CN102279072B - 步行器测力系统中的蚁群遗传融合标定方法 - Google Patents

Abstract

本发明涉及辅具标定技术、生物信息提取。为提供具备搜索效率高、收敛速度快的优点，能有效加快算法的运算速度，以获得更适用的标定结果的标定方法，本发明采取的技术方案是，步行器测力系统中的蚁群遗传融合标定方法，通过粘贴在步行器框架上的12路应变片传感器，由传感器得到的12路电压信号U＝[U₁，U₂，Λ，U₁₂]^T，对电压信号U＝[U₁，U₂，Λ，U₁₂]^T初期用遗传算法得到蚁群算法的初始信息素，后期在已知初始信息素的基础上，利用蚁群算法迅速求得最优解，转化为施加在步行器手柄上的HRV六维力信息。本发明主要应用于步行器测力的场合。

Description

步行器测力系统中的蚁群遗传融合标定方法

技术领域

本发明涉及辅具标定技术、生物信息提取，具体讲涉及步行器测力系统中的蚁群遗传融合标定方法及装置。

背景技术

由于自然灾害、交通事故的频发，以及社会老龄化的加剧，神经功能障碍或肢体损伤的范围逐年扩大。康复辅具如步行器、拐杖等的使用也越来越普遍。随之而来的就是康复辅具使用的安全性问题。

据调查显示，从2001年到2006年，美国每年约有47000人(不小于65岁)因为步行器和拐杖使用不当而摔伤。其中，87％是由步行器的使用不当造成的。可见，步行器，作为辅助患者运动的一种重要工具，却因为使用不当造成了患者的二次损伤，给患者心理和生理上造成了不良的影响。

对步行器力学参数的获取，可以实时监控使用者的运动状态，有效防止患者在使用步行器过程中的摔伤。鉴于此，很多学者为获取步行器的力学参数提出了不同的方法研究。

Adrezin等人的研究小组将应变片粘贴在步行器的四条腿上，测量轴向力、前后向力、以及中间向两侧的弯曲，借此研究在一个步态步行器和人体下肢承担力的相互作用。Deathe等人用安装在步行器上的应变片测量地反作用力。

1996年，英国University College London的Donalson和Yu首次提出了柄反作用矢量(Handle Reaction Vector，HRV)的概念，将患者在站立行走过程中对辅具的作用合成简化为集中载荷，分别用位于左右手柄中点横截面形心处的两个力学矢量来表示。HRV在三个轴上的分量就可以来表征辅具提供给患者的力平衡、力推进和力支持水平。其中，在手柄处定义坐标系中x，y，z轴的正向分别为患者的右向，前向，上向。HRV的具体公式如下：

HRV＝[F_1x，F_1y，F_1z，F_rx，F_ry，F_rz]^T    (1)

以往对HRV的测量，都是采用直接测量方法，即将应变片贴在步行器的手柄处，可以准确获取人体上肢力学信息。但是由于患者的手直接与应变片接触，应变片的输出会受到患者体温和湿度的影响，准确度降低；同时，应变片也会给患者带来不适，影响正常步态。

为了避免直接测量对结果的影响，可采用间接测量的方法，通过粘贴在步行器框架上的12路应变片传感器，测量患者施加在步行器手柄上的HRV。为得到这个六维力信息，需要建立一个转换矩阵或数学模型，即将由传感器得到的12路电压信号U＝[U₁，U₂，Λ，U₁₂]^T转换成HRV。转换矩阵C是一个6×12的矩阵，定义如下：

HRV＝C×U，(2)

前面已有人利用传统线性方法、人工神经网络、蚁群算法对步行器进行静态标定。其中，传统线性方法简单，且能够得到一个转换矩阵，便于实时转换监测；人工神经网络的结果更为精确，但不适于实时监测，因为其建立的是一个复杂模型，而无法得到转换矩阵；利用蚁群算法也可得到标定矩阵，而且结果要优于传统线性标定的方法。

但前述方法存在速度低，精度不高，不适于实时监测等缺点。

发明内容

为克服现有技术的不足，对已有方法进行改进，提供具备搜索效率高、收敛速度快的优点，能有效加快算法的运算速度，以获得更适用的标定结果的标定方法，为达上述目的，本发明采取的技术方案是，步行器测力系统中的蚁群遗传融合标定方法，通过粘贴在步行器框架上的12路应变片传感器，由传感器得到的12路电压信号U＝[U₁，U₂，Λ，U₁₂]^T，以及对应的HRV六维力信息，为建立二者的关系，即确定标定矩阵C，初期用遗传算法得到蚁群算法的初始信息素，后期在已知初始信息素的基础上，利用蚁群算法迅速求得最优解，即最优的标定矩阵。通过所得的标定矩阵，由传感器输出的12路电压信号直接得到HRV。

算法的具体实现步骤：

Step1：初始化遗传算法控制参数，包括：种群规模N，杂交概率P_c，变异概率P_m；

Step2：设置遗传算法结束条件，即最大遗传代数G；

Step3：随机生成种群R(g)，R(g)中的N行代表N个由二进制码表示的个体：

标定矩阵共有6×12＝72个元素，每个元素由11个二进制数表示，将标定矩阵的所有元素按列从小到大，行从小到大排列成一行，即该行的第12×(i-1)+1～12×i个元素是标定矩阵的第i行的元素，其中i＝1，2，3，4，5，6，然后将每个元素由n个二进制数表示，具体编码由遗传算法和蚁群算法完成，其中，在遗传算法中，这组二进制数作为染色体，在蚁群算法中，这组二进制数作为蚂蚁所走的路径，通过算法的寻优，可获得最优的用一组二进制数表示的标定矩阵，n决定了二进制编码的精度，n＝11；

由算法可得到用来表示标定矩阵的二进制数，按顺序，每11个二进制数表示一个元素，需按下面的公式解码为标定矩阵中的元素：

$x={(-1)}^A\×[a+\frac{S}{2^{n-2}-1}\×(b-a)]---\left(3\right)$

进行二进制解码，可得到标定矩阵的所有72个元素，其中，n是标定矩阵中表示每个元素所需的二进制编码的位数；A是n位二进制码的最高位，代表该元素x的符号：当A为0时，x为正，否则，为负；S是后n-1位二进制码转换成十进制数的值；x的绝对值的取值范围被估计在区间[a，b]上，n越大，所求结果越精确，但计算量也随之增大，本发明中n＝11；由线性标定的结果，估算出a＝0，b＝30因为标定矩阵有6×12＝72个元素，所以每行有11×72＝792个二进制码，g是遗传代数且g＝0；

Step4：计算R(g)中N个个体的适应度F_i(i＝1，2，…，N)，即对应个体解码成标定矩阵的标定误差的倒数，对于R(g)中第i个个体解码出的标定矩阵，其标定误差计算公式为

是由第i个个体解码成的标定矩阵C计算所得的HRV，F_e是实际测量得到的HRV；

Step5：根据个体适应值确定每个个体的概率，根据赌轮选择策略选择两个父体，由杂交概率和变异概率，选择执行变异操作的位置，并将所得两个后代插入新群体中；

Step6：更新新一代个体的适应值。若g小于G，，g＝g+1，重复Step5；否则，转入下一步；

Step7：选择适应能力强的10个个体，放入集合中，作为最优解集合；

Step8：信息素的初值设置：τ_S＝τ_C+τ_G，其中，τ_C是一个常数，即算法中的初始信息素浓度，τ_G是遗传算法求解结果转化的信息素值，由遗传算法可得到10个最优解的集合，对于第i个最优解对应的蚁群算法中的路径，其

适应度越大，τ_G越大，如果10个最优解中有若干个相同的解，则该解对应的τ_G即为所有相同解的

的和。

Step9：参数初始化：令时间t＝0和循环次数N_c＝0，设置最大循环次数N_cmax，将m只蚂蚁置于起始点；

Step10：蚂蚁根据伪随机比例原则选择结点，每选择一个结点，进行局部信息素更新。

Step11：待走完完整的路径后，将每只蚂蚁走过的路径解码成标定矩阵，计算所有蚂蚁选择的标定矩阵的标定误差，

(i＝1，2，…，m)，对误差最小的最优路径，进行全局信息素更新，N_e＝N_e+1；

Step12：若标定误差小于某个值或达到最大循环次数，标定结束；否则，蚂蚁重置于起始点，转入step10。

本发明具有以下技术效果：

本发明利用遗传蚁群融合的算法，得到步行器标定矩阵，提高了监测精度，缩短了运算时间。步行器的标定结果(交叉干扰、力学精度、非线性误差)优于单独使用蚁群算法标定的结果。

附图说明

图1HRV示意图。

图2遗传蚁群算法收敛速度图。

图3遗传蚁群融合算法框图

具体实施方式

a)实验方案

以步行器两个手柄中心为施力点，利用标准砝码向步行器施加不同方向不同大小的力，记录力的大小和方向，以及在此情况下，步行器应变片经系统输出的12路电压值。实验中涉及的施力方向为HRV的6个基准方向。

b)遗传算法

遗传算法是一种模拟自然选择和遗传机制的寻优方法，它建立在达尔文的生物进化论和孟德尔的遗传学说基础上。在进化论中，每一物种在不断的发展过程中都是越来越适应环境，物种的每个个体的基本特征被后代所继承，但后代又不完全同于父代，这些新的变化，若适应环境，则被保留下来，否则，就将被淘汰。在遗传学中认为，遗传是作为一种指令遗传码封装在每个细胞中，并以基因的形式包含在染色体中，每个基因有特殊的位置并控制某个特殊的性质。每个基因产生的个体对环境有一定的适应性。基因杂交和基因突变可能产生对环境适应性强的后代，通过优胜劣汰的自然选择，适应值高的基因结构就保存下来。遗传算法就是模仿了生物的遗传、进化原理，并引用了随机统计原理而形成的。在求解过程中，遗传算法从一个初始变量群体开始，逐代地寻找问题的最优解，直到满足收敛判据或预先假定的迭代次数为止。

遗传算法有如下优点：

1.将搜索过程作用在编码后的字符串上，不直接作用在优化问题的具体变量上，在搜索中用到的是随机的变换规则，而不是确定的规则。采用启发式的搜索，具有更高的搜索效率。

2.只需要适合度信息，不需要其他辅助信息，对问题依赖性小，有较强的鲁棒性。

3.从一组初始点开始搜索，而不是单一初始点；结果为一组优化解，具有全局优化能力。

4.具有很强的可并行性，可通过并行计算提高计算速度，更适于大规模复杂问题。

遗传算法的交叉、变异规则：

交叉操作选用多点交叉，即若父代染色体为A：1011001和B：0010110，交叉位置为3和5，将染色体A和B的第3～5位编码互换，则后代个体为10|101|01和00|110|10。

变异操作选用互换操作，若父代染色体为1011001，互换位置为2和4，则后代个体为1110001。

c)蚁群算法

蚁群算法是由Dorigo等人提出的一种仿生算法，它模拟了真实蚁群的群体行为，通过路径上信息素浓度来决定人工蚂蚁的行为。蚂蚁在行进的过程中按信息素浓度最大原则来选择路径，同时，蚂蚁经过时，也会在路径上留下信息素，形成信息素浓度的正反馈；另外，信息素浓度会随时间而降低，借此来抑制信息素浓度增加的正反馈。由两者的平衡使蚂蚁找到一个最优解。

蚁群算法有如下优点：

1.分布式控制，具有潜在的并行性，算法的运行效率和快速反应能力较高。

2.具有自组织性。

3.是一类概率型的全局搜索方法，进行更为广泛的搜索。

蚁群算法中的重要公式：

伪随机比例原则：

$j=\left\{\begin{array}{cc}\arg \max \left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]\·{\left[{\mathrm{\η}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\β}},& \mathrm{ifq}\≤q_0\\ S,& \mathrm{else}\end{array}\right.---\left(4\right)$

其中，q是0到1之间的随机数，q₀是0到1之间的定值，τ_ij是第i个结点和第j个结点间的信息素浓度，η_ij是第i个结点指向第j个结点可见度因子，β是一可调参数。S指按状态转移公式求得的概率选择下一个结点。

状态转移公式：

$p_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{cc}\frac{\left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]\·{\left[{\mathrm{\η}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\β}}}{\mathrm{\Σ}\left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]\·{\left[{\mathrm{\η}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\β}}},& \mathrm{if\; j}\∈{\mathrm{allowed}}_k\\ 0,& \mathrm{else}\end{array}\right.---\left(5\right)$

其中，

是从结点i转移到结点j的概率。

局部信息素更新：

τ_ij＝(1-ξ)·τ_ij+ξ·τ₀，(6)

其中，τ₀是初始信息素浓度，ξ是信息素挥发因子，ξ∈[0，1]。

全局信息素更新：

τ_ij＝(1-ρ)·τ_ij+ρ·Δτ_ij    (7)

其中，

ρ∈[0，1]。

d)遗传蚁群融合方法

遗传算法的全局搜索能力很强，在搜索初期，搜索效率很高。但遗传算法对反馈信息利用不足，当求解到一定范围时往往做大量的冗余迭代，求解效率降低。由于并行性、正反馈性，蚁群算法搜索效率很高，但算法初期信息素匮乏，求解速度很慢。如图2所示。

为充分利用两种算法的优点，弥补各自的缺点，将两种算法融合：初期用遗传算法得到蚁群算法的初始信息素，后期在已知初始信息素的基础上，利用蚁群算法迅速求得最优解。

标定矩阵共有6×12＝72个元素，每个元素由11个二进制数表示。将标定矩阵的所有元素按列从小到大，行从小到大排列成一行，即该行的第12×(i-1)+1～12×i个元素是标定矩阵的第i行的元素，其中i＝1，2，3，4，5，6。然后将每个元素由n个二进制数表示。具体编码由遗传算法和蚁群算法完成，其中，在遗传算法中，这组二进制数作为染色体，在蚁群算法中，这组二进制数作为蚂蚁所走的路径。通过算法的寻优，可获得最优的用一组二进制数表示的标定矩阵。n决定了二进制编码的精度，本申请中，n＝11。蚁群算法二进制编码为默认编码方式即是算法寻优的过程。蚁群(或遗传)算法的结果，就是一组二进制数。

由算法可得到用来表示标定矩阵的二进制数，按顺序，每11个二进制数表示一个元素，需按下面的公式解码为标定矩阵中的元素：

$x={(-1)}^A\×[a+\frac{S}{2^{n-2}-1}\×(b-a)]---\left(8\right)$

其中，n是标定矩阵中表示每个元素所需的二进制编码的位数；A是n位二进制码的最高位，代表该元素x的符号：当A为0时，x为正，否则，为负；S是后n-1位二进制码转换成十进制数的值；x的绝对值的取值范围被估计在区间[a，b]上。n越大，所求结果越精确，但计算量也随之增大，本发明中n＝11。由线性标定的结果，可以估算出a＝0，b＝30。标定误差error＝||F_c-F_e||_∞，其中，F_c是根据公式(2)由标定矩阵C计算所得的HRV，F_e是实验测量得到的HRV。

算法的具体实现步骤如图3所示：

Step1：初始化遗传算法控制参数，包括：种群规模N，杂交概率P_c，变异概率P_m；

Step2：设置遗传算法结束条件，即最大遗传代数G；

Step3：随机生成种群R(g)，R(g)中的N行代表N个由二进制码表示的个体，每个个体通过公式8所示的二进制解码，可得到标定矩阵的所有72个元素，因为标定矩阵有6×12＝72个元素，所以每行有11×72＝792个二进制码。g是遗传代数且g＝0；

Step4：计算R(g)中N个个体的适应度F_i(i＝1，2，…，N)，即对应个体解码成标定矩阵的标定误差的倒数，对于R(g)中第i个个体解码出的标定矩阵，其标定误差计算公式为

是由第i个个体解码成的标定矩阵C计算所得的HRV，F_e是实验测量得到的HRV；

Step5：根据个体适应值确定每个个体的概率，根据赌轮选择策略选择两个父体，由杂交概率和变异概率，选择执行变异操作的位置，并将所得两个后代插入新群体中；

Step6：更新新一代个体的适应值。若g小于G，，g＝g+1，重复Step5；否则，转入下一步；

Step7：选择适应能力强的10个个体，放入集合中，作为最优解集合；

Step8：信息素的初值设置：τ_S＝τ_C+τ_G，其中，τ_C是一个常数，即算法中的初始信息素浓度，τ_G是遗传算法求解结果转化的信息素值，由遗传算法可得到10个最优解的集合，对于第i个最优解对应的蚁群算法中的路径，其

适应度越大，τ_G越大，如果10个最优解中有若干个相同的解，则该解对应的τ_G即为所有相同解的

的和。

Step9：参数初始化：令时间t＝0和循环次数N_c＝0，设置最大循环次数N_cmax，将m只蚂蚁置于起始点；

Step10：蚂蚁根据伪随机比例原则选择结点，每选择一个结点，进行局部信息素更新。

Step11：待走完完整的路径后，将每只蚂蚁走过的路径解码成标定矩阵，计算所有蚂蚁选择的标定矩阵的标定误差，

(i＝1，2，…，m)，对误差最小的最优路径，进行全局信息素更新，N_c＝N_c+1；

Step12：若标定误差小于某个值或达到最大循环次数，标定结束；否则，蚂蚁重置于起始点，转入step10。

本发明采用蚁群遗传融合的方法，结合了蚁群算法搜索效率高，遗传算法收敛速度快的优点，有效加快算法的运算速度，步行器的标定结果(交叉干扰、力学精度、非线性误差)优于单独使用蚁群算法标定的结果。

本发明的主旨是提出一种新的步行器标定方法，通过遗传蚁群融合算法得到步行器的标定矩阵。该项发明适于步行器的实时监测，有效地提高监测的准确性和稳定性，并获得可观的社会效益。最佳实施方案拟采用专利转让、技术合作或产品开发。

Claims (1)

1.一种步行器测力系统中的蚁群遗传融合标定方法，其特征是，通过粘贴在步行器框架上的12路应变片传感器，得到12路电压信号U＝[U₁,U₂，…,U₁₂]^T，建立该电压信号以及对应的HRV六维力信息的关系，即确定标定矩阵C，初期用遗传算法得到蚁群算法的初始信息素，后期在已知初始信息素的基础上，利用蚁群算法迅速求得最优解，即最优的标定矩阵；算法的具体实现步骤：

Step1：初始化遗传算法控制参数，包括：种群规模N，杂交概率P_c，变异概率P_m；

Step2：设置遗传算法结束条件，即最大遗传代数G；

Step3：随机生成种群R(g)，R(g)中的N行代表N个由二进制码表示的个体：

标定矩阵共有6×12=72个元素，每个元素由11个二进制数表示，将标定矩阵的所有元素按列从小到大，行从小到大排列成一行，即该行的第12×(i-1)+1～12×i个元素是标定矩阵的第i行的元素，其中i=1,2,3,4,5,6，然后将每个元素由n个二进制数表示，具体编码由遗传算法和蚁群算法完成,其中,在遗传算法中,这组二进制数作为染色体,在蚁群算法中,这组二进制数作为蚂蚁所走的路径，通过算法的寻优，可获得最优的用一组二进制数表示的标定矩阵，n决定了二进制编码的精度，n=11；

由算法可得到用来表示标定矩阵的二进制数，按顺序，每11个二进制数表示一个元素，需按下面的公式解码为标定矩阵中的元素：

$x={(-1)}^A\×[a+\frac{S}{2^{n-2}-1}\×(b-a)]$

进行二进制解码，可得到标定矩阵的所有72个元素，其中，n是标定矩阵中表示每个元素所需的二进制编码的位数；A是n位二进制码的最高位，代表该元素x的符号：当A为0时，x为正，否则，为负；S是后n-1位二进制码转换成十进制数的值；x的绝对值的取值范围被估计在区间[a，b]上，n越大，所求结果越精确，但计算量也随之增大，本发明中n＝11；由线性标定的结果，估算出a＝0,b＝30，因为标定矩阵有6×12=72个元素，所以每行有11×72=792个二进制码，g是遗传代数且g＝0；

Step4：计算R(g)中N个个体的适应度F_i（i=1，2，…，N），即对应个体解码成标定矩阵的标定误差的倒数，对于R(g)中第i个个体解码出的标定矩阵，其标定误差计算公式为

是由第i个个体解码成的标定矩阵C计算所得的HRV，F_e是实验测量得到的HRV；

Step5：根据个体适应值确定每个个体的概率，根据赌轮选择策略选择两个父体，由杂交概率和变异概率，选择执行变异操作的位置，并将所得两个后代插入新群体中；

Step6：更新新一代个体的适应值，若g小于G，g=g+1，重复Step5；否则，转入下一步；

Step7：选择适应能力强的10个个体，放入集合中，作为最优解集合；

Step8：信息素的初值设置：τ_S＝τ_C+τ_G，其中，τ_C是一个常数，即算法中的初始信息素浓度，τ_G是遗传算法求解结果转化的信息素值，由遗传算法可得到10个最优解的集合，对于第i个最优解对应的蚁群算法中的路径，其适应度越大，τ_G越大，

如果10个最优解中有若干个相同的解，则该解对应的τ_G即为所有相同解的

的和；

Step9：参数初始化：令时间t＝0和循环次数N_c＝0，设置最大循环次数N_cmax，将m只蚂蚁置于起始点；

Step10：蚂蚁根据伪随机比例原则选择结点，每选择一个结点，进行局部信息素更新；

Step11：待走完完整的路径后，将每只蚂蚁走过的路径解码成标定矩阵，计算所有蚂蚁选择的标定矩阵的标定误差，

（i=1，2，…，m），对误差最小的最优路径，进行全局信息素更新，N_c＝N_c+1；

Step12：若标定误差小于某个值或达到最大循环次数，标定结束；否则，蚂蚁重置于起始点，转入step10。

Images