蘇志東 楊觀賜 李楊 王懷豹

摘 要：針對(duì)現(xiàn)有服務(wù)機(jī)器人無(wú)法自主感知用戶(hù)膳食構(gòu)成的問(wèn)題，提出了基于服務(wù)機(jī)器人聽(tīng)覺(jué)的個(gè)體膳食構(gòu)成自主感知算法（AIDCPA）。首先，利用了基于梅爾頻率倒譜系數(shù)和矢量量化算法的聲紋識(shí)別方法識(shí)別出了說(shuō)話人身份，并運(yùn)用中文分詞、詞性標(biāo)注和依存句法分析工具獲取語(yǔ)音識(shí)別所得文本數(shù)據(jù)的語(yǔ)言特征;然后，給出了基于一階謂詞邏輯理論的推理定義和描述，提出了飲食組成獲取的推理算法，進(jìn)而形成了基于服務(wù)機(jī)器人聽(tīng)覺(jué)的個(gè)體膳食構(gòu)成自主感知算法。為了評(píng)估AIDCPA算法性能，在服務(wù)機(jī)器人平臺(tái)中實(shí)現(xiàn)了AIDCPA算法，并構(gòu)建了訓(xùn)練和測(cè)試數(shù)據(jù)集。測(cè)試結(jié)果表明：系統(tǒng)感知飲食組成的F1值、精確度與召回率的均值分別為0.9491，0.9679和0.9407，有較強(qiáng)的感知魯棒性。

關(guān)鍵詞：膳食構(gòu)成感知;機(jī)器人聽(tīng)覺(jué);文本信息抽取;服務(wù)機(jī)器人

中圖分類(lèi)號(hào)：TP181

文獻(xiàn)標(biāo)識(shí)碼： A

隨著人口老齡化問(wèn)題的日益嚴(yán)重，越來(lái)越多的獨(dú)居老人需要照顧[1]，護(hù)老、助老等家庭服務(wù)機(jī)器人深受?chē)?guó)內(nèi)外學(xué)者關(guān)注。為了識(shí)別老年人摔倒，Do等人提出了RiSH服務(wù)機(jī)器人平臺(tái)，集成了服務(wù)機(jī)器人、智能家居設(shè)備和可穿戴設(shè)備，能對(duì)跌倒老人及時(shí)實(shí)施救助[2]。為了給老年人提供一種更便捷的人機(jī)交互方式，劉策等人提出了一種集成語(yǔ)音識(shí)別、遠(yuǎn)程控制、人臉識(shí)別、手勢(shì)識(shí)別等交互模式的人機(jī)交互方法，并提高了交互速度，消除了對(duì)網(wǎng)絡(luò)的依賴(lài)性[3]。為了應(yīng)對(duì)年齡增長(zhǎng)后記憶力衰退的情況，文獻(xiàn)[4]提出了一種基于家庭服務(wù)機(jī)器人的大腦訓(xùn)練方法。通過(guò)調(diào)查老年人的生理特征和心理特征，有研究從馬斯洛需求理論出發(fā)，提出了一種側(cè)重于符合用戶(hù)感情需要的服務(wù)機(jī)器人系統(tǒng)，讓機(jī)器人提供服務(wù)更加人性化[5]。為了增強(qiáng)老年人的體質(zhì)，降低老年人摔倒的風(fēng)險(xiǎn)，文獻(xiàn)[6]提出了利用機(jī)器人視覺(jué)系統(tǒng)識(shí)別和跟蹤用戶(hù)行為的方法，通過(guò)提供相關(guān)的練習(xí)和反饋來(lái)激勵(lì)用戶(hù)的訓(xùn)練。Zhou等人提出了一種基于服務(wù)機(jī)器人的遠(yuǎn)程醫(yī)療系統(tǒng)，該系統(tǒng)將家庭成員和醫(yī)生建立連接，利用自動(dòng)健康數(shù)據(jù)采集技術(shù)和目標(biāo)檢測(cè)算法實(shí)現(xiàn)遠(yuǎn)程護(hù)理[7]。Fernandes等人構(gòu)建了老年人認(rèn)知評(píng)估服務(wù)機(jī)器人平臺(tái)，通過(guò)分析使用者的答案，了解他們的認(rèn)知狀態(tài)，為醫(yī)生診斷使用者的健康狀況提供依據(jù)[8]。

有研究表明[9]：科學(xué)合理的飲食不僅有利于保持身體健康，也對(duì)疾病的治療有著非常重要的作用。文獻(xiàn)[10，11]提供了一種方法來(lái)獲取用戶(hù)的飲食信息，該方法通過(guò)監(jiān)聽(tīng)進(jìn)食的聲音判斷當(dāng)前用戶(hù)是否吃食物以及所吃食物類(lèi)別。但是在家庭環(huán)境下，進(jìn)食聲音通常較小，麥克風(fēng)較難捕獲大多數(shù)的進(jìn)食聲音，并且多數(shù)進(jìn)食聲音較難分辨，例如喝水的聲音、喝牛奶的聲音、飲啤酒的聲音等。

整體上，當(dāng)前的服務(wù)機(jī)器人雖然能夠借助可穿戴設(shè)備等傳感器采集用戶(hù)的部分健康數(shù)據(jù)，但通過(guò)機(jī)器人聽(tīng)覺(jué)或者視覺(jué)自主感知用戶(hù)飲食信息的研究有待深入研究。本文研究基于服務(wù)機(jī)器人聽(tīng)覺(jué)的個(gè)體膳食構(gòu)成自主感知算法，當(dāng)機(jī)器人聽(tīng)到用戶(hù)表達(dá)時(shí)，自主對(duì)其表達(dá)內(nèi)容進(jìn)行處理，最終獲取相應(yīng)的飲食信息，從而實(shí)現(xiàn)對(duì)用戶(hù)膳食構(gòu)成的智能感知，為用戶(hù)醫(yī)療診斷、飲食干預(yù)和機(jī)器人的主動(dòng)服務(wù)等提供決策依據(jù)。

1 基于梅爾頻率倒譜系數(shù)與矢量量化算法的聲紋識(shí)別方法

考慮到家庭成員不止一個(gè)，準(zhǔn)確地識(shí)別說(shuō)話人的身份是實(shí)現(xiàn)飲食信息準(zhǔn)確感知的前提。為了利用聲紋辨識(shí)說(shuō)話人的身份，本文采用39維的梅爾頻率倒譜系數(shù)[12]（Mel Frequency Cepstrum Coefficient， MFCC）作為聲紋識(shí)別算法的特征向量，選取計(jì)算量較小、運(yùn)行速度快且識(shí)別效果較好的矢量量化模型[13] （Vector Quantization， VQ）作為聲紋分類(lèi)模型（MFCC-VQ）。

2 基于服務(wù)機(jī)器人聽(tīng)覺(jué)的個(gè)體膳食構(gòu)成自主感知算法

2.1 文本語(yǔ)言特征獲取與詞庫(kù)構(gòu)建

當(dāng)機(jī)器人通過(guò)聽(tīng)覺(jué)系統(tǒng)獲得聽(tīng)覺(jué)信息后，即可運(yùn)用語(yǔ)音識(shí)別方法獲得所聽(tīng)到內(nèi)容的文本信息。為了理解文本信息所表達(dá)的內(nèi)容，本文通過(guò)采用哈工大LTP[14]系統(tǒng)的中文分詞、詞性標(biāo)注和依存句法分析工具對(duì)文本數(shù)據(jù)進(jìn)行處理，獲取文本語(yǔ)言特征（最小語(yǔ)言單位、詞性、語(yǔ)言單位間的依存關(guān)系）作為下文個(gè)體膳食構(gòu)成自主感知算法的輸入特征。

考慮到用戶(hù)表達(dá)的飲食文本中存在著大量的水果、蔬菜、成品菜、奶類(lèi)、肉類(lèi)等專(zhuān)業(yè)詞匯，僅僅依靠分詞系統(tǒng)LTP中的通用詞典難以對(duì)食物名稱(chēng)準(zhǔn)確識(shí)別。因此本文參考《中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn) GB 2760-2014》[15]中附錄E的食物分類(lèi)系統(tǒng)以及利用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)，構(gòu)建了具有1563個(gè)日常生活中常見(jiàn)的食物名詞庫(kù)。

之后，將新建的食物名詞庫(kù)與所用的中文分詞工具中的默認(rèn)詞典進(jìn)行融合并去除重復(fù)的名詞，構(gòu)成食物名詞相對(duì)完善的新分詞詞典Lexicon。

2.2 個(gè)體膳食構(gòu)成獲取方法

對(duì)于機(jī)器人監(jiān)聽(tīng)獲取的語(yǔ)音信息中關(guān)于膳食信息的描述主要分為兩個(gè)方面。一個(gè)方面，說(shuō)話者的表達(dá)內(nèi)容可能與“吃”相關(guān)但實(shí)際上并未攝入該食物，例如“我愛(ài)吃超市買(mǎi)的蘋(píng)果”、“喜歡吃蘋(píng)果”、“現(xiàn)在非常想吃蘋(píng)果”等，雖然這些表達(dá)都包含進(jìn)食動(dòng)作與相對(duì)應(yīng)的食物名稱(chēng)，但是實(shí)際上說(shuō)話人只是表達(dá)了一種喜好或偏愛(ài)，并沒(méi)有攝入該食物。另一個(gè)方面，說(shuō)話者表達(dá)的內(nèi)容是飲食信息之外的其它信息卻能間接反映食物攝入記錄。為了確定飲食組成，確定進(jìn)食行為是否真的發(fā)生是一個(gè)關(guān)鍵因素，因此首先需要確定進(jìn)食動(dòng)作是否真正發(fā)生，然后基于所發(fā)生的進(jìn)食動(dòng)作進(jìn)行食物信息抽取，從而獲得用戶(hù)的飲食信息。為了描述的直觀性和方便，我們引入一階謂詞邏輯理論描述推理計(jì)算邏輯。

2.2.1 面向謂詞邏輯推理的語(yǔ)言單元定義

令sentence={word1，word2，…，wordi，…，wordN}表示語(yǔ)言單元集合，該集合是單個(gè)用戶(hù)的飲食表達(dá)內(nèi)容的中文分詞結(jié)果，其中wordi為分詞后的語(yǔ)言單位，N為飲食表達(dá)內(nèi)容中語(yǔ)言單位的個(gè)數(shù)。

記Veat={“吃”，“喝”，“享用”，“品嘗”，“嘗”，“品”，“來(lái)”，“試”}為表示動(dòng)作特征詞單元集，其元素能夠表達(dá)進(jìn)食的含義。

記Vnegative={“想”，“喜歡”，“愛(ài)”，“喜愛(ài)”，“沒(méi)有”，“沒(méi)”，“不”，“討厭”，“厭惡”，“反感”}為進(jìn)食動(dòng)作否定詞集合，其元素表達(dá)喜歡、意愿、好惡等含義。當(dāng)一段句子中出現(xiàn)Veat中的元素，并且在該元素前出現(xiàn)Vnegative中的元素時(shí)，根據(jù)語(yǔ)言表達(dá)習(xí)慣可以判定進(jìn)食動(dòng)作未發(fā)生。

記Venhance={“了”， ”的”}為表達(dá)動(dòng)作已經(jīng)完成的語(yǔ)言單元集合。

記Vcuisine ={“炒”， “爆炒”， “蒸”， “清蒸”， “煮”， “炸”， “油炸”，“燉”， “煎”， “油煎”，“醋溜”，“烤”， “燒”， “涼拌”，“拌”， “燜”}為表示烹飪方式的語(yǔ)言單元集合。

記Wcomment={“味道”， “好吃”， ”難吃”， ”有味”}為表示暗含進(jìn)食行為的語(yǔ)言單元集合。

記Wjump={“閉門(mén)羹”， “虧”，? “啞巴虧”}為表達(dá)可以與“吃”相配合出現(xiàn)的欺騙性語(yǔ)言單元集合。

同時(shí)，假設(shè)Tword-1，Tword和Tword+1∈sentence為相鄰的語(yǔ)言單元?；谥形恼Z(yǔ)言表達(dá)模式，當(dāng)Tword∈Veat時(shí)，可以判斷用戶(hù)的表達(dá)內(nèi)容可能具有吃了某種食物的含義。因此，通過(guò)判斷Tword-1與Vnegative之間的關(guān)系和Tword+1與Venhance之間的關(guān)系，我們可以判斷說(shuō)話人“吃”這個(gè)動(dòng)作是否真正發(fā)生，進(jìn)而判斷說(shuō)話人真實(shí)的進(jìn)食構(gòu)成。如果Tword∈sentence且Tword-1∈Vnegative，則可以判斷Tword并未表達(dá)真實(shí)吃這個(gè)動(dòng)作;如果Tword∈sentence，Tword-1∩Vnegative=且Tword+1∈Venhance，則可以判斷Tword真實(shí)表達(dá)了吃這個(gè)動(dòng)作。

2.2.2 基于一階謂詞邏輯理論的邏輯推理

根據(jù)上述定義和分析，利用一階謂詞邏輯理論，建立公式（1）所示的謂詞邏輯推理公式判斷“吃”這個(gè)動(dòng)作是否發(fā)生。

3 性能測(cè)試分析

3.1 服務(wù)機(jī)器人平臺(tái)

圖1為課題組搭建的服務(wù)機(jī)器人平臺(tái)（MAT）[16]，包括Intel NUC主機(jī)、數(shù)據(jù)采集設(shè)備和機(jī)械支架等部分組成。用于顯示數(shù)據(jù)和圖像的顯示屏是7.9寸IPad mini 4顯示屏;聽(tīng)覺(jué)系統(tǒng)采用科大訊飛六麥環(huán)形麥克風(fēng)陣列板，其具有聲源定位、回聲消除、噪聲過(guò)濾等功能，用以實(shí)現(xiàn)對(duì)音頻信號(hào)的采集;視覺(jué)系統(tǒng)采用的是Microsoft Kinect V2深度攝像頭，用于采集RGB彩色圖像;服務(wù)機(jī)器人主機(jī)為Intel NUC mini主機(jī)，配置i7-6770HQ處理器和Intel IRIS Pro顯卡;移動(dòng)底盤(pán)為EAI DashGO B1。服務(wù)機(jī)器人主機(jī)采用Ubuntu16.04操作系統(tǒng)，并在系統(tǒng)中安裝了Kinect版本ROS（Robot Operation System）系統(tǒng)、TensorFlow CPU版本深度學(xué)習(xí)框架和OpenCV3.3.0。采用DELL TOWER 5810工作站降低服務(wù)機(jī)器人的運(yùn)算負(fù)荷，主要用于模型訓(xùn)練

圖1 服務(wù)機(jī)器人平臺(tái)

Fig.1 The used social robot platform

和數(shù)據(jù)分析。工作站采用Ubuntu16.04操作系統(tǒng)，并在系統(tǒng)中安裝了Kinect版本ROS（Robot Operation System）系統(tǒng)、TensorFlow GPU版本深度學(xué)習(xí)框架和OpenCV3.3.0。服務(wù)機(jī)器人與工作站均具有無(wú)線通信模塊，用于端到端的通信。課題組運(yùn)用Python語(yǔ)言在此機(jī)器人平臺(tái)上實(shí)現(xiàn)了AIDCPA算法。

3.2 訓(xùn)練與測(cè)試數(shù)據(jù)集

3.2.1 聲紋識(shí)別系統(tǒng)的訓(xùn)練數(shù)據(jù)

為了使訓(xùn)練完成的聲紋識(shí)別模型在真實(shí)應(yīng)用場(chǎng)景下具有較好的表現(xiàn)，本文直接利用MAT服務(wù)機(jī)器人的六麥環(huán)形麥克風(fēng)陣列收集訓(xùn)練語(yǔ)音數(shù)據(jù)。該訓(xùn)練數(shù)據(jù)集涉及20人，每人通過(guò)朗讀給定的文本信息，錄制收集30條語(yǔ)音數(shù)據(jù)，每一條語(yǔ)音數(shù)據(jù)持續(xù)10 s。

3.2.2 膳食構(gòu)成感知算法的測(cè)試數(shù)據(jù)

為了測(cè)試算法的性能，建立了測(cè)試語(yǔ)音數(shù)據(jù)集。此數(shù)據(jù)集的文本內(nèi)容包括以下兩種類(lèi)型：

1）類(lèi)別a：依據(jù)中文語(yǔ)言表達(dá)習(xí)慣而設(shè)計(jì)的文本。此類(lèi)數(shù)據(jù)共100條樣本數(shù)據(jù)，涉及六種情境，具體為：（a）直接說(shuō)明進(jìn)食內(nèi)容;（b）表達(dá)出想吃/打算吃/渴望吃某些食物;（c）混合了（a）與（b）的表達(dá)方式;（d）具有暗示性的進(jìn)食內(nèi)容表達(dá);（e）具有較多冗余表達(dá)的進(jìn)食表達(dá);（f）欺騙性的語(yǔ)言表達(dá)方式。

2）類(lèi)別b：在線收集的文本。30名參與者根據(jù)自己的說(shuō)話習(xí)慣，在線提交了表述用餐情況的數(shù)據(jù)，共收集樣本120個(gè)。經(jīng)刪除無(wú)效數(shù)據(jù)，保留了100條樣本數(shù)據(jù)。該類(lèi)數(shù)據(jù)體現(xiàn)了真實(shí)生活場(chǎng)景的表達(dá)情況，表達(dá)方式多樣，具有較大隨意性，主要用于考查算法的魯棒性。

之后，為了便于測(cè)試，從3.2.1節(jié)聲紋識(shí)別系統(tǒng)的20人中隨機(jī)選取3人，分別用普通話按平時(shí)說(shuō)話的方式說(shuō)出a和b兩類(lèi)數(shù)據(jù)的文本信息，從而錄制獲得測(cè)試語(yǔ)音數(shù)據(jù)。測(cè)試語(yǔ)音數(shù)據(jù)的總長(zhǎng)度為32 min 23 s，包括200個(gè)句子和1035個(gè)食物實(shí)體名詞。后文測(cè)試時(shí)，模擬人說(shuō)話的方式播放測(cè)試數(shù)據(jù)。

3.3 評(píng)價(jià)標(biāo)準(zhǔn)

當(dāng)所獲取的食物名詞與人工標(biāo)注的標(biāo)簽相匹配，同時(shí)與相應(yīng)的身份信息相匹配時(shí)，則判定該食物名詞被正確識(shí)別。本系統(tǒng)的識(shí)別結(jié)果中存在樣本中標(biāo)簽數(shù)目為零或者識(shí)別出來(lái)的食物名詞數(shù)目為零的情況，記Nt為一個(gè)樣本中手工標(biāo)注的標(biāo)簽食物數(shù)目，Nr為系統(tǒng)所識(shí)別出的食物構(gòu)成數(shù)目，Nc為系統(tǒng)所識(shí)別出的食物與手工標(biāo)注樣本的食物所匹配的食物數(shù)目。召回率R、精確度P與F1評(píng)價(jià)指標(biāo)[17]用于評(píng)價(jià)系統(tǒng)的性能。

觀察表1可知：1）a類(lèi)數(shù)據(jù)F1值均值為09505，方差為0.0118，具有較高的F1值均值，并且方差較小，說(shuō)明系統(tǒng)對(duì)本文所考慮的語(yǔ)言表達(dá)模式能夠以較大的概率正確識(shí)別出飲食信息;2）由于b類(lèi)測(cè)試數(shù)據(jù)收集于30名不同的大學(xué)生，具有較大的隨意性和不確定性，使得b類(lèi)測(cè)試數(shù)據(jù)對(duì)應(yīng)的測(cè)試結(jié)果比a類(lèi)測(cè)試數(shù)據(jù)稍微差一些， F1值均值下降了0.0028，F(xiàn)1值的方差值上升了0.0215，這表明不同的語(yǔ)言表達(dá)方式對(duì)系統(tǒng)的識(shí)別性能有一定的影響。但F1值均值與方差值變化幅度不大，這表明系統(tǒng)具有良好的魯棒性，在模擬真實(shí)生活場(chǎng)景的測(cè)試數(shù)據(jù)中仍然具有較好的識(shí)別效果; 3）a、b兩類(lèi)測(cè)試數(shù)據(jù)的平均F1值、精確率P和召回率R分別為0.9491，0.9679和0.9407，精確度P值比召回率R值高出0.0272，根據(jù)精確度和召回率的定義可以看出，系統(tǒng)所識(shí)別出的食物數(shù)目略少于所標(biāo)注的食物數(shù)目。由于不同說(shuō)話人口音、語(yǔ)音識(shí)別系統(tǒng)準(zhǔn)確率、中文分詞以及推理算法等因素的影響，會(huì)導(dǎo)致系統(tǒng)所識(shí)別出的食物數(shù)目少于所標(biāo)注的食物數(shù)目，進(jìn)而使得精確度P值高于召回率R值。

觀察圖2可知：1）圖2（a） 中F1值的統(tǒng)計(jì)盒圖中位線均處于1.0位置，a類(lèi)數(shù)據(jù)矩形面積較小，b類(lèi)數(shù)據(jù)矩形面積為零，說(shuō)明系統(tǒng)對(duì)這兩類(lèi)數(shù)據(jù)均具有較好的識(shí)別效果。同時(shí)兩類(lèi)數(shù)據(jù)的異常值的分布較為分散，大部分均分布在0.7以上，且b類(lèi)數(shù)據(jù)比a類(lèi)數(shù)據(jù)具有更多且更分散的異常值，這表明雖然系統(tǒng)在整體上具有良好的識(shí)別效果，但是由于語(yǔ)言表達(dá)的隨意性等特點(diǎn)，對(duì)于少部分測(cè)試數(shù)據(jù)，系統(tǒng)需要進(jìn)一步完善。2）從圖2（b）和圖2（c）可以看出，兩類(lèi)數(shù)據(jù)的P值和R值均存在少量的離群點(diǎn)，但是大部分離群點(diǎn)處于0.6以上，其中a類(lèi)數(shù)據(jù)的大部分離群點(diǎn)處于0.8以上，b類(lèi)數(shù)據(jù)離群點(diǎn)分布比a類(lèi)數(shù)據(jù)具有更大的離散性，b類(lèi)數(shù)據(jù)來(lái)源的多樣性導(dǎo)致了這種離散性。但是這并未影響系統(tǒng)整體性能，兩類(lèi)數(shù)據(jù)的中位線均處于1.0位置，且矩形面積非常小，這表明即使測(cè)試數(shù)據(jù)存在較大的隨意性，系統(tǒng)仍然具有較好的識(shí)別性能。

綜上可知，對(duì)于所考慮的語(yǔ)言表達(dá)模式以及模擬真實(shí)場(chǎng)景隨機(jī)收集的語(yǔ)言表達(dá)，AIDCPA算法的F1值、精確度與召回率的均值分別為0.9491，09679和0.9407，能以較高的準(zhǔn)確率感知用戶(hù)的飲食信息，具有良好的識(shí)別效果和魯棒性。

4 結(jié)束語(yǔ)

機(jī)器人智能的感知用戶(hù)膳食構(gòu)成，可為居家養(yǎng)老提供智能裝備支持。本文正是針對(duì)機(jī)器人所監(jiān)聽(tīng)到的語(yǔ)音信息，提出了基于服務(wù)機(jī)器人聽(tīng)覺(jué)的個(gè)體膳食構(gòu)成自主感知算法。通過(guò)運(yùn)用聲紋識(shí)別方法獲取說(shuō)話人身份后，可以利用所設(shè)計(jì)的食物獲取推理算法，就可以建立用戶(hù)的飲食信息數(shù)據(jù)庫(kù)，這可為醫(yī)療診斷、飲食干預(yù)和機(jī)器人的主動(dòng)服務(wù)等提供決策依據(jù)，有利于服務(wù)老年人生活。下一步工作將考慮環(huán)境以及說(shuō)話人口音等因素對(duì)算法性能的影響，進(jìn)一步提高算法的魯棒性和識(shí)別的準(zhǔn)確率。

參考文獻(xiàn)：

[1]Jiaming Z， Xiaoyun L. The Status Quo of and Development Strategies for Healthcare Towns Against the Background of Aging Population[J]. Journal of Landscape Research， 2018（10）：41-44.

[2]Do H M， Pham M， Sheng W， et al. RiSH： A robot￣integrated smart home for elderly care[J]. ROBOT AUTON SYST，2018（101）：74-92.

[3]劉策， 劉小峰. 助老服務(wù)機(jī)器人多模式友好交互系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 電子測(cè)量與儀器學(xué)報(bào)， 2019， 33（1）：177-182.

[4]Ahn H， Seok S. Development of brain training games for a healthcare service robot for older people[J]. Lecture Notes in Computer Science， 2014（5）： 1-10.

[5]王年文， 苑瑩. 老年人陪護(hù)機(jī)器人服務(wù)系統(tǒng)設(shè)計(jì)研究 [J]. 包裝工程， 2017， 38（18）：72-76.

[6]Foukarakis M， Adami I， Ioannidi D， et al. A Robot￣based Application for Physical Exercise Training [C]//Proc of International Conference on Information & Communication Technologies for Ageing Well & E￣health. Heraklion，Greece： SciTePress， 2016：45-52.

[7]Zhou B， Wu K， Wang J， et al. A New Remote Health￣Care System Based on Moving Robot Intended for the Elderly at Home[J]. Journal of Healthcare Engineering， 2018： 4949863.

[8]Francisco E F， Ha M D， Kiran M， et al. Cognitive orientation assessment for older adults using social robots [C]//Proc of IEEE International Conference on Robotics and Biomimetics. Macan， Macao： IEEE Press， 2017： 196-201.

[9] Zmora N， Suez J， Elinav E. You are what you eat： diet， health and the gut microbiota[J]. Nature Reviews Gastroenterology & Hepatology， 2019， 16（1）： 35-56.

[10]Simone H， Felix W， Richard K， et al. I Hear You Eat and Speak： Automatic Recognition of Eating Condition and Food Type， Use￣Cases， and Impact on ASR Performance [J]. PLOS ONE ， 2016， 11（5）：e0154486.

[11]Kaya H， Karpov A， Salah A A. Fisher vectors with cascaded normalization for paralinguistic analysis [C]//Pro of the 16th Annual Conference of the International Speech Communication Association Interspeech. Dresden， Germany：Research Gate，? 2015：909-913.

[12]Fang Z， Zhang G， Song Z. Comparison of Different Implementations of MFCC [J]. Journal of Computer Science and Technology， 2001（16）：582-589.

[13]Gray R M. Vector Quantization[J]. Readings in Speech Recognition， 1990（1）：75-100.

[14]Che W， Li Z， Liu T. LTP： A Chinese Language Technology Platform[C]//Proc of Proceedings of the Coling 2010：Demonstrations. Beijing：Association for Computational Linguistics， 2010：13-16.

[15]中華人民共和國(guó)國(guó)家衛(wèi)生和計(jì)劃生育委員會(huì).食品安全國(guó)家標(biāo)準(zhǔn)——食品添加劑使用標(biāo)準(zhǔn)：GB 2760-2014[S]. 北京：中國(guó)標(biāo)準(zhǔn)出版社，2015.

[16]楊觀賜， 楊靜， 蘇志東， 等. 改進(jìn)的YOLO特征提取算法及其在服務(wù)機(jī)器人隱私情境檢測(cè)中的應(yīng)用[J]. 自動(dòng)化學(xué)報(bào)， 2018， 44（12）：2238-2249.

[17]Buckland M， Gey F. The relationship between Recall and Precision [J]. J. Am. Soc. Inf. Sci.， 1994（45）：12-19.

（責(zé)任編輯：曾 晶）