無線體域網(wǎng)節(jié)點數(shù)據(jù)壓縮節(jié)能方法*

周岳斌， 陳家順， 馬賀賀

(1.湖北文理學院 機械與汽車工程學院，湖北 襄陽 441053； 2.武漢科技大學 機械自動化學院，湖北 武漢 430081)

研究與探討

無線體域網(wǎng)節(jié)點數(shù)據(jù)壓縮節(jié)能方法*

周岳斌1， 陳家順2， 馬賀賀2

(1.湖北文理學院機械與汽車工程學院，湖北襄陽441053；2.武漢科技大學機械自動化學院，湖北武漢430081)

無線體域網(wǎng)(WBAN)節(jié)點通常采用電池供電，能量有限且不易頻繁更換。為降低節(jié)點能耗，提出了一種數(shù)據(jù)壓縮節(jié)能方法，采用稀疏表示分類算法識別正常信號，運用壓縮感知(CS)理論進行信號壓縮采樣，將壓縮信號發(fā)送至基站并進行重構。對WBAN節(jié)點采集的心電圖信號進行仿真分析，結果表明：心電圖信號經(jīng)壓縮后，具有較好的識別與重構性能，在確保數(shù)據(jù)傳輸精度前提下，減少了數(shù)據(jù)采集量和傳輸量，有效地降低了WBAN節(jié)點能耗。

無線體域網(wǎng)； 壓縮感知； 稀疏表示分類； 節(jié)能

0 引 言

無線體域網(wǎng)(wireless body area network,WBAN)通過在人體體表或體內安置傳感器節(jié)點監(jiān)控人體身體狀況，達到對疾病的及時預防、發(fā)現(xiàn)和治療，廣泛應用于遠程醫(yī)療診斷、疾病監(jiān)控和預防、家庭看護等服務[1]。WBAN節(jié)點通常采用電池供電，不宜頻繁更換，尤其對于植入體內的傳感節(jié)點，通常要求能維持數(shù)年的工作時間。作為一種長時間監(jiān)控人體生理數(shù)據(jù)的網(wǎng)絡，必須降低WBAN節(jié)點能耗。WBAN節(jié)點采集的信號多數(shù)為正常信號，無需發(fā)送給中心基站，若對節(jié)點采集的信號無區(qū)分傳送，浪費節(jié)點能量也浪費醫(yī)療資源。WBAN節(jié)點在發(fā)送與接收數(shù)據(jù)時消耗能量最多，減少節(jié)點通信模塊的工作次數(shù)可以有效地降低網(wǎng)絡能耗，同時降低數(shù)據(jù)采集量也能有效減少網(wǎng)絡能耗[2]。

本文將壓縮感知(compressed sensing,CS)理論應用于WBAN節(jié)點數(shù)據(jù)采集，可降低數(shù)據(jù)采集量，在滿足重構數(shù)據(jù)準確性同時，減小WBAN數(shù)據(jù)傳輸量；借助醫(yī)療生理數(shù)據(jù)庫建立生理信號過完備字典，通過稀疏表示分類(sparse representation classification,SRC)算法對信號進行識別，停止正常信號發(fā)送，使采集正常信號節(jié)點處于休眠狀態(tài)，將壓縮的非正常生理信號發(fā)送至中心基站通過CS重構，從而降低了WBAN通信能耗和數(shù)據(jù)傳輸能耗。

1 構造過完備字典

設WBAN中節(jié)點采集n維高維數(shù)據(jù)xn×1，通過一個m×n隨機投影矩陣Φ投影到一個m維子空間(m?n)，表示為[3]

(1)

(2)

式中Λ∈{1,…,n}，且|Λ|≤s；ΦΛ為Φ中索引Λ所指列構成的s×|Λ|子矩陣；s為信號稀疏度；δs為RIP常數(shù)，δs∈(0,1)。

稀疏隨機矩陣由于存儲量小、編碼和重復復雜度低等特性，適合于存儲和計算資源受限的WBAN節(jié)點[5]。采用隨機矩陣作為測量矩陣時，m需要滿足

m≥Cs×s×log(N/s)

(3)

式中Cs為一個很小常數(shù);N為原始信號長度。

將數(shù)據(jù)庫中每個樣本分類并編號，并提取作為訓練樣本。設某個節(jié)點測試的生理數(shù)據(jù)種類包含w種類型，從數(shù)據(jù)庫中選出這w種類型生理信號di，di表示數(shù)據(jù)庫中第i種類型生理數(shù)據(jù)，每種類型中包含k個訓練樣本：di=[ai1,ai2,ai3,…,aik]，di∈Rk，aik為第i種類型中第k個訓練樣本，設每個訓練樣本維數(shù)為m，aik∈Rm，將這種類型w種生理信號構造成過完備字典D，即

D=[d1,d2,…,dw]=[a1,1,a1,2,…,aw,nw]

(4)

式中D∈Rm×n，n=n1+n2+…+nw。

2 信號稀疏表示與識別

通過生理數(shù)據(jù)庫訓練樣本構造的過完備字典D數(shù)據(jù)量大，為減少存儲量和提高計算速率，采用隨機矩陣對D進行降維壓縮，提高信號識別速度。

(5)

(6)

(7)

式中 ‖x‖0為x的l0范數(shù)，表示x中非零元素個數(shù)，通常情況下m?n。根據(jù)CS理論，在信號足夠稀疏情況下，最小化l0范數(shù)可轉化為l1范數(shù)進行求解。故

(8)

實際節(jié)點采集數(shù)據(jù)往往含有噪聲干擾，需加一個誤差項ε≥0，求解模型為

(9)

WBAN節(jié)點采集信號種類較多，易受干擾，為提高信號分類準確率，在信號識別之前，采用稀疏集中度指標(sparsity centration index,SCI)對無效測試樣本信號進行排除

(10)

(11)

根據(jù)每種類型數(shù)據(jù)在分類時的編號，可識別測試樣本是否為正常信號，若為正常生理信號使節(jié)點進入休眠狀態(tài);若為異常信號，便將測試信號發(fā)送至中心基站進行重構。

3 基站信號重構

信號稀疏表示需要找到某個正交基Ψ使信號在該基上稀疏

y=ψθ

(12)

式中y為原始信號；θ為稀疏表示系數(shù)；Ψ為信號稀疏基。常用稀疏基有快速傅里葉變換(fast Fourier transform,FFT)、離散小波變換(discrete wavelet transform,DWT)、離散余弦變換(discrete cosine transform,DCT)等。y經(jīng)過隨機矩陣φ降維，可寫成

y=φy=φψθ

(13)

(14)

通過重構算法重構出信號稀疏系數(shù)θ′，可恢復信號y′

y′=ψθ′

(15)

WBAN中心基站可對恢復信號y′進行診斷分析和報警通知，并通過網(wǎng)絡發(fā)給遠程醫(yī)療終端。

4 心電圖仿真分析

4.1 心電圖識別性能比較

心電圖(electrocardiogram,ECG)信號是WBAN經(jīng)常采集的一種信號，麻省理工學院的MIT-BIH數(shù)據(jù)庫是國際公認的標準ECG數(shù)據(jù)庫之一。提取該數(shù)據(jù)庫中每類ECG信號前30 s心電數(shù)據(jù)，對信號進行基線漂移和噪聲處理，提取每1 s的ECG作為訓練樣本，構成30個訓練樣本，將每個訓練樣本作為該類ECG信號列向量。MIT-BIH數(shù)據(jù)庫采樣頻率為360 Hz，采集1 s數(shù)據(jù)可得到360個采樣點，過完備字典D的大小為360×1 440。提取每類信號30 s之后的1 s心電數(shù)據(jù)來構造成測試樣本y，選取稀疏隨機矩陣作為投影矩陣對測試樣本y與過完備字典D進行壓縮。

ECG信號稀疏表示系數(shù)可由式(7)最小l0范數(shù)優(yōu)化問題、式(9)最小l1范數(shù)凸優(yōu)化問題求解。最小l0范數(shù)優(yōu)化問題常用貪婪算法有正交匹配追蹤(orthogonal matching pursuit,OMP)、正則化正交匹配追蹤(regularized orthogonal matching pursuit,ROMP)、空間追蹤(subspace pursuit,SP)、壓縮采樣正交匹配追蹤(compressive sampling matching pursuit,CoSaMP)、分段正交匹配追蹤(stagewise orthogonal matching pursuit,StOMP)，最小l1范數(shù)凸優(yōu)化問題常用的算法有基追蹤(basis pursuit,BP)、梯度投影(gradient projection sparse reconstruction,GPSR)、迭代軟閾值(iterative soft thresholding,IST)等[6,7]。信號壓縮比(compression ratio,CR)定義為信號投影后維數(shù)M與原始數(shù)據(jù)維數(shù)N之比。改變CR取值時，隨機抽取30個ECG測試樣本，不同貪婪算法識別比較如圖1。

圖1 最小l0范數(shù)貪婪算法比較

可以看出，最小l0范數(shù)算法的識別時間非常短，在50 ms以下；SRC-CoSaMP算法隨著CR增加識別時間變化緩慢，識別速度較快；SRC-ROMP算法識別時間也非常短，但識別率不高且不穩(wěn)定。

最小l0范數(shù)的貪婪算法對小規(guī)模數(shù)據(jù)計算可以得到較快的運算速度和全局最優(yōu)解。對于大規(guī)模數(shù)據(jù)，貪婪算法需要很高運算成本，因此,常采用最小l1范數(shù)凸優(yōu)化算法，以犧牲精度換取速度，可通過凸優(yōu)化工具箱求解，如cvx工具箱和l1-magic工具箱。隨機抽取30個ECG測試樣本，運用不同最小l1范數(shù)凸優(yōu)化算法進行識別比較,如圖2。

圖2 最小l1范數(shù)凸優(yōu)化算法比較

可以看出:SRC-BP算法識別時間較長，SRC-IST算法識別時間較短，但識別率低。SRC-GPSR算法有更快識別時間和更好識別率。對比圖1與圖2，貪婪算法較凸優(yōu)化算法的識別時間快很多，更適宜做ECG信號SRC算法。ECG信號經(jīng)過壓縮后，識別時間明顯變快，較小CR識別時間快但識別率低，ECG信號在一定CR范圍內具有較快的識別時間與較好的識別率。

4.2 ECG重構性能比較

ECG信號重構的評價指標有根均方偏差百分比(percent root-mean-square difference,PRD)、信噪比(signal to noise ratio,SNR)，定義如下

(16)

(17)

式中X為測試心電信號；X′為重構心電信號。研究表明：當PRD<9 %時，對ECG信號診斷信息的損失較小，重構信號較好保留了醫(yī)療診斷信息[8]。

1 024個ECG信號在CR=0.5，稀疏度K=280，測量矩陣為稀疏隨機矩陣，重構算法為CS-OMP算法，稀疏基分別為FFT,DCT,DWT時重構性能比較如表1。

可以看出:在ECG信號重構時，F(xiàn)FT基重構性能更好，選擇FFT為ECG信號變換基，稀疏隨機矩陣為測量矩陣，ECG信號在不同重構算法和不同CR下的重構性能比較如圖3，重構時間比較如表2。

表1 ECG信號重構性能比較

圖3 不同重構算法重構性能比較

CRCS-OMPCS-StOMPCS-SPCS-CoSaMPCS-ROMP0.30.25310.01080.42430.56980.02830.41.22280.05621.78095.28150.04730.54.45280.234814.991617.23790.04730.68.79770.206440.415749.66120.05090.715.48030.525650.241265.80080.10090.822.81430.685462.8154131.38400.13990.924.42880.606066.8120199.57080.26571.032.79401.019768.3123211.15610.2810

當CR≤0.4，ECG信號的PRD>20 %，SNR<25，重構信號失真嚴重，失去醫(yī)用價值，當CR≥0.5，CS-OMP,CSStOMP,CS-SP算法的PRD在5 %～8 %之間，SNR在45～50之間，符合醫(yī)療診斷要求。CS-StOMP算法重構時間最短，具有較好的重構性能。

5 結束語

采用CS理論減少節(jié)點數(shù)據(jù)采集量，運用SRC識別節(jié)點采集的正常信號，將采集正常信號節(jié)點置于休眠狀態(tài)，并將異常信號發(fā)送至中心基站，通過CS重構算法重構信號。

信號經(jīng)壓縮后，能有效提升識別速率；在FFT下，具有更好的識別和重構性能，較好地保留了信號中的醫(yī)學診斷信息。在確保數(shù)據(jù)傳輸精度的同時，增加了節(jié)點通信休眠時間，減少了數(shù)據(jù)采集量和傳輸量，有效降低了WBAN節(jié)點通信與數(shù)據(jù)傳輸能耗。

[1] Sodhro A H,Li Y,Shah M A.Energy-efficient adaptive trans-mission power control for wireless body area networks[J].IET Communications,2016,10(1):81-90.

[2] 柯熙政,陳錦妮.紫外光無線傳感器網(wǎng)絡節(jié)能的研究與仿真[J].激光技術,2013,37(2):251-255.

[3] Vehkaper? M,Kabashima Y,Chatterjee S.Analysis of regularized LS reconstruction and random matrix ensembles in compressed sensing[J].IEEE Transactions on Information Theory,2016,62(4):2100-2124.

[4] Sasmal P,Naidu R R,Sastry C S,et al.Composition of binary compressed sensing matrices[J].IEEE Signal Processing Letters,2016,23(8):1096-1100.

[5] 張 波,劉郁林,王 開.稀疏隨機矩陣有限等距性質分析[J].電子與信息學報,2014,34(1):169-174.

[6] Donoho D L,Tsaig Y,Drori I,et al.Sparse solution of underdetermined systems of linear equations by stagewise orthogonal matching pursuit[J].IEEE Transactions on Information Theory,2012,58(2):1094-1121.

[7] Moshtaghpour A,Jacques L,Cambareri V,et al.Consistent basis pursuit for signal and matrix estimates in quantized compressed sensing[J].IEEE Signal Processing Letters,2016,23(1):25-29.

[8] Parkale Y V,Nalbalwar S L.Application of compressed sensing(CS)for ECG signal compression:A review[C]∥Proceedings of the International Conference on Data Engineering and Communication Technology,Singapore,2017:53-65.

WBANnodedatacompressionenergy-savingmethod*

ZHOU Yue-bin1， CHEN Jia-shun2， MA He-he2

(1.SchoolofMechanicalandAutomotiveEngineering,HubeiUniversityofArtsandScience,Xiangyang441053,China;2.SchoolofMachineryandAutomation,WuhanUniversityofScienceandTechnology,Wuhan430081,China)

Wireless body area network(WBAN)node is usually powered by batteries,which is energy limited and not easy to change frequently.A data compression energy-saving method is proposed to reduce the energy consumption of WBAN node,adopting sparse representation classification(SRC)algorithm to identify the normal signal,using compressed sensing(CS)theory for signal compression sampling,and the compressed signal is sent to the base station for refactoring.The simulation and analysis have been implemented on electrocardiogram(ECG)signal collected by WBAN nodes,the results show that the ECG signal after compression,has good recognition performance and reconstruction performance,and under the premise that ensure the data transmission precision,reduce the amount of data acquisition and transmission,effectively reduce the energy consumption of WBAN nodes.

wireless body area network(WBAN); compressed sensing(CS); sparse representation classification(SRC); energy saving

10.13873/J.1000—9787(2017)11—0010—04

TP 212.6

A

1000—9787(2017)11—0010—04

2017—08—11

湖北省自然科學基金資助項目(2015CFC802)； 襄陽市研究與開發(fā)計劃項目(襄科計[2014]12號/14)； 湖北文理學院博士科研基金資助項目(2013B005)

周岳斌(1973-)，男，博士，副教授，主要從事智能檢測與網(wǎng)絡化控制相關研究工作,E—mail:zybonly@163.com。