2. Research Institute of Robotics Technology & Intelligent System, Shandong Jianzhu University, Ji'nan 250101, China
中医按摩机器人是服务康复型机器人的一种,集多种技术于一体,是一种可以在多空间内完成中医按摩、保健、治疗的中医按摩机器人[1-2],可实现多种按摩手法对患者进行推拿按摩。然而,中医按摩机器人如何体现出智能、如何自主做出行为决策、如何在对患者的进行治疗时精确地规划出穴位坐标,是对患者治疗最基本也是最关键的。张小川等[3]通过对人类下棋过程的模拟,根据分类思想,构建了机器人的博弈行为体系,提出了机器人的行为过程结构;黄国锐等[4]提出了一种新的机器人行为规划算法,基于内分泌调节机制的机器人可以通过神经系统去感知环境信息,并完成行为决策。
基于此,文中按摩机器人需要对不同患者不同穴位进行不同的按摩动作行为,为了保证中医按摩机器人能够做出精确地决策,采用遗传算法对BP神经网络进行优化来较精确寻找出患者的穴位坐标位置。利用遗传算法优化BP神经网络,李松等[5]提出了一种改进混沌时间序列预测方法;Huang Hanxiong等[6]将BP神经网络与遗传算法相结合提出了一种迭代优化方法。文中采用该优化算法对患者穴位坐标进行预测,完成对患者的穴位坐标的寻找行为规划,保证中医按摩机器人对不同患者做出不同治疗方案行为决策的准确性。利用遗传算法优化BP神经网络,不仅容易获得全局最优解,还可以提高神经网络的泛化能力。
1 中医按摩机器人系统整体结构组成中医按摩机器人是由多姿态按摩调节平台、机械臂、仿人按摩手、运动控制柜、操作平台等部分组成,可实现指按、指揉、掌推、掌按、掌揉、捏拿、叩击等多种按摩手法,由机器人代替人来完成对患者进行治疗按摩,中医按摩机器人系统结构如图 1所示。机器人的按摩调节平台主要由可升降的床体、床板等部分组成。在床体安装4个滚轮,以方便中医按摩机器人移动,同时在床体上部设置有支撑架,用以实现沿床体的前后移动;在支撑架上可以安装机械臂,机械臂采用关节式和直角坐标式相结合的机械装置,可以实现直角坐标式水平运动、直角坐标式垂直运动和关节式纵深运动方式,保证了机械臂的灵活性。同时为了使按摩机器人具有足够的按摩空间,机械臂可沿着床体完成三维空间的移动;仿人机械手安装在机械臂的末端,能够模仿人工按摩手法完成中医按摩治疗,同时,机械手的腕部和掌指可以实现转动及开合,进而实现了指按、掌推、掌揉等各种中医按摩手法;运动控制柜放置在按摩床的底部,是整个系统主要控制的载体,主要为控制机械臂和按摩手的运动和数据信息的传输。同时,还需要完成传感器系统、操作平台和按摩机器人之间的采集、传输与控制,实时上传检测传感器的当前值、机械臂和机械手的运行状态等信息。为了保证控制系统的安全性和可靠性,需考虑对其电磁兼容问题做出相应的措施;操作平台采用全触摸屏结构,主要负责按摩任务的分解调度、按摩手法行为规划及动作控制等,以及可以实现对患者的基本信息录入、生理指标的显示以及数据的存储等。该中医按摩机器人是一种集多种技术于一体的服务康复型机器人,能实现多种空间按摩运动手法的按摩机器人系统,将中医按摩保健治疗变为由机器人来完成,可以有效缓解目前医疗保健资源约束、社会人口老龄化问题日益严重的问题[7]。
2 按摩手法的实现中医按摩机器人可以实现多种中医按摩手法,而且各种按摩手法之间可以相互配合以及自由转换,从而达到对患者治疗和推拿按摩的效果。文中只介绍指按、指揉、掌推、掌按、掌揉、捏拿按摩手法的实现[8]。
2.1 指揉和掌揉按摩手法的实现按摩机器人的按摩手法均是机器人首先寻找出穴位坐标下进行的,指柔和掌揉按摩手法有着相似的步骤,指按摩手分别调整到指柔按摩手法位置 (如图 2所示) 和掌揉按摩手法位置 (如图 3所示),系统上位机生成力度、次数或时间等操作信息,运动控制器接受控制指令信息,控制按摩手下降,直到压力传感器反馈的值达到设定值,同时X, Y轴方向的电机通过插补算法实现近似的圆周按摩运动[10],完成后,机械臂将会向上运动50 mm,然后沿X轴负方向运动50 mm后,之后向下运动直到传感器达到设定力度,最后做圆周运动。继续重复以上动作,然后沿着X轴方向移动4步以后,再沿着与之相反的方向往回运动,最后返回穴位坐标的原点,完成1次的指柔或掌揉按摩手法[8]。
2.2 指按和掌按按摩手法实现指按和掌按按摩手法的转换可以通过驱动腕部电机调节按摩手位置来实现,指按和掌按按摩手法位置分别如图 2、3所示。与其他按摩手法一样,运动控制器控制机械臂向下运动至压力传感器设定值后停止,停留5 s后,机械臂向上运动一定的距离,如此往复上下运动,直到达到设定的次数停止,代表完成了指按和掌按按摩手法[8]。
2.3 掌推按摩手法的实现按摩机器人可以实现在按摩过程中力度的均衡,高度模仿按摩师的掌推手法,按摩手手法位置如图 3所示。运动控制器控制机械臂向下运动,直到压力传感器接触患者皮肤并达到设定值停止,然后机械臂沿着X轴负方向运动,进行掌推按摩手法,由于患者背部的高度是不断变换的,根据掌部压力传感器的数值变化,机械臂的垂直运动机构会相应的上下移动,始终使机械手的压力保持设定的力度。
2.4 捏拿按摩手法的实现捏拿按摩手法是挤压提捏肌肤的方法,按摩手手法位置如图 4所示。运动控制器机械臂下移,直至按摩手内部的虎口开关被触发,控制器发送捏拿命令到按摩手的控制板,通过控制捏拿电机正、反向转动进行捏拿的按摩手法,捏拿5次后,按摩手向上运动50 mm,沿着X轴负方向移动50 mm后向下运动,重复捏拿动作,达到设定时间或移动周期,最后回到穴位坐标的原点,完成捏拿按摩手法。
3 中医按摩机器人穴位寻找行为规划中医按摩机器人在对患者进行推拿、按摩时,需要对患者不同穴位进行不同力度的治疗按摩,按摩力度需要根据压力传感器感知的压力信息实时调节。如果按摩机器人不能准确地寻找到患者的穴位坐标位置信息,患者不但会感觉到不同程度的疼痛,而且也达不到治疗效果,所以按摩机器人对患者治疗的重要基础是如何精准寻找出患者的穴位坐标[7]。然而,对患者的穴位坐标位置只使用常规的BP神经网络训练学习,不但学习时间较长,而且精度低[9],达不到治疗的需要,故文中利用遗传算法对BP神经网络进行优化,来提高按摩机器人穴位坐标寻找的精度,以达到较好的预期治疗效果。
3.1 基于遗传算法优化BP神经网络BP神经网络是一类多层的前馈神经网络,由输入层、若干隐含层和输出层组成。通过调节权值以及误差反向学习来减小误差信息,得到期望的输出值[9-12]。但是BP神经网络通常是基于梯度下降法,使得BP神经网络存在学习收敛速递慢、不具有全局搜索能力、不能保证收敛到最小值、网络结构不易确定的缺点。以上缺点对神经网络训练存在较大的影响[13],针对这些缺点文中利用利用遗传算法进行弥补与优化BP神经网络。
遗传算法是一类借鉴生物界自然选择和自然遗传学机理的生物进化过程全局优化随机搜索算法。其基本要素包括染色体编码方法、适应度函数、遗传操作以及运行参数[14-15]。目前,遗传算法广泛应用在机器人学习、自适应控制、组合优化等领域,并取得了很好的效果。遗传算法从随机产生的初始种群进行搜索,通过选择、交叉、变异来产生新的种群。在根据适应度的好坏选择出一定数量“优秀”的个体,进行选择、交叉、变异来产生出下一代新的种群。以此进行迭代,算法最终收敛于最优解或次优解[16]。
3.2 算法流程利用遗传算法优化BP神经网络分为:BP神经网络的结构确定、遗传算法优化出最佳权值和阈值、BP神经网络训练与预测。遗传算法优化BP神经网络流程如图 5所示。其中,BP神经网络结构确定是根据输入输出参数个数来确定BP神经网络结构,继而确定遗传个体的长度。使用遗传算法优化BP神经网络的权值和阈值,每个个体需要通过适应度函数来计算出个体的适应度值,遗传算法通过选择、交叉和变异计算出最优适应度值对应的个体[17]。利用遗传算法得到最优个体,对BP神经网络初始权值和阈值进行赋值,提高神经网络的预测精度。
文中中医按摩机器人穴位寻找行为规划采用3层神经网络,将患者的身高 (cm)、体重 (kg)、大椎穴位坐标 (X、Y坐标,下同)、肩中俞穴位坐标、肩井穴位坐标、肩外俞穴位坐标、大柕穴位坐标、天宗穴位坐标和肺俞穴位坐标作为输入参数,将大肠俞穴位坐标、肾俞穴位坐标和腰阳关穴位坐标作为输出参数,然而,由于这些坐标等参数具有不同的量级和量纲,因此需要对这些数据进行归一化处理。同时文中隐含层得传递函数选取S型正切函数tansig;输出层选取S型对数函数logsig。
BP神经网络的初始权值和阈值利用遗传算法来优化后,使得神经网络可以更好、更精确地对患者穴位坐标进行预测。遗传算法优化BP神经网络的要素包括如下:
1) 种群初始化。个体编码采用实数二进制编码方式,也就是使每个个体均为一个二进制串,由输入层与隐含层连接权值、隐含层与输出层连接权值以及隐含层和输出层阈值4部分组成。神经网络全部权值和阈值被个体所包含,如果神经网络的结构已知,则可以确定一个结构、权值、阈值却确定的神经网络。
2) 适应度函数。利用BP神经网络在对不同的患者穴位坐标进行预测时,应尽可能使预测坐标位置与患者实际坐标位置最小,选取两者的误差矩阵的范数作为系统输出目标函数。文中适应度函数选用:fitnV=ranking (obj)。
3) 选择。选择算子选用随机遍历抽样 (sus) 方式。
4) 交叉。交叉算子选用单点交叉方式。
5) 变异。采用随机的方法以一定的概率使基因发生变异,如果基因的编码是1,那么就变异为0;反之,变异为1。
3.3 实验仿真根据遗传算法和BP神经网络理论知识,结合遗传算法优化BP神经网络流程,对按摩机器人穴位寻找行为规划在MATLAB仿真软件中进行编程,实现新的中医按摩机器人穴位寻找行为规划,仿真结果如图 6所示。
由图 6仿真结果上可以明显的看出,优化前的仿真结果不但均方误差较大,而且步数明显的大很多,通过5 000迭代步数的训练才使均方误差达到0.01左右。然而优化后的仿真效果明显提高,通过13步的迭代步数后,均方误差可以达到0.000 1左右。由此可知,通过该方法中医按摩机器人可以较精准、较快地完成患者的穴位寻找,提高了对患者的穴位坐标寻找行为规划的精度。
4 结束语文中针对中医按摩设备的临床需求,研制了一种集多种按摩手法于一体中医按摩机器人系统。介绍了按摩手法的实现方式,同时为了更好的对患者进行治疗按摩,对中医按摩机器人穴位寻找行为规划进行研究,利用遗传算法弥补了BP神经网络存在的缺点,优化了BP神经网络,进而提出了一种基于遗传算法优化BP神经网络的中医按摩机器人穴位坐标预测方法,从仿真结果上可以看出该方法学习速度快、精度高,具有较好的预测效果。
[1] | 高焕兵, 鲁守银, 王涛, 等. 中医按摩机器人研制与开发[J]. 机器人, 2011, 33(5): 553-562 |
[2] | LU Shouyin, GAO Huanbing, LIU Cungen, et al. Design of Chinese medical massage robot system[C]//2011 International Conference on Electrical and Control Engineering (ICECE). Yichang, China: IEEE, 2011: 3882-3885. |
[3] | 张小川, 候鑫磊, 涂飞. 博弈机器人的行为规划[J]. 重庆理工大学学报:自然科学版, 2014, 28(4): 99-103 |
[4] | 黄国锐, 徐敏, 张荣, 等. 基于内分泌调节机制的机器人行为规划算法及其应用研究[J]. 小型微型计算机系统, 2004, 25(2): 262-265 |
[5] | 李松, 刘力军, 解永乐. 遗传算法优化BP神经网络的短时交通流混沌预测[J]. 控制与决策, 2011, 26(10): 1581-1585 |
[6] | HUANG Hanxiong, LI Jiongcheng, XIAO Chenglong. A proposed iteration optimization approach integrating backpropagation neural network with genetic algorithm[J]. Expert systems with applications, 2015, 42(1): 146-155 DOI:10.1016/j.eswa.2014.07.039 |
[7] | 张营, 鲁守银. 中医按摩机器人治疗方案行为决策[J]. 黑龙江大学自然科学学报, 2016(4): 545-549 |
[8] | 杜光月. 仿人机械手中医按摩手法的建模与柔顺控制[D]. 济南: 山东建筑大学, 2012. |
[9] | 曾雪琴. 基于改进遗传神经网络的深度图像边缘检测研究[D]. 哈尔滨: 哈尔滨理工大学, 2011. |
[10] | 罗福源, 游有鹏, 尹涓. NURBS曲线S形加减速双向寻优插补算法研究[J]. 机械工程学报, 2012, 48(5): 147-156 |
[11] | RAHIMI M, HAJIALYANI M, BEIGZADEH R, et al. Application of artificial neural network and genetic algorithm approaches for prediction of flow characteristic in serpentine microchannels[J]. Chemical engineering research and design, 2015, 98: 147-156 DOI:10.1016/j.cherd.2015.05.005 |
[12] | 罗耀华, 从静. 基于BP神经网络的三相逆变器故障诊断研究[J]. 应用科技, 2010, 37(6): 56-60 |
[13] | 陈立伟, 宋宪晨, 章东升, 等. 一种基于优化小波神经网络的语音识别[J]. 应用科技, 2008, 35(2): 17-20 |
[14] | 赵晶, 董红斌. 基于遗传算法的目标优化研究[J]. 应用科技, 2007, 34(8): 39-41 |
[15] | 许同乐, 侯蒙蒙, 蔡道勇, 等. FastICA遗传神经网络算法[J]. 北京邮电大学学报, 2014, 37(4): 25-28 |
[16] | MAO Yihua, ZHANG Mengbo, YAO Ningbo. Hangzhou housing demand forecasting model based on BP neural network of genetic algorithm optimization[J]. Applied mechanics and materials, 2014, 587-589: 37-41 DOI:10.4028/www.scientific.net/AMM.587-589 |
[17] | 白玉, 陈立伟. 基于遗传矢量量化和遗传神经网络的说话人识别系统[J]. 应用科技, 2005, 32(12): 45-47 DOI:10.3969/j.issn.1009-671X.2005.12.016 |