0 引言

    人體穴位分布容易受到人體尺寸和比例的影響，所以具有以下兩個特性：非線性,、模糊不確定性,。人體穴位分布的解決方法主要有3種：視覺技術、光學定位法和專家系統(tǒng)法,。但是這些方法存在著一些不足：視覺技術采用的是二維視覺測量結(jié)合圖像處理進行人工標志穴位定位,，龐大的分析系統(tǒng)降低了定位的實時性，并且應用場合有局限^[1],；光學定位法可模擬人眼得出物體的三維坐標達到定位目的，但是定位標靶和周圍環(huán)境背景都會給定位造成極大的干擾,，降低定位精度^[2],；專家系統(tǒng)法是整合專家經(jīng)驗知識，在實際應用中很難將這些經(jīng)驗轉(zhuǎn)化成一系列規(guī)則,。

    人工智能和仿生技術的發(fā)展,，出現(xiàn)了很多基于人工智能的預測方法。為了提高中醫(yī)按摩機器人穴位尋找行為規(guī)劃的精度,，山東建筑大學提出了一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的中醫(yī)按摩機器人穴位坐標預測方法,。結(jié)果表明,，該方法對中醫(yī)按摩機器人尋找患者穴位坐標具有較好的精度和預測準確性^[3]。由于遺傳算法的交叉變異部分會使整個收斂過程變慢,，在實際應用中,，穩(wěn)定性可能會比較低。而粒子群算法過程比較簡單,，所以采用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡算法建立穩(wěn)定準確的穴位坐標預測模型^[4],，簡化學習過程后將過程移植進ARM^[5-6]。最后測試表明：優(yōu)化后的BP神經(jīng)網(wǎng)絡具有更快的收斂性和適應性,，還有比較高的預測精度和穩(wěn)定性,。

    本文提出的整體系統(tǒng)設計方案是基于ARM和PSO-BP的人體穴位定位，該系統(tǒng)還具備穴位坐標實時顯示及穴位信息播報的功能,。由于整個算法的學習過程比較復雜,，循環(huán)次數(shù)非常多，會拖慢整個系統(tǒng)的運行速度,，因此在PC上完成整個動態(tài)學習過程然后將最優(yōu)權值及閾值保存輸出,，并將簡化后的算法嵌入ARM內(nèi)，實際使用時直接根據(jù)提示輸入信息后即可達到穴位定位的目的,。

1 PSO-BP神經(jīng)網(wǎng)絡

1.1 算法模型設計

    BP神經(jīng)網(wǎng)絡是目前應用最為廣泛和成功的神經(jīng)網(wǎng)絡之一,，該網(wǎng)絡的特點是信號前向傳遞，誤差反向傳播調(diào)整網(wǎng)絡的權值和閾值,。BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)包括輸入層(input),、隱含層(hide layer)和輸出層(output layer)，如圖1所示,，最終系統(tǒng)想要達到的效果是輸入已知的某穴位坐標值(X坐標,，Y坐標)，然后預測出其他3個穴位的坐標值,。

    系統(tǒng)設計的BP神經(jīng)網(wǎng)絡結(jié)構(gòu)采用可以預測幾乎所有的非線性函數(shù)的三層拓撲結(jié)構(gòu),，輸入層神經(jīng)元為2，輸出層神經(jīng)元為6,。對于隱含層（中間層）的神經(jīng)元數(shù)目的選取采用式(1)來確定^[7]：

其中,，MidNum為隱層節(jié)點數(shù)，InNum,、OutNum分別是輸入和輸出節(jié)點數(shù),，a是1~10之間的常數(shù)。

    最后BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)為2 —8—6,；訓練函數(shù)采用“taingdx”,；隱含層和輸出層選取的傳遞函數(shù)均為“tansig”；選擇的訓練次數(shù)為3 000；訓練目標誤差為0.000 1,。

    粒子群（PSO）算法用于網(wǎng)絡訓練可以對權值和閾值的選取進行優(yōu)化,，而不是盲目地給定初值，而且優(yōu)化過的神經(jīng)網(wǎng)絡會防止神經(jīng)網(wǎng)絡陷入局部最優(yōu)并提高精度,。因此PSO優(yōu)化BP神經(jīng)網(wǎng)絡的核心是：BP網(wǎng)絡中的權值和閾值的集合是群體中的每個粒子的位置集合,，其個數(shù)是粒子的維度。然后對神經(jīng)網(wǎng)絡進行迭代優(yōu)化訓練,，網(wǎng)絡的輸出誤差作為算法的適應度函數(shù)即式（2）,。

式中，S是學習訓練樣本,，T_k是期望輸出,，Y_k是實際輸出。整個算法流程如圖2所示,。

1.2 MATLAB仿真

    以人體的背部為例,，穴位是有規(guī)律分布的，所以將大椎穴作為坐標原點（0,，0）建立坐標系,，然后選取大柕穴的相對坐標作為輸入，目標輸出為脾俞,、膈關和命門的相對坐標,。仿真訓練測量了70組不同測試者的穴位相對坐標，隨機選取其中的60組作為學習樣本,，剩下的10組作為測試樣本訓練神經(jīng)網(wǎng)絡,。

    在MATLAB中進行編程，粒子群算法反復迭代200次后將粒子編碼轉(zhuǎn)換成BP神經(jīng)網(wǎng)絡的初始的閾值和權值再繼續(xù)網(wǎng)絡的學習過程,。仿真結(jié)果如圖3所示,，可發(fā)現(xiàn)均方誤差隨著訓練的次數(shù)增加在逐漸變小，直到訓練1 015次時可達到要求的誤差值,。

    為了方便清晰觀察,，以第一組預測數(shù)據(jù)為例通過MATLAB輸出預測曲線圖，如圖4所示,，可以看出預測值非常接近實際值,，初步證明預測模型的建立是正確的。

    最后計算PSO-BP算法數(shù)據(jù)的預測值和實際值的絕對誤差,，輸入一組大柕穴的坐標（X軸：24 mm,，Y軸：24 mm），如表1所示,，絕對誤差沒有超過10 mm，可以看出神經(jīng)網(wǎng)絡對穴位位置的預測精度可以保證在10 mm以內(nèi),，滿足定位要求,。

2 系統(tǒng)硬件設計

    系統(tǒng)采用雙機通信和獨立電源的方式來工作,，主要分為兩部分：主機是穴位定位系統(tǒng)實現(xiàn)穴位預測功能，從機為位置控制系統(tǒng)實現(xiàn)穴位實現(xiàn)功能,。系統(tǒng)的整體硬件結(jié)構(gòu)如圖5所示,。

2.1 穴位定位系統(tǒng)

    這部分主要以可視聽為目的，按鍵采用的是4×4行列式的排列,，包括0～9數(shù)字鍵和確認取消鍵,。使用3.2寸TFT LCD液晶屏進行參數(shù)輸入和預測結(jié)果的顯示。按鍵輸入所需穴位坐標值,，此時在LCD可監(jiān)視輸入是否正確,，按下確認鍵后便可執(zhí)行編寫好的預測程序，并在液晶屏上顯示輸出的穴位坐標值同時通過WiFi向位置控制系統(tǒng)發(fā)送坐標值,。

2.2 位置控制系統(tǒng)

    這部分是控制操作為主,，當WiFi連接成功后會有語音提示然后啟動電機，電機控制模塊有4個直線步進電機,，其中分別對應了背部3條主要經(jīng)絡督脈和兩條足太陽膀胱經(jīng),。穴位定位系統(tǒng)發(fā)出相應的穴位位置后，電機帶動裝置移動到對應位置,，移動結(jié)束LED指示燈亮起提醒使用者操作已完成,，如果控制系統(tǒng)接收到的位置信息有誤，蜂鳴器會發(fā)出三聲聲警報,。最后操作無誤語音會播報相應的穴位相關信息,，便于使用者了解穴位的相關知識和治療功效。

3 PSO-BP算法簡化軟件設計

    整個算法體系非常龐大,，而且數(shù)據(jù)的處理形式都是以浮點數(shù)進行的,，單片機的計算能力有限，所以考慮將算法簡化后移植進穴位定位系統(tǒng)的主芯片中,。思路是首先利用MATLAB訓練出神經(jīng)網(wǎng)絡的最佳權值和閾值矩陣,，然后將神經(jīng)網(wǎng)絡導出移植到ARM中。對于定點CPU來說必須要按照IEEE-754標準算法來完成運算,，會耗費大量的時間,。系統(tǒng)使用的定位芯片STM32F407I屬于Cortex-M4F架構(gòu)，帶有32位單精度硬件FPU,，支持浮點指令集,，相對于Cortex-M0和Cortex-M3等，高出數(shù)十倍甚至上百倍的運算性能,。

    神經(jīng)網(wǎng)絡算法主要分為兩個階段：第一為學習階段,，這個階段的任務就是通過反向誤差傳播調(diào)節(jié)最適權值和閾值，PSO算法主要就是優(yōu)化這個過程，尋找到最優(yōu)的初始權值及閾值給網(wǎng)絡,；第二為應用階段,，這一階段就是使用達到要求的權值及閾值來解決實際的問題。第一階段需要做大量的循環(huán)并且PSO算法的加入使這一過程的計算量更大,，所以采取將第二階段用C語言輸出融合進ARM芯片中的方案,。

    利用MATLAB搭建神經(jīng)網(wǎng)絡學習框架對這一過程進行在線訓練，提取出輸入層及隱含層的權值及閾值,，將這些訓練好的參數(shù)以浮點數(shù)數(shù)組的形式存入ARM中,。接下來就是在ARM中應用神經(jīng)網(wǎng)絡算法對人體穴位位置進行預測，這一部分是將數(shù)據(jù)輸入給一個已知結(jié)構(gòu)的神經(jīng)網(wǎng)絡,，然后對網(wǎng)絡的前向過程進行求解,。

    簡化后過程包含歸一化處理、神經(jīng)元乘加運算和傳遞函數(shù)計算,。歸一化處理是將輸入數(shù)據(jù)的值限制在[0,，1]之間，這樣統(tǒng)一標準會提高數(shù)據(jù)的精確性,。系統(tǒng)采用的方法是離差標準化,，對原始數(shù)據(jù)進行線性變換，轉(zhuǎn)換函數(shù)為：

其中X_max為樣本數(shù)據(jù)的最大值,，X_min為樣本數(shù)據(jù)的最小值,。接下來神經(jīng)元的加乘過程如圖6所示。

    所以加乘運算的公式為：

這個公式涉及的兩個關鍵參數(shù)權值W_kn和偏置b_k,，在ARM中轉(zhuǎn)換成float可以精確到小數(shù)點后7位,。

    傳遞函數(shù)的選擇是非線性雙曲正切S型函數(shù)tanh，在STM32F4的函數(shù)庫內(nèi)沒有這個雙曲正切函數(shù),，所以要采用泰勒展開的形式化簡,。tanh的公式為：

    將e^2x展開結(jié)果帶入式(6)中，精度可達到小數(shù)點后4位,。

    STM32F4采用硬件開啟FPU的方式,，首先將協(xié)處理器控制寄存器（CPACR）的第20～23設為1，然后在編譯器Code Generation中設置Use FPU開啟FPU的硬件使能,。將上述3個部分轉(zhuǎn)換成3個C語言程序子程序,，然后在主程序中依次調(diào)用即可達到實時輸出預測結(jié)果的目的。整個系統(tǒng)的軟件設計如圖7所示,。

4 硬件測試與結(jié)果分析

    將算法簡化程序?qū)戇MSTM32F4中,，向定位系統(tǒng)輸入一組大柕穴的坐標(X軸：24 mm，Y軸：24 mm)然后在LCD液晶屏上記錄下預測結(jié)果,，同樣采用相對誤差作為衡量指標,，如表2所示,。

    從表2中可以看出預測的絕對誤差沒有超過15 mm，但是相對于MATLAB給出的預測結(jié)果（表1）準確性下降了,。原因是從MATLAB中導出參數(shù)以浮點數(shù)形式存入ARM時會影響精度,，而且對于傳遞函數(shù)的泰勒展開時也會犧牲掉一些精度，這些損失疊加后會對最后位置輸出的準確性造成影響,。

5 結(jié)束語

    本文設計了基于ARM和PSO-BP的人體穴位定位系統(tǒng)，該系統(tǒng)可以根據(jù)輸入大柕穴的位置后預測出命門,、脾俞,、膈關的穴位坐標。因為BP神經(jīng)網(wǎng)絡容易陷入局部最優(yōu),，所以加入了PSO算法對其進行優(yōu)化處理,，然后在STM32F407I中嵌入PSO-BP簡化算法軟件，可以進行實時穴位坐標預測,。實驗表明該系統(tǒng)可以比較好地預測出穴位位置,，然后控制電機移動到相應位置，再進行微調(diào),，完成對穴位定位,。

參考文獻

[1] 馬哲文，于豪光.基于視覺定位的按摩機器人穴位跟蹤系統(tǒng)[J].機器人技術與應用,，2010(6)：33-35.

[2] 林雪華.光學定位法人體經(jīng)絡可視化中提高精度方法的研究[D].福州：福州大學,，2014.

[3] 張秋云，張營,，李臣.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡在中醫(yī)按摩機器人中的應用[J].應用科技,，2017，44(2)：73-77.

[4] 徐順,，盧文科,，左鋒.基于PSO-BP神經(jīng)網(wǎng)絡的光纖壓力傳感器溫度補償研究[J].儀表技術與傳感器，2016(10)：1-5,，9.

[5] 李銳,，熊杰.基于BP神經(jīng)網(wǎng)絡的原油持水率檢測儀[J].儀表技術與傳感器，2017(10)：29-32.

[6] 趙延軍,，程守光,，高承彬，等.基于BPNN的固相質(zhì)量流量軟測量方法[J].儀表技術與傳感器,，2014(7)：103-105.

[7] 黃家才,，李宏勝，滕福林,，等.BP網(wǎng)絡在阻抗式原油含水率測量儀中的應用[J].儀表技術與傳感器,，2011(12)：24-26.

作者信息:

楊向萍,，吳玉丹

（東華大學 機械工程學院，上海201600）