基于FA-NAR神經網絡預測人體運動意圖

2021-07-20 00:04:58李露王琪陳鑫杰曹鑫楊檸滔劉子璇曾蔡旭戴亮

現代計算機 2021年15期

李露，王琪，陳鑫杰，曹鑫，楊檸滔，劉子璇，曾蔡旭，戴亮

（湖南財政經濟學院，長沙410205）

0 引言

下肢外骨骼機器人是一種幫助人們行走、強化人體運動機能的機電一體化裝備，作為一種精準輔助人體運動的設備，它需要做到時刻與人體的思想及動作高度契合，實現“所思即所動”的運動控制狀態，達到這種理想控制狀態的關鍵問題之一即是人體與機體之間的交互控制[1]。

近年來，科學家們在外骨骼機器人領域取得的巨大進展受到了社會各界人士的關注和認可[2-3]。2000年，美國伯克利大學機器人和人體工程實驗室自主研發制造出了第一代下肢外骨骼機器人——BLEEX下肢助力外骨骼機器人，其最顯著的特征是結合融匯了多種傳感器的感知信號，來全方位感知和預測人體的運動意圖[4]。2004年，筑波大學的山海嘉之（Yoshiyuke Sankai）教授在日本政府的資助下，創建成立了Cyberdyne公司，其自主研發完成的HAL系列機器人成為了首個獲得全球安全認證（ISO/DIS 13482）的外骨骼機器人產品。HAL系列機器人投入市場后主要應用于醫療和養老機構，幫助下肢運動不便的人們進行康復性訓練[5]。

目前，下肢助力外骨骼機器人相關研究面臨眾多技術難題，其中，人體運動意圖感知技術是一項重要研究內容。研究者們通過深入探索人體變換行走動作時下肢的運動機理探究出了能夠表征人體下肢行為的反饋信號，并利用其中有效的反饋信號建立了下肢康復機器人感知系統，并根據感知系統產生的多源異構信息特征提出了將多種信息融匯在一起的預測算法，從而獲得人體下一時刻的運動趨勢。國內現有的關于下肢機器人的研究中人體運動信息的感知方法主要包含基于人體生物電信號和基于人機交互力學信息這兩種方式。基于人體生物電信號的方法是指通過解析人體產生的腦電（EEG）和肌電（EMG）[6]等信號，找尋其中蘊含的人體運動信息。EMG能夠很好地反映出肌肉的運動意圖，但是使用這種方法時需要肌肉傳感器與人體皮膚表面緊緊貼合，人體皮膚表面的出汗會影響測量的精準度，也很難保證傳感器能夠長時間粘附在人體表面不脫落[7]。相對來說，信息反饋較好的是物理交互類信號。物理交互類信號對穿戴人員的影響較小，更易于實驗階段研究者在人體和機器設備上進行改動和布局。用戶運動學信息或力/力矩信息統稱為物理交互類信號，如下肢在擺動過程中的角度、速度、加速度、人體下肢關節與機器人之間的交互力、交互力矩以及地面反作用力等，這些都是可以用來捕獲人體運動意圖的物理交互類信號。

1 相關研究研究現狀

近年來，新的預測算法逐漸出現在大眾視野，如基于人工神經網絡的預測算法。系統預測是神經網絡預測算法應用的一大領域，利用神經網絡能夠通過學習來逼近非線性函數的特性，將其作為核心算法應用于非線性系統的建模和預測過程，以此來擺脫非線性模型對常規算法的限制，大大降低了人們在探究人體運動意圖的研究難度。

人工神經網絡依據是否含有反饋環節和記憶功能被分為靜態神經網絡和動態神經網絡。BP神經網絡是典型的靜態神經網絡，沒有反饋環節也沒有記憶功能，當前的輸入和輸出與以前的輸入和輸出沒有關系，網絡的泛化能力有限，且模型不適用于新增樣本的連續變化，所以此方法不建議用于解決與時間序列有關的預測問題。本文需要測試的足底壓力數據樣本總數很大，若使用BP神經網絡，每增加一個樣本都要重新進行訓練，將會存在消耗時間多、計算效率低、儲存空間大等問題[8]。卷積神經網絡（Convolutional Neural Network，CNN）可以直接把圖像作為CNN的輸入，避免了針對數據的許多復雜的操作步驟。它還可以將特征提取功能融合進神經網絡中，從而實現對隱式特征的提取和利用。動態神經網絡中的權值共享通過減少神經網絡的訓練參數來達到降低神經網絡復雜度的目的，于此同時，神經網絡的訓練參數的減少還可以讓訓練神經網絡進行并行學習，加快了神經網絡的訓練速度。其缺點是，架構中網絡參數眾多，其使用的前提條件必須進行大量的標簽樣本訓練才能完成模型的構建[9]。

NAR神經網絡以其優秀的反饋調節功能和記憶功能成為了機器學習和人工智能領域的一大代表神經網絡。它的學習與鍛煉過程主要是利用系統之前已有的測試數據和變化規律來預測未來的發展趨勢，甚至擁有能夠向前推演很長一段時間的能力，所以在建立一些長期預測系統時，時常需要它的幫助。在做到“舉一反三”的同時，NAR神經網絡還能“溫故而知新”。NAR神經網絡也是滾動預測模型的一種，已經被輸出的預測值也可以作為它的輸入值，重新組成新的學習訓練樣本，對下一階段的情況進行預測。

本文利用足底壓力數據，設計了基于動態神經網絡的預測算法，在同一個支撐期預測穿戴者足底壓力期望值，同時滿足準確性和實時性。針對人體下肢行為的動態性和不確定性、對空間的敏感性、非線性、高度復雜性等特征，為提高對人體下肢運動意圖的預測精度。采用了螢火蟲算法（FA）搜索確定延時階數和隱含層單元個數，并利用非線性自回歸（NAR）動態神經網絡進行預測，提出基于FA-NAR動態神經網絡的面向下肢助力外骨骼機器人的人體運動意圖預測系統，結合人正常行走和踏步時的步態分析數據進行預測，最后通過仿真實驗驗證了方法的有效性。

2 FA-NAR神經網絡原理

2.1 螢火蟲算法原理

螢火蟲原理是根據自然界中螢火蟲種群之間傳遞信息的方式演化而來的一種啟發式算法，其參數少、實現簡單、結果的精確度較高。該算法將自然界中的優勝劣汰比作在搜索和優化過程中尋找最優解的過程。剛開始時，螢火蟲在一定的空間之內會自主隨機分布，但亮度低的螢火蟲會被吸引著向著亮度高的螢火蟲停留的方向飛去，亮度高的螢火蟲本身會隨機移動，通過不斷的位置的更新來尋求最優的位置。在螢火蟲算法里面，螢火蟲的吸引力與其亮度成正比，與其距離成反比。亮度稍大一些的螢火蟲會吸引另外一些亮度小的螢火蟲，但是由于其自身的隨機移動，可能導致與其他的螢火蟲的距離變大，從而導致其吸引力減弱。螢火蟲算法的機制如下。

高亮度螢火蟲對低亮度螢火蟲吸引力的大小取決于螢火蟲之間的相對位置、初始位置時的熒光亮度以及在黑暗中被吸收的光，因此熒光亮度的表達式為：

其中I表示螢火蟲熒光亮度，I0表示初始位置時螢火蟲的亮度即最大熒光亮度，γ表示螢火蟲對光照的吸收系數，在一般的優化問題中γ為在[0.01-100）區間內的常數。r為兩只螢火蟲在二維空間的距離。其計算公式如下：

式中：rij表示i時刻與j時刻螢火蟲之間的距離，xi表示螢火蟲i的位置，xj表示螢火蟲j的位置，N為螢火蟲數目，xi,k為螢火蟲i的第k個分量，xj,k為螢火蟲j的第k個分量。

吸引度函數表示為：

式中：β表示螢火蟲之間的吸引度和距離之間的關系，β0為每一只螢火蟲的最大吸引度，即每只螢火蟲在光源處(r=0)的吸引度，參數m通常取值為2。

位置更新函數為：

式中：xi(t+1)表示螢火蟲xi第t+1次移動后的位置，xi(t)表示螢火蟲xi第t次移動后的位置，xj(t)表示螢火蟲xj第t次移動之后的位置，α表示步長因子是[0,1]范圍內的常數，rand為[0,1]范圍內服從均勻分布的隨機因子。

式中：MSE表示預測值與實際值的方差，n表示推廣的預測步數，d表示推廣預測步數所需要的前面的步數（即延時階數），yi表示第i時步的預測值，yi'表示第i時步的預測值[10-12]。

2.2 基于FA-NAR神經網絡的足底壓力預測算法

FA-NAR神經網絡任然采用NAR的三層神經網絡，其算法模型為f(t)=f[(t-1),(t-2),(t-3)…(t-d)]，f(t)為t時刻的輸出，f[(t-1),(t-2),(t-3)…(t-d)]為t時刻之前的輸出。d為延時階數，f[]為經過學習訓練得到的非線性函數。FA-NAR神經網絡有輸入層、輸出層、隱含層和延時階數四個部分組成。圖中左邊y(t)表示網絡的數據輸入，w表示權值，b為閾值，1:3為延時階數，22表示隱含層單元個數。

圖1 FA-NAR神經網絡算法模型

在對人體運動進行預測的時候，下一步的運動趨勢與前面獲取的數據緊密相關，要對人體的步態趨勢進行預測，就是要尋找p時刻的運動趨勢和p時刻之前的運動之間的函數關系。即f(p)=f[(p-1),(p-2),(p-3)…(p-n)]，這與FA-NAR神經網絡的模型高度一致，因此我們選用FA-NAR神經網絡來預測人的運動趨勢。

FA-NAR神經網絡利用螢火蟲算法的原理來尋找最優的隱含層個數和延時階數，在該神經網絡中，將隱含層的初始個數和延時的階數視為螢火蟲的初始位置，然后設定螢火蟲的種群規模n、迭代次數N-iteration、螢火蟲之間的吸引度β、步長因子α、光吸收系數γ。然后設定好隱含層個數的范圍以及延時階數的范圍，通過不斷的迭代運行，最終求出在該范圍里面最優的隱含層個數和延時階數。最后將求出來的最優解返回到神經網絡中來進行預測。

2.3 數據在神經網絡中的處理過程

2.3.1 數據的采集

圖2 壓力數據收集器

在收集數據過程中，我們選擇30名18-23歲的年輕人作為測試樣本，該樣本男女性別比例相當，搭建數據采集模塊，通過貼片式壓力傳感器和編碼器采集測試人員行走過程中足底壓力喝下肢關節數據，經過濾波等處理，作為FA-NAR神經網絡的輸入數據樣本。

2.3.2 數據的處理

FA-NAR神經網絡獲得數據樣本之后，對神經網絡里面的延時階數和隱含層單元個數進行設定。根據（1）（2）（3）式確定FA-NAR神經網絡中延時階數和隱含層個數這兩個參數的各自的吸引力，之后然后根據（4）式所計算出來的t時刻之后的位置來進行位置更替。位置更替完成后，通過（5）式來計算獲得的數據的誤差，只有在誤差允許以內的最優解才會被傳回神經網絡來進行下一步的訓練。通過返回的隱含層單元個數以及延時的階數，來構建新的神經網絡來對數據進行處理、預測。螢火蟲算法在神經網絡中的處理過程如圖3所示。

圖3 螢火蟲算法在神經網絡中的處理過程

4 FA-NAR算法的數據分析以及數值實驗

在相同輸入數據下NAR神經網絡和FA-NAR神經網絡的真實值與預測值以及誤差值的輸出對比如圖4所示。

圖4 NAR神經網絡真實值與預測值對比

圖4、圖5是NAR神經網絡與FA-NAR神經網絡的真實值與預測值的對比，其中圖的橫軸表示時間（ms），縱軸表示足底壓力值（N）。若真實值與預測值的曲線貼合的越緊密，說明擬合的效果越好，神經網絡的預測效果要更好。

圖5 FA-NAR神經網絡的真實值與預測值對比

網絡效果誤差圖（即圖中的Error輸出圖像）中豎直的線段表示真實值與預測值之間的誤差，所以誤差線段越短，即誤差區間越小表示網絡預測效果要越好。

從兩圖中可以看出優化前的NAR神經網絡（圖4）的誤差值處于-120～200之間，說明網絡預測效果比較差。但用螢火蟲優化后的NAR神經網絡（圖5），在豎直方向的誤差值處于-110～200之間，且FA-NAR的誤差值在擬合過程中有近60%的誤差值較小，而NAR的僅有50%誤差值較小。FA-NAR網絡預測效果較之前要好很多。表明FA-NAR動態神經網絡的預測精度較高，能夠更好地做人體運動意圖預測分析。

圖6、圖7的誤差相關性圖中如果誤差自相關性除零階以外其他階數自相關性矩形條在95%置信區間（即兩條紅色虛線）以內越多，則說明相關性越強，誤差越小。從圖上可以看出使用了FA螢火蟲后的nar網絡有92.5%以上相關性矩形條處于95%置信區間內，而原來的nar神經網絡只有82.5%相關性矩形條位于95%置信區間內。