID 传感器的全新监测系统，用来监视老年人家中情况并记录他们的行为.英国构建出一种全智能化老年公寓，在地板和家电中植入电子芯片，使老人的日常生活处于远程监控状态.我国的智能养老课题研究虽然起步较晚，但是南京也提出了智慧社区养老平台、苏州启动了信息化养老服务工程.然而，目前大部分养老院对老年人的看护主要采用单一的视频监控，只能在一定范围内对老年人进行监控，缺乏对多源信息的协同处理和综合利用.分布式智能养老系统结合了RFID 技术和实时健康监护的优势，不仅能够实时监护老人的身体状况，还能兼顾老人的精神需求.同时可以让子女随时了解父母的健康状况，父母出现意外状况时更能第一时间得到通知，充分满足了子女对老人的呵护需求.分布式智能养老系统正是为解决养老院分散的管理系统信息孤立、养老服务设施不能满足实时看护的需要提出的.在分布式智能养老系统中，为了更好地实现对老年人的看护，在养老院中给老年人佩戴RFID 腕带，实时采集老年人的体征信息.同时，养老院的视频监控体系实时采集老年人的图像信息.由于单一的信息不能很好地体现老年人的实时身体状态，而且两类信息的属性不同，所以在分布式系统中需要将两者进行数据融合处理.国内外针对数据融合的算法多集中在贝叶斯估计法、极大似然估计法、D-S 证据理论法［1］、卡尔曼滤波法、聚类分析、神经网络法等.结合分布式系统数据的多源性、海量性，要求数据处理时的实时性、准确性，以及神经网络具有实现简单，以及在一定范围内具有较高识别精度的特点，本文采用BP神经网络算法，取得一定的效果.

1 基于BP 神经网络的数据融合技术

1.1 数据融合理论

数据融合的概念最早是由美国国防部在20世纪70年代提出的.它是一个在多个级别上对传感器数据进行综合处理的过程，是一个利用计算机技术对时序获得的若干感知数据，在一定准则下加以分析、综合，以完成所需决策和评估任务而进行的数据处理过程［2］.它比直接从各信息源得到的信息更简洁、更少冗余、更有用途.目前常用的数据融合算法主要有：贝叶斯估计法、加权平均法、极大似然估计法、D-S证据理论法、卡尔曼滤波法、聚类分析、模糊逻辑、神经网络法等［3］.

其中，基于神经网络算法的数据融合由于具有以下几个优点而被广泛应用：神经网络中所有信息都等势分布贮存于网络内的各神经元，有很强的鲁棒性和容错性；由于采用并行分布处理方法，使得快速进行大量运算成为可能，满足了系统实时性的要求.而分布式智能养老系统，由于不同类别的老人所需要的监管程度不同，可以制定不同的监管级别，使得数据源不同.而且，针对每位老人佩戴RFID 手环，实时采集老人的体征信息，同时监控设备采集老人活动的图像信息，两类信息的属性不同.对本系统所面临的数据特点，采用神经网络算法进行数据融合.

1.2 基于BP神经网络的数据融合

BP神经网络是一种前馈式神经网络，采用一种层式的监督式的学习算法［4］，如果网络在输出层得不到与期望的输出等同的话，就进行相反方向的网络的传播，并在这个过程中不断调整各神经元的权重，使得均方值误差最小.BP 神经网络在进行数据融合时节约了融合的能量［5］，减少了误差的可能性.而分布式系统中，如果老年人发生突发状况，此时如果监控体系由于后台算法的复杂产生延迟，而延误了老人的救治时间，很有可能会造成巨大损失.正是基于此特点，系统选用BP神经网络算法.将采集到的RFID 体征信息与视频图像信息作为网络的输入，将老年人是否得到很好的照顾作为输出.经过一段时间的训练后，神经网络可以逼近输入信息与输出决策的复杂非线性关系.

2 分布式系统的数据融合模型

2.1 数据预处理

在分布式智能养老系统中，采集到的信息主要有两类：一类是由RFID 采集的代表老人体征的数字信息，另一类是由监控设备采集到的代表老人身体姿态的图像信息.由监控设备采集的图像信息，采用前景图像的最小外接矩法分辨人体的姿态.本文重点考虑了最能体现人体三种姿态，即站、坐、躺三种姿态.通过此方法将高维的图像信号变成了两维表示人的姿态［6］.设矩形宽为W，高为H，定义人的姿态比为K＝H／W，判断描述人体的姿态特征.通过统计日常动作900幅图片中不同的K 值，依据最小误判概率准则设置K的阈值，确定人体的站、坐、躺的姿态，如表1所示.

表1 姿态特征Table 1 The feature of posture

另一方面，RFID 手环需要不停地读取标签，因而，同一个标签在一分钟之内可能要读取到几十次，这些数据如果直接发送给分布式系统内的应用程序，将带来很大的资源浪费，也会造成输出的不稳定［7］.所以在发送这些大量的数据之前，需要对这些原始数据进行过滤处理，提取出有意义的信息.粗糙集理论主要用来处理不确定的、模糊的知识，它最早被波兰科学家Z.Pawlak于1982年提出［8］.通过粗糙集理论的相关知识，找出在数据中起着决定性作用的属性，根据这些属性进一步简化数据，将那些不重要的或不相关的属性删除，不仅保持了原有知识分类能力不变，还简化了原有的信息.因此本文选用粗糙集对RFID 信息进行属性约简.

由RFID 手环采集的体征信息主要有血压（此处为脉搏压），脉搏，呼吸，体温这四个要素.设U＝｛e1，e2，…，e8｝，C＝｛血压，脉搏，呼吸，体温｝，老年人身体状况D＝｛正常，差，危急｝.针对本文的实际情况和系统要求，设计的属性约简公式如下：

（1）求C 相对于D的核Core.

（2）令Crest＝C–Core，求条件属性集Crest中的各属性的重要度，并按其重要度的大小对Crest降序排列.

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

若POSC（D）≠POSB（D），则进行以下循环：

①从Crest选具有最大属性重要度的属性P，Crest＝Core-P；

②若POSB∪（P）（D）＝POSC（D），B＝B∪｛P｝，结束循环；

③若二者不相等，则返回①，B 即为C 相对于D的一个最佳约简.

根据上述步骤，求得最简约简为B＝｛血压，脉搏｝.通过此步骤，使老年人的体征信息从4个约简为2个，降低了数据的维度.

通过两类数据的预处理，使得数据约简为（血压，脉搏，K）三个属性，这三个属性作为BP 神经网络的数据融合的输入数据，不仅提高了资源的利用率，剔除了冗余数据，屏蔽一些错误与异常数据，使得输入层数据变得更加简单，进而缩短了整体融合时间，提高了融合效率.

2.2 数据融合的推理过程

BP神经网络的结构主要由输入层节点数、隐层节点数和输出层节点数确定.经过属性约简后，老年人的体征信息被约简为血压、脉搏，而人体姿态主要有K 值来表征，所以BP 网的输入层确定为3个节点，设输入向量为X＝（x1，x2，x3）.输出神经元节点数是根据老年人是否得到很好的照顾的分类来确定的，即：很好的照顾，一般的照顾，较差的照顾，对应到神经网络的输出层即为Y＝（y1，y2，y3）.具体结构如图1所示.

图1 数据融合流程Fig.1 The process of data fusion

BP网的隐藏层确定为单层，与多层相比，在达到同样的训练误差下，多层需要更多的运算时间.隐层节点数与网络输出所要求的精度和学习的算法复杂度密切相关，本文选取下述方法计算隐层节点数：

NS表示引层节点数，Nm表示输出层节点数，Ni表示输入层节点数，计算得隐层节点数为4个，既满足了算法精度要求，又尽量减少了网络训练时间.

神经网络的权值和阈值一般选取［-1，1］区间内的随机值.神经元传递函数采用对数S 型函数，在［0，1］区间内给定网络学习效率.

BP神经网络的学习过程分为两个部分：正向计算输出过程和反向调节连接权值过程.在正向计算输出过程中，隐含层第j 个结点的输入为

式中，Oi为输入层 第i 个 节点的输入，Wji为隐含层第j 个节点 与输入层第i 个节点的连接权值.隐含层第j 个节点的输出为

输出层节点K的输入为

式中，Vkj为输出层节点K 与输入层第j 个节点的连接权值，定义神经网络误差函数为

式中，tk为理想输出，yk为真实输出，k为输出层节点数.

BP算法本质上是一种梯度下降寻优算法，从而常常使学习过程发生振荡，收敛缓慢.另外，学习因子的选择也非常重要，过大或过小都会对收敛速度产生影响，因此，采用常用的动量法和学习因子自适应调整法来修正权值，提高学习速度.

2.3 实验结果

本文的实验是在windows 操作系统下，PCP4 T2310 1.86GHZ，2G RAM，Intel 8265G显卡上的计算机完成的.实验环境选定为MATLAB 7.0，因为它包含的神经网络工具箱功能强大且使用方便.对本文提出的神经网络数据融合模型进行仿真测试，在实验室条件下，收集原始训练样本50个，其中10个作为测试样本.网络的学习参数如下：学习效率设为0.1，系统误差为0.000 1，网络的迭代次数为1 000.横轴表示迭代次数，纵轴表示误差.迭代到第240次时达到预设精度，如图2所示.

图2 BP神经网络数据融合收敛曲线Fig.2 Convergence curves of data fusion based on BP neural network

3 结 论

对多源数据的融合，首先采用粗糙集的办法对数据进行约简，降低了数据维度，为神经网络的数据融合降低了算法的复杂度，节省了算法时间.当某传感器出现故障或检测失效时，神经网络的容错功能可以使系统正常工作，并输出可靠决策信息.而且基于BP的神经网络数据融合算法由于具有并行结构、并行的处理机制，使得信息处理速度快，具有良好的实用价值.

［1］贾建华，王军峰，冯冬青.人工神经网络在多传感器信息融合中的应用研究［J］.微计算机信息：测控自动化，2006，22（7）：192-194.（Jia Jianhua，Wang Junfeng，Feng 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.数据融合技术综述［J］.计算机自动测量与控制，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］俞黎阳，王能，张卫.无线传感器网络中基于神经网络的数据融合模型［J］.计算机科学，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，胡访宇.高效节能的无线传感器网络路由协议研究［J］.计算机仿真，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］周观民，李荣会.基于神经网络的传感器网络数据融合技术研究［J］.计算机仿真，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］田国会，吉艳青，李晓磊.家庭智能空间下基于场景的人的行为理解［J］.智能系统学报，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］邬春明，刘 杰，耿强，等.ZigBee／RFID 技术在仓储盘点及安防中的应用［J］.沈阳大学学报：自然科学版，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］曾黄麟.智能计算［M］.重庆：重庆大学出版社，2004：260-296.（Zeng Huanglin.Intelligence Computation ［M］.Chongqing：Chongqing University Press，2004：260-296.）