雙自適應BP算法在智能手環中的應用*

2018-08-08 07:31:38，，

單片機與嵌入式系統應用 2018年8期

關鍵詞：融合

，，

(廣州大學華軟軟件學院，廣州 510990)

引言

隨著智慧醫療時代的到來，養老護老工作已經上升到了一個新層面，越來越多的可穿戴老年人健康監測設備如智能手環、智能手表等應運而生，為緩解養老護老難題提供了有力的保障[1]。將多種異質傳感器采集的生理信號通過數據融合技術進行融合處理以提高老人智能手環檢測的準確度具有較高的實用價值和研究價值，參考文獻[2]～[7]分別從多個方面探討了異質傳感器數據融合技術在可穿戴設備上的應用。BP算法是目前比較流行的一種提高數據檢測準確性的數據融合方法，由于傳統BP算法收斂慢，容易陷入極值導致檢測不穩定，在實際應用中出現了一系列有針對性的改進方案。參考文獻[8]在標準BP算法的基礎上加入動量項以盡量提高訓練速度，但學習率卻保持不變，而在實際應用中不變的學習率是很難確定的；參考文獻[9]在傳統BP算法的基礎上增加了動量項和自適應調節學習率兩項因子，但沒有考慮到動量因子這個因素，實際上動量因子的大小與算法的收斂性兩者關系非常密切，較大時穩定性就較差，較小時收斂速度變慢。若在學習過程中能自適應調整動量因子，就可以提高算法的收斂性和穩定性。基于此，本文將自適應學習率和自適應動量項兩種方法結合在一起，構建雙自適應BP神經網絡，解決傳統BP算法的不足，并將該方案應用到老年人智能手環中，從而提高手環系統報警的準確率，減少誤判的發生。

1 傳統BP算法

BP算法是一種多層前饋反向傳播的有導師學習[10]的算法，使用最普遍的迭代法和梯度下降法來調整網絡權值以便網絡具有學習記憶的能力。學習過程分為正向傳播和逆向傳播過程。首先，通過正向傳播將輸入層的現有權值傳輸至輸出層，計算實際輸出與期望輸出之間的誤差，然后再把誤差逐層逆向傳播至輸入層，并適當調整各層參數直至網絡收斂。一個典型的3層BP網絡模型如圖1所示。

圖1 典型3層BP網絡模型

為了描述方便，這里假設標準BP網絡的輸入集X=[x1，x2，……，xn]T，輸出集Y=[y1，y2，……，yn]T，Hi=[h1，h2，……，hm]T是隱含層結點集合，Vij代表第i個輸入神經元與第j個隱含層神經元之間的權重，Wij表示第i個隱含層神經元與第j個輸出層神經元之間的權重，期望輸出向量為D。

BP算法屬于多層前饋反向傳播算法，根據輸入信息，由輸入層到輸出層的方向從前向后計算，得到輸出層每個單元的輸出。為了使神經元的具體值能夠通過函數保留并映射出來，采用sigmoid函數作為激活函數。激活函數為：

(1)

再從后向前反向計算每一層輸出結果和期望值之間的差異，將這個殘差返回給整個網絡，進而更新每個權值。權值更新的法則為：

wji(k)=wji(k)+Δwji

(2)

BP網絡權值調整方案的目的是使網絡實際輸出與目標輸出之間的均方誤差(MSE)在期望范圍之內。定義均方誤差E的目標函數為：

(3)

因此，為了使均方誤差函數最小化，對于網絡中的每個權值Wji，對其求導：

(4)

因為：

(5)

(6)

且根據激活函數sigmoid函數的如下重要性質：

(7)

所以有：

(8)

因而：

(9)

進而式(4)可以寫成：

(10)

因BP算法采用梯度下降法改變權值，權值的改變朝著負梯度方向，于是有權值改變量：

η(dj-yj)yj(1-yj)xji

(11)

其中，η為學習步長，也就是學習率，令：δji=(dj-yj)yj(1-yj)，則：

Δwji=ηδjixji

(12)

因此，式(2)的權值更新法則修改如下：

wji(k+1)=wji(k)+ηδjixji

(13)

從式(13)可以看出，標準BP算法屬于簡單的最速下降尋優法，在修正某時刻某神經元的權重時，與網絡的學習率η有關，權值修正是僅沿著某一時刻的負梯度方向進行，沒有將前一時刻的經驗考慮進去，從而使網絡學習過程中發生振蕩，收斂緩慢，容易陷入局部極值。

2 雙自適應BP算法

有動量的梯度下降法可以降低網絡對于誤差曲面局部細節的敏感性，減小學習過程的振蕩趨勢，但未考慮動量因子這個因素，導致容易陷入極值[11]；有自適應學習率的梯度下降法能夠自適應調整學習率，從而增加穩定性。本文將兩種方法結合在一起，采用自適應動量法和自適應學習率調整的策略構建雙自適應BP神經網絡，改善傳統BP算法不穩定、易陷入極值的缺陷，進而使BP網絡快速收斂并提高穩定性。

2.1 學習率自適應調整法

從式(13)可以看出，在修正k時刻第j個神經元的權重Wji時，與網絡的學習率η有關。標準BP算法收斂慢的一個重要原因是學習率選擇不當[12-13]。為了解決這一問題，本文設計了一種學習速率自適應調整的方法，主要思想是根據誤差的大小自動調整學習速率，這樣能使算法的學習速率根據誤差數值而自適應，使得學習穩定，誤差降低，自適應學習速率的調整機制為：

其中E為BP網絡總體誤差，η為網絡學習速率，k為網絡訓練次數。

2.2 自適應動量法

同樣，從式(13)可以看出，標準的BP算法按當前時刻的負梯度方向修正某個神經元的權重，未考慮以前積累的經驗，為了提高BP算法的收斂速度和精度，本文從BP神經網絡算法中引入動量項和動量因子，讓當前時刻的權值更新部分依賴于前一時刻的權值，得到新的自然梯度算法：

wji(k+1)=wji(k)+η(1-η)δjixji+αΔwji(k-1)

(14)

式中，Δwji(k-1)為動量項，α為動量因子。為使算法收斂，|α|<1。當動量因子取值較大時，收斂速度較快，但穩態誤差也偏大，取值較小時，收斂速度變慢，穩態誤差偏小[14]。因此，本文采用動態的動量因子，使動量因子也自適應變化。自適應調整動量因子α的策略為：

其中E為BP網絡總體誤差，k為網絡訓練次數，α為動量因子，η為學習率。

3 實例仿真分析

3.1 智能手環多傳感器數據融合原理

隨時監測老人體溫、心率、血壓情況，預防突發情況的發生，是可穿戴設備的必備功能。為了使手環能夠準確檢測體征數據并及時響應，本文使用雙自適應BP神經網絡構建一個健康狀態監測系統，對多傳感器測量到的實時體征數據進行信息融合處理，提高系統數據檢測的準確性和系統反應的及時性。系統將人體常見的4個體征參數(體溫、心率、收縮壓、舒張壓)經信號處理后輸入到數據融合中心，利用樣本數據進行訓練，并在系統的中間層完成數據融合，最后由系統智能判斷出老人現在的身體狀況。身體狀況分為正常和危險兩個等級。若認為身體狀況危險，則系統自動報警，并發送信息給老人的親屬或醫生。數據融合原理如圖2所示。

圖2 數據融合原理

3.2 BP網絡模型及參數設計

網絡依據訓練樣本的輸入、輸出維度來決定網絡的輸入和輸出節點數，由于輸入數據維數為4，即為4類體征信息，輸出數據維數為1，即為該系統的報警信息。最終確定了網絡的輸入節點個數為4，輸出節點個數為1，根據式(15)且根據經驗隱含層數通常取輸入層數的1.2～1.5倍，最后通過不斷仿真實驗最終確定隱含層個數為6，因此構建了4-6-1三層BP神經網絡。本網絡隱含層和輸出層節點傳輸函數分別為logsig函數和purelin函數，訓練函數選用梯度下降自適應學習率的traingdx函數，學習函數選用系統默認的動量梯度下降權值和閾值學習的learngdm函數，并要求網絡誤差目標值為0.01，訓練次數為500次，學習速率設置為0.01，動量因子設置為0.95。其結構如圖3所示。

(15)

其中，k為隱含層節點個數，n為輸入節點個數，a為取值為1～10的正整數。

圖3 可穿戴設備的BP神經網絡模型

3.3 仿真與分析

為了使神經網絡獲得準確有效的樣本數據供其學習，首先需要有判斷人體健康狀態的基本依據和指標。根據參考文獻[15]可知，人體正常體溫范圍為36～37.5 ℃，體溫38～38.9 ℃為中熱，39～40.9 ℃為高熱，體溫低于35.5 ℃稱為體溫過低，體溫過低過高都與感染性疾病有很大聯系，需要及時治療。正常人的心跳一般為60～100 bpm，心率過快(≥160 bpm)或過慢(≤60 bpm)，大多見于心臟病病人，應及早檢測并預防。血管內血液對血管壁的壓力稱為血壓，當收縮壓在21.3 kPa以上而舒張壓在12.7 kPa以上時，稱為高血壓，收縮壓低于12 kPa而舒張壓低于6.6 kPa時，稱為低血壓。持續的高血壓和低血壓狀態多見于嚴重病癥，應及時檢測并預防。

綜合以上體溫、心率、血壓的危險評判標準，本文選用由RFID智能手環采集的100個測試樣本，對可穿戴設備從各種實驗環境中采集的70組數據進行人工判斷其危險程度，并生成樣本作為訓練樣本數據使用，剩下的 30 個作為測試樣本送入BP神經網絡中，將神經網絡融合后的輸出結果值y作為報警依據，并設定當|y|<0.8時不報警，當|y|>0.8時報警。

圖4、圖5、圖6是傳統BP神經網絡訓練效果圖、收斂圖及預測誤差圖。

圖4 傳統BP網絡訓練圖

圖5 傳統BP網絡收斂圖

圖6 傳統BP網絡預測誤差圖

從上述3幅圖中可以看到，選用傳統的BP神經網絡進行數據融合時，迭代到第36次時才能達到預設精度，預測輸出與實際輸出相差9，識別率為70%。

圖7、圖8是基于雙自適應的BP神經網絡收斂圖和預測誤差圖。表1是改進后的雙自適應BP神經網絡30組測試數據融合結果表。從圖7、圖8中可以看到，基于雙自適應BP神經網絡達到小于設定誤差0.01 的要求需要12步的訓練，比傳統BP神經網絡的收斂速度更快，網絡預測輸出與實際輸出相差為2，識別率為93.3%。