一种移乘护理机器人舒适度评估方法技术

本发明专利技术公开了一种移乘护理机器人舒适度评估方法，包括以下步骤：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；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；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；本发明专利技术从位置姿态和压力两方面出发去衡量舒适度，使得适度评价结果更可靠，且运用在日常使用中，能根据输入数据更新模型，可以更好适应不同受护理人群的身体特征，同时能通过少量的样本就能达到好的训练效果。达到好的训练效果。达到好的训练效果。

【技术实现步骤摘要】
一种移乘护理机器人舒适度评估方法


[0001]本专利技术涉及医疗器械
，具体涉及一种移乘护理机器人舒适度评估方法。

技术介绍

[0002]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，本专利技术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。
[0003]以下为几种现有舒适度评估方法：
[0004]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。
[0005]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。
[0006]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。

技术实现思路

[0007]针对现有技术中的上述不足，本专利技术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：
[0008]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。
[0009]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。
[0010]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。
[0011]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种移乘护理机器人舒适度评估方法，包括以下步骤：
[0012]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；
[0013]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；
[0014]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。
[0015]进一步地，所述步骤S1包括以下分步骤：
[0016]S11、通过传感器获取压力特征数据和位置姿态数据；
[0017]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；
[0018]S13、对归一化数据进行舒适度标注，得到样本数据集；
[0019]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；
[0020]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。
[0021]上述进一步方案的有益效果为：本专利技术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。
[0022]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；
[0023]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。
[0024]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]进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种移乘护理机器人舒适度评估方法，其特征在于，包括以下步骤：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；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；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。2.根据权利要求1所述的移乘护理机器人舒适度评估方法，其特征在于，所述步骤S1包括以下分步骤：S11、通过传感器获取压力特征数据和位置姿态数据；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；S13、对归一化数据进行舒适度标注，得到样本数据集；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；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。3.根据权利要求1所述的移乘护理机器人舒适度评估方法，其特征在于，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；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。4.根据权利要求3所述的移乘护理机器人舒适度评估方法，其特征在于，所述任务学习网络的损失函数为：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。5.根据权利要求3所述的移乘护理机器人舒适度评估方法，其特征在于，所述步骤S2包括以下分步骤：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；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；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；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；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；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；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；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；S29、将更新后的网络参数初始...

【专利技术属性】
技术研发人员：李敏，张童伟，王家序，张榆，张加衡，张森，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：