一种移乘护理机器人舒适度评估方法

1.本发明涉及医疗器械技术领域，具体涉及一种移乘护理机器人舒适度评估方法。


背景技术：

2.移乘护理机器人是协助医护人员完成对卧床病患等行动不便对象进行日常护理的一类机器人，可完成将患者在病床、轮椅、手术台之间换乘、转运的工作。由于其应用对象主要是失能老人、病患等身体较脆弱的人群，对常人来说可以忍受的轻度苦痛也可能会造成其严重的心理负担，且部分受护理人群伴随有沟通障碍的症状，在移乘护理机器人的使用过程中，无法确切表述自己的感受，护理人员也无法据此为受护理者调整转移姿态。为解决上述问题，本发明提出一种移乘机器人舒适度评价方法，不仅可以指导移乘机器人的运动控制、规划，也可以在使用过程中给出舒适度评价，帮助护理人员调节患者的转移姿势。
3.以下为几种现有舒适度评估方法：
4.1.基于加权函数的舒适度评估方法。建立抱人转移运动的动力学模型，分析影响舒适度的受力因素，用一种加权函数来评估舒适度，其权重由层次分析法、主观赋权法等方法进行确定。该类方法分析舒适度影响因素以动力学模型为对象，仅从受力层面考虑，将人体与机械臂的接触位置视作点接触，忽视了许多压力特征，舒适度评价结果可靠性较差。
5.2.基于模糊数学的舒适度评估方法。基于层次分析法将各影响因素划分为目标层、中间层和底层，通过求取中间层和底层中各因素的权重矩阵以及评价矩阵并进行模糊运算从而完成对目标层的最终评价。最终评价以指标权重集与单因素评价矩阵进行模糊运算得到的综合评价向量来表示。该类方法求解步骤繁琐，无法实现舒适度评价模型随数据更新，难以在移乘护理机器人的日常使用中给出舒适度评价。
6.3.基于神经网络的舒适度评估方法。通过实验获取各舒适度影响因素表征参数以及对应舒适度评价，将其作为数据集导入到神经网络模型中进行训练，最终得到各舒适度影响因素与舒适度评分的映射关系，即舒适度评价模型。该类方法虽然可以利用计算机自动输出舒适度量化评价结果，且易实现评价模型随数据的更新而变化，但所需训练样本量较大，受护理者一般是失能老人、病患等，其样本获取较为困难。


技术实现要素：

7.针对现有技术中的上述不足，本发明提供的一种移乘护理机器人舒适度评估方法解决了以下技术问题：
8.1、基于加权函数的舒适度评估方法，仅从受力层面考虑，将人体与机械臂的接触位置视作点接触，忽视了许多压力特征，舒适度评价结果可靠性较差。
9.2、基于模糊数学的舒适度评估方法，无法实现舒适度评价模型随数据更新，难以在移乘护理机器人的日常使用中给出舒适度评价。
10.3、基于神经网络的舒适度评估方法，所需训练样本量较大，受护理者一般是失能老人、病患等，其样本获取较为困难。
11.为了达到上述发明目的，本发明采用的技术方案为：一种移乘护理机器人舒适度评估方法，包括以下步骤：
12.s1、采集压力特征数据和位置姿态数据，构建训练任务，并对训练任务进行划分，得到支持集和查询集；
13.s2、采用训练任务的支持集和查询集对移乘护理机器人舒适度评估模型进行训练，得到训练完成的移乘护理机器人舒适度评估模型；
14.s3、采用训练完成的移乘护理机器人舒适度评估模型对待评估的任务进行评估，得到移乘护理机器人舒适度。
15.进一步地，所述步骤s1包括以下分步骤：
16.s11、通过传感器获取压力特征数据和位置姿态数据；
17.s12、对压力特征数据和位置姿态数据进行归一化处理，得到归一化数据；
18.s13、对归一化数据进行舒适度标注，得到样本数据集；
19.s14、根据人体特征，将样本数据集划分为不同任务组，得到多组任务组；
20.s15、将每组任务组划分为多份训练任务，将每份训练任务划分为两个不相交的集合，得到称为支持集和查询集。
21.上述进一步方案的有益效果为：本发明结合压力特征数据和位置姿态数据，从位置姿态和压力两方面去衡量舒适度，使得适度评价结果更可靠。
22.进一步地，所述步骤s2中移乘护理机器人舒适度评估模型包括：任务学习网络和参数优化器；
23.所述任务学习网络包括依次连接的输入层、隐含层和输出层，所述隐含层的层数大于等于两层。
24.进一步地，所述任务学习网络的损失函数为：
[0025][0026]
其中，l为损失函数，y为舒适度标注，x为任务学习网络的输入，f(x)为任务学习网络的输出，δ为误差阈值参数。
[0027]
上述进一步方案的有益效果为：在任务学习网络的输出f(x)与舒适度标注y相差较大时，通过计算损失值，防止离群点对模型影响过大；在任务学习网络的输出f(x)与舒适度标注y相差较小时，通过计算损失值，使模型训练速度加快，且使得损失函数在预测误差为零时可导。
[0028]
进一步地，所述步骤s2包括以下分步骤：
[0029]
s21、随机初始化任务学习网络的网络参数初始值，为每个网络参数的学习配置独立的学习率，所有学习率形成一个与网络参数初始值维度相同且元素位置对应的向量，即任务学习率；
[0030]
s22、取一批训练任务，对其中每个训练任务，执行下述步骤s23-s26；
[0031]
s23、采用当前训练任务的支持集训练任务学习网络，计算任务适应梯度；
[0032]
s24、根据任务适应梯度和任务学习率，对网络参数进行迭代更新；
[0033]
s25、将更新后的网络参数传递给任务学习网络，得到更新后的任务学习网络；
[0034]
s26、采用当前训练任务的查询集对更新后的任务学习网络进行训练，得到查询集对应的损失函数；
[0035]
s27、根据这批任务上每个训练任务查询集对应的损失函数，计算这批任务上网络参数的平均梯度和任务学习率的平均梯度；
[0036]
s28、根据这批训练任务上网络参数的平均梯度和任务学习率的平均梯度，在参数优化器中对网络参数初始值和任务学习率进行更新；
[0037]
s29、将更新后的网络参数初始值和任务学习率传递给任务学习网络，并跳转至步骤s22，直到达到设定训练次数，得到训练完成的移乘护理机器人舒适度评估模型。
[0038]
上述进一步方案的有益效果为：通过对类似任务的学习，找到该类任务最优的网络参数初始值和任务学习率，使得模型在新任务上，可以从较好的初始网络参数以及更优的学习路径开始训练，进而达到使用少量样本即可完成训练的效果。
[0039]
进一步地，所述步骤s23中计算任务适应梯度的公式为：
[0040][0041]
其中，g1为任务适应梯度，l
support
为支持集对应的损失函数，为第k-1次迭代的第m个训练任务对应的网络参数，为对网络参数按元素求偏导。
[0042]
进一步地，所述步骤s24中对网络参数进行迭代更新的公式为：
[0043][0044][0045]
其中，为第k次迭代的第m个训练任务对应的网络参数，为第0次迭代的第m个训练任务对应的网络参数，θ为网络参数初始值，为第k-1次迭代的第m个训练任务对应的网络参数，α为任务学习率，
⊙
为哈达玛积运算，g1为任务适应梯度。
[0046]
进一步地，所述步骤s27中计算网络参数的平均梯度和任务学习率的平均梯度的公式为：
[0047][0048][0049]
其中，g2为网络参数的平均梯度，m为步骤s22中所取训练任务批中训练任务的个数，m为训练任务的编号，l
qurry
为查询集对应的损失函数，为第k次迭代的第m个训练任务
对应的网络参数，α为任务学习率，g3为任务学习率α的平均梯度，为对任务学习率α按元素求偏导，为对网络参数按元素求偏导。
[0050]
进一步地，所述步骤s28中对网络参数初始值和任务学习率进行更新的公式为：
[0051][0052][0053]
其中，θ
′
为步骤s28中更新后的网络参数初始值，θ为网络参数初始值，β
max
为网络参数初始值在参数优化器上的学习率最大值，β
min
为网络参数初始值在参数优化器上的学习率最小值，p为在参数优化器上的当前训练周期总的训练次数，pj为在参数优化器上的当前训练周期的第j次训练，sign()为符号函数，fract()为取小数函数，α
′
为步骤s28中更新后的任务学习率，α为更新前任务学习率，为任务学习率在参数优化器上的学习率最大值，为任务学习率在参数优化器上的学习率最小值，g2为网络参数的平均梯度，g3为任务学习率α的平均梯度。
[0054]
综上，本发明的有益效果为：
[0055]
1、本发明结合压力特征数据和位置姿态数据，从位置姿态和压力两方面去衡量舒适度，使得适度评价结果更可靠。
[0056]
2、移乘护理机器人舒适度评估模型中的网络参数可根据输入数据进行训练更新，运用在日常使用中，能更好适应不同受护理人群的身体特征，给出更准确的舒适度评价与使用指导。
[0057]
3、通过对类似任务的学习，找到该类任务最优的网络参数初始值和任务学习率，使得模型在该类型的新任务上，学习效率更高，少量的样本就能达到好的训练效果。
附图说明
[0058]
图1为一种移乘护理机器人舒适度评估方法的流程图；
[0059]
图2为舒适度影响因素图；
[0060]
图3为获取参数位置示意图。
具体实施方式
[0061]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0062]
如图1所示，一种移乘护理机器人舒适度评估方法，包括以下步骤：
[0063]
s1、采集压力特征数据和位置姿态数据，构建训练任务，并对训练任务进行划分，得到支持集和查询集；
[0064]
所述步骤s1包括以下分步骤：
[0065]
s11、通过传感器获取压力特征数据和位置姿态数据；
[0066]
在本实施例中，在移乘护理机器人两条手臂上布置压力传感器阵列，并在机器人头部或其他合适位置布置深度视觉传感器。
[0067]
选取不同年龄、身高、体重的实验者，标记实验者年龄、身高、体重信息，让移乘护理机器人抱持实验者，调整移乘护理机器人双臂与实验者姿势并记录传感器信息。从受压位置压力特征、人体姿态影响因素两方面考虑舒适度影响因素，如图2所示。
[0068]
如图3所示，从传感器获取包括：左臂受压面积x1、右臂受压面积x2、左臂压力均值x3、右臂压力均值x4、左臂压力最值x5、右臂压力最值x6、左臂受压中心距髋部中心距离x7、右臂受压中心距髋部中心距离x8、人体颈关节角x9、人体髋关节角x
10
、人体膝关节角x
11
。
[0069]
x1～x6为压力特征数据，由机器人手臂上布置的压力传感器阵列获取，x7～x
11
为人体位置姿态数据，由机器人头部布置的深度视觉传感器获取。
[0070]
s12、对压力特征数据和位置姿态数据进行归一化处理，得到归一化数据；
[0071]
归一化公式为：
[0072][0073]
其中，xi为第i个归一化后的数据，xi为上述传感器获得的x1～x
11
，x
max
为最大值，x
min
为最小值，对x1～x6的压力特征数据，取所有压力特征数据中的最大值、最小值。对x7、x8的距离数据，最小值均取0，含义为受压位置中心与髋部中心重合，x7最大值取实验者颈部中心到髋部中心距离，x8最大值取实验者踝关节中心到髋部中心距离。对x9～x
11
的人体关节角，参考人体各关节功能活动范围及抱人运动具体情况确定。
[0074]
s13、对归一化数据进行舒适度标注，得到样本数据集；
[0075]
s14、根据人体特征，将样本数据集划分为不同任务组，得到多组任务组；
[0076]
所述人体特征包括年龄、身高和体重。
[0077]
在本实施例中，为增加不同任务组的区分性，增加模型对新任务特征的学习能力，需将样本数据集按年龄、身高、体重等特征分为不同任务组。以实验者年龄、身高、体重为参
照，将样本数据集划分为6个任务组：a1、a2、b1、b2、c1、c2。
[0078]
先随机将实验者的数据样本随机均分为a、b、c三个类型组。a组以年龄为依据，将a组内年龄在40岁以下的实验者样本数据分为a1组，年龄大于40岁的实验者样本数据分为a2组。b组以身高为依据，将b组内身高在160cm以下的实验者样本数据分为b1组，身高超过160cm的实验者样本数据分为b2组。c组以体重为依据，将c组体重在60kg以下的实验者样本数据分为c1组，体重超过60kg的实验者样本数据分为c2组。
[0079]
s15、将每组任务组划分为多份训练任务，将每份训练任务划分为两个不相交的集合，得到称为支持集和查询集。
[0080]
具体为：以任务组为依据，将每组任务组的数据样本等量划分为k份样本，每份样本作为一个独立训练模型的训练任务。
[0081]
s2、采用训练任务的支持集和查询集对移乘护理机器人舒适度评估模型进行训练，得到训练完成的移乘护理机器人舒适度评估模型；
[0082]
所述步骤s2中移乘护理机器人舒适度评估模型包括：任务学习网络和参数优化器；
[0083]
所述任务学习网络包括依次连接的输入层、隐含层和输出层，所述隐含层的层数大于等于两层。
[0084]
所述任务学习网络的损失函数为：
[0085][0086]
其中，l为损失函数，y为舒适度标注，x为任务学习网络的输入，f(x)为任务学习网络的输出，δ为误差阈值参数。
[0087]
在本实施例中，输入层设置11个神经元，对应归一化后的11种xi。输出层单元数设为1，即舒适度评分。为增加模型的非线性表示能力，隐含层a和b均配置relu激活函数。
[0088]
s21、随机初始化任务学习网络的网络参数初始值，为每个网络参数的学习配置独立的学习率，所有学习率形成一个与网络参数初始值维度相同且元素位置对应的向量，即任务学习率；
[0089]
s22、取一批训练任务，对其中每个训练任务，执行下述步骤s23-s26；
[0090]
s23、采用当前训练任务的支持集训练任务学习网络，计算任务适应梯度；
[0091]
所述步骤s23中计算任务适应梯度的公式为：
[0092][0093]
其中，g1为任务适应梯度，l
support
为支持集对应的损失函数，为第k-1次迭代的第m个训练任务对应的网络参数，为对网络参数按元素求偏导。
[0094]
s24、根据任务适应梯度和任务学习率，对网络参数进行迭代更新；
[0095]
所述步骤s24中对网络参数进行迭代更新的公式为：
[0096][0097][0098]
其中，为第k次迭代的第m个训练任务对应的网络参数，为第0次迭代的第m个训练任务对应的网络参数，θ为网络参数初始值，为第k-1次迭代的第m个训练任务对应的网络参数，α为任务学习率，
⊙
为哈达玛积运算，g1为任务适应梯度。
[0099]
s25、将更新后的网络参数传递给任务学习网络，得到更新后的任务学习网络；
[0100]
s26、采用当前训练任务的查询集对更新后的任务学习网络进行训练，得到查询集对应的损失函数；
[0101]
s27、根据这批任务上每个训练任务查询集对应的损失函数，计算这批任务上网络参数的平均梯度和任务学习率的平均梯度；
[0102]
所述步骤s27中计算网络参数的平均梯度和任务学习率的平均梯度的公式为：
[0103][0104][0105]
其中，g2为网络参数的平均梯度，m为步骤s22中所取训练任务批中训练任务的个数，m为训练任务的编号，l
qurry
为查询集对应的损失函数，为第k次迭代的第m个训练任务对应的网络参数，α为任务学习率，g3为任务学习率α的平均梯度，为对任务学习率α按元素求偏导，为对网络参数按元素求偏导。
[0106]
s28、根据这批训练任务上网络参数的平均梯度和任务学习率的平均梯度，在参数优化器中对网络参数初始值和任务学习率进行更新；
[0107]
所述步骤s28中对网络参数初始值和任务学习率进行更新的公式为：
[0108]
[0109][0110]
其中，θ
′
为步骤s28中更新后的网络参数初始值，θ为网络参数初始值，β
max
为网络参数初始值在参数优化器上的学习率最大值，β
min
为网络参数初始值在参数优化器上的学习率最小值，p为在参数优化器上的当前训练周期总的训练次数，pj为在参数优化器上的当前训练周期的第j次训练，sign()为符号函数，fract()为取小数函数，α
′
为步骤s28中更新后的任务学习率，α为更新前任务学习率，为任务学习率在参数优化器上的学习率最大值，为任务学习率在参数优化器上的学习率最小值，g2为网络参数的平均梯度，g3为任务学习率α的平均梯度。
[0111]
在本实施例中，当pj＜p，每完成一次θ与α的参数更新，令p
j+1
＝pj+1；当pj＝p，将pj重置为0，令p＝ε
·
p，开启下一周期的学习率衰减，增长系数ε为大于1的整数。
[0112]
在对网络参数初始值与任务学习率进行训练更新的过程中，利用学习率慢快慢交替衰减的规律，对学习率进行周期性衰退重启，有利于模型在训练中摆脱局部最优点，获得更好的训练效果。
[0113]
s29、将更新后的网络参数初始值和任务学习率传递给任务学习网络，并跳转至步骤s22，直到达到设定训练次数，得到训练完成的移乘护理机器人舒适度评估模型。
[0114]
在本实施例中，在参数优化器上的当前训练周期总的训练次数p初始值、增长系数ε、网络参数初始值在参数优化器上的学习率最大值β
max
、网络参数初始值在参数优化器上的学习率最小值β
min
、任务学习率在参数优化器上的学习率最大值和任务学习率在参数优化器上的学习率最小值为根据工程需要设定。
[0115]
在s22～s29的循环中，在每次循环后，任务学习率α和网络参数初始值θ的值均采用最新的α
′
和θ
′
，例如：在第一次循环后，网络参数初始值θ为θ
′
，任务学习率α为α
′
，即每次循环过程均采用最新的网络参数初始值和任务学习率。
[0116]
s3、采用训练完成的移乘护理机器人舒适度评估模型对待评估的任务进行评估，得到移乘护理机器人舒适度。
[0117]
需要说明的是，在本发明中，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0118]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。