无线体域网节点数据压缩节能方法*

周岳斌， 陈家顺， 马贺贺

(1.湖北文理学院 机械与汽车工程学院，湖北 襄阳 441053； 2.武汉科技大学 机械自动化学院，湖北 武汉 430081)

研究与探讨

无线体域网节点数据压缩节能方法*

周岳斌1， 陈家顺2， 马贺贺2

(1.湖北文理学院机械与汽车工程学院，湖北襄阳441053；2.武汉科技大学机械自动化学院，湖北武汉430081)

无线体域网(WBAN)节点通常采用电池供电，能量有限且不易频繁更换。为降低节点能耗，提出了一种数据压缩节能方法，采用稀疏表示分类算法识别正常信号，运用压缩感知(CS)理论进行信号压缩采样，将压缩信号发送至基站并进行重构。对WBAN节点采集的心电图信号进行仿真分析，结果表明：心电图信号经压缩后，具有较好的识别与重构性能，在确保数据传输精度前提下，减少了数据采集量和传输量，有效地降低了WBAN节点能耗。

无线体域网； 压缩感知； 稀疏表示分类； 节能

0 引 言

无线体域网(wireless body area network,WBAN)通过在人体体表或体内安置传感器节点监控人体身体状况，达到对疾病的及时预防、发现和治疗，广泛应用于远程医疗诊断、疾病监控和预防、家庭看护等服务[1]。WBAN节点通常采用电池供电，不宜频繁更换，尤其对于植入体内的传感节点，通常要求能维持数年的工作时间。作为一种长时间监控人体生理数据的网络，必须降低WBAN节点能耗。WBAN节点采集的信号多数为正常信号，无需发送给中心基站，若对节点采集的信号无区分传送，浪费节点能量也浪费医疗资源。WBAN节点在发送与接收数据时消耗能量最多，减少节点通信模块的工作次数可以有效地降低网络能耗，同时降低数据采集量也能有效减少网络能耗[2]。

本文将压缩感知(compressed sensing,CS)理论应用于WBAN节点数据采集，可降低数据采集量，在满足重构数据准确性同时，减小WBAN数据传输量；借助医疗生理数据库建立生理信号过完备字典，通过稀疏表示分类(sparse representation classification,SRC)算法对信号进行识别，停止正常信号发送，使采集正常信号节点处于休眠状态，将压缩的非正常生理信号发送至中心基站通过CS重构，从而降低了WBAN通信能耗和数据传输能耗。

1 构造过完备字典

设WBAN中节点采集n维高维数据xn×1，通过一个m×n随机投影矩阵Φ投影到一个m维子空间(m≪n)，表示为[3]

(1)

(2)

式中Λ∈{1,…,n}，且|Λ|≤s；ΦΛ为Φ中索引Λ所指列构成的s×|Λ|子矩阵；s为信号稀疏度；δs为RIP常数，δs∈(0,1)。

稀疏随机矩阵由于存储量小、编码和重复复杂度低等特性，适合于存储和计算资源受限的WBAN节点[5]。采用随机矩阵作为测量矩阵时，m需要满足

m≥Cs×s×log(N/s)

(3)

式中Cs为一个很小常数;N为原始信号长度。

将数据库中每个样本分类并编号，并提取作为训练样本。设某个节点测试的生理数据种类包含w种类型，从数据库中选出这w种类型生理信号di，di表示数据库中第i种类型生理数据，每种类型中包含k个训练样本：di=[ai1,ai2,ai3,…,aik]，di∈Rk，aik为第i种类型中第k个训练样本，设每个训练样本维数为m，aik∈Rm，将这种类型w种生理信号构造成过完备字典D，即

D=[d1,d2,…,dw]=[a1,1,a1,2,…,aw,nw]

(4)

式中D∈Rm×n，n=n1+n2+…+nw。

2 信号稀疏表示与识别

通过生理数据库训练样本构造的过完备字典D数据量大，为减少存储量和提高计算速率，采用随机矩阵对D进行降维压缩，提高信号识别速度。

(5)

(6)

(7)

式中 ‖x‖0为x的l0范数，表示x中非零元素个数，通常情况下m≪n。根据CS理论，在信号足够稀疏情况下，最小化l0范数可转化为l1范数进行求解。故

(8)

实际节点采集数据往往含有噪声干扰，需加一个误差项ε≥0，求解模型为

(9)

WBAN节点采集信号种类较多，易受干扰，为提高信号分类准确率，在信号识别之前，采用稀疏集中度指标(sparsity centration index,SCI)对无效测试样本信号进行排除

(10)

(11)

根据每种类型数据在分类时的编号，可识别测试样本是否为正常信号，若为正常生理信号使节点进入休眠状态;若为异常信号，便将测试信号发送至中心基站进行重构。

3 基站信号重构

信号稀疏表示需要找到某个正交基Ψ使信号在该基上稀疏

y=ψθ

(12)

式中y为原始信号；θ为稀疏表示系数；Ψ为信号稀疏基。常用稀疏基有快速傅里叶变换(fast Fourier transform,FFT)、离散小波变换(discrete wavelet transform,DWT)、离散余弦变换(discrete cosine transform,DCT)等。y经过随机矩阵φ降维，可写成

y=φy=φψθ

(13)

(14)

通过重构算法重构出信号稀疏系数θ′，可恢复信号y′

y′=ψθ′

(15)

WBAN中心基站可对恢复信号y′进行诊断分析和报警通知，并通过网络发给远程医疗终端。

4 心电图仿真分析

4.1 心电图识别性能比较

心电图(electrocardiogram,ECG)信号是WBAN经常采集的一种信号，麻省理工学院的MIT-BIH数据库是国际公认的标准ECG数据库之一。提取该数据库中每类ECG信号前30 s心电数据，对信号进行基线漂移和噪声处理，提取每1 s的ECG作为训练样本，构成30个训练样本，将每个训练样本作为该类ECG信号列向量。MIT-BIH数据库采样频率为360 Hz，采集1 s数据可得到360个采样点，过完备字典D的大小为360×1 440。提取每类信号30 s之后的1 s心电数据来构造成测试样本y，选取稀疏随机矩阵作为投影矩阵对测试样本y与过完备字典D进行压缩。

ECG信号稀疏表示系数可由式(7)最小l0范数优化问题、式(9)最小l1范数凸优化问题求解。最小l0范数优化问题常用贪婪算法有正交匹配追踪(orthogonal matching pursuit,OMP)、正则化正交匹配追踪(regularized orthogonal matching pursuit,ROMP)、空间追踪(subspace pursuit,SP)、压缩采样正交匹配追踪(compressive sampling matching pursuit,CoSaMP)、分段正交匹配追踪(stagewise orthogonal matching pursuit,StOMP)，最小l1范数凸优化问题常用的算法有基追踪(basis pursuit,BP)、梯度投影(gradient projection sparse reconstruction,GPSR)、迭代软阈值(iterative soft thresholding,IST)等[6,7]。信号压缩比(compression ratio,CR)定义为信号投影后维数M与原始数据维数N之比。改变CR取值时，随机抽取30个ECG测试样本，不同贪婪算法识别比较如图1。

图1 最小l0范数贪婪算法比较

可以看出，最小l0范数算法的识别时间非常短，在50 ms以下；SRC-CoSaMP算法随着CR增加识别时间变化缓慢，识别速度较快；SRC-ROMP算法识别时间也非常短，但识别率不高且不稳定。

最小l0范数的贪婪算法对小规模数据计算可以得到较快的运算速度和全局最优解。对于大规模数据，贪婪算法需要很高运算成本，因此,常采用最小l1范数凸优化算法，以牺牲精度换取速度，可通过凸优化工具箱求解，如cvx工具箱和l1-magic工具箱。随机抽取30个ECG测试样本，运用不同最小l1范数凸优化算法进行识别比较,如图2。

图2 最小l1范数凸优化算法比较

可以看出:SRC-BP算法识别时间较长，SRC-IST算法识别时间较短，但识别率低。SRC-GPSR算法有更快识别时间和更好识别率。对比图1与图2，贪婪算法较凸优化算法的识别时间快很多，更适宜做ECG信号SRC算法。ECG信号经过压缩后，识别时间明显变快，较小CR识别时间快但识别率低，ECG信号在一定CR范围内具有较快的识别时间与较好的识别率。

4.2 ECG重构性能比较

ECG信号重构的评价指标有根均方偏差百分比(percent root-mean-square difference,PRD)、信噪比(signal to noise ratio,SNR)，定义如下

(16)

(17)

式中X为测试心电信号；X′为重构心电信号。研究表明：当PRD<9 %时，对ECG信号诊断信息的损失较小，重构信号较好保留了医疗诊断信息[8]。

1 024个ECG信号在CR=0.5，稀疏度K=280，测量矩阵为稀疏随机矩阵，重构算法为CS-OMP算法，稀疏基分别为FFT,DCT,DWT时重构性能比较如表1。

可以看出:在ECG信号重构时，FFT基重构性能更好，选择FFT为ECG信号变换基，稀疏随机矩阵为测量矩阵，ECG信号在不同重构算法和不同CR下的重构性能比较如图3，重构时间比较如表2。

表1 ECG信号重构性能比较

图3 不同重构算法重构性能比较

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

当CR≤0.4，ECG信号的PRD>20 %，SNR<25，重构信号失真严重，失去医用价值，当CR≥0.5，CS-OMP,CSStOMP,CS-SP算法的PRD在5 %～8 %之间，SNR在45～50之间，符合医疗诊断要求。CS-StOMP算法重构时间最短，具有较好的重构性能。

5 结束语

采用CS理论减少节点数据采集量，运用SRC识别节点采集的正常信号，将采集正常信号节点置于休眠状态，并将异常信号发送至中心基站，通过CS重构算法重构信号。

信号经压缩后，能有效提升识别速率；在FFT下，具有更好的识别和重构性能，较好地保留了信号中的医学诊断信息。在确保数据传输精度的同时，增加了节点通信休眠时间，减少了数据采集量和传输量，有效降低了WBAN节点通信与数据传输能耗。

[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,陈锦妮.紫外光无线传感器网络节能的研究与仿真[J].激光技术,2013,37(2):251-255.

[3] Vehkaperä 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] 张 波,刘郁林,王 开.稀疏随机矩阵有限等距性质分析[J].电子与信息学报,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

湖北省自然科学基金资助项目(2015CFC802)； 襄阳市研究与开发计划项目(襄科计[2014]12号/14)； 湖北文理学院博士科研基金资助项目(2013B005)

周岳斌(1973-)，男，博士，副教授，主要从事智能检测与网络化控制相关研究工作,E—mail:zybonly@163.com。