稀疏表示的体域网节点休眠

admin

0 引 言
　　无线体域网（Wireless Body Area Network， WBAN）是在人体表或体内安置传感器节点，通过节点采集人体温度、血压、心率、脑电图等各部位生理信息的数据网络。WBAN现已被广泛应用于远程医疗诊断、疾病监控和预防、家庭看护等方面。WBAN节点一般采用电池供电，能量有限，对植入人体内部节点更加不易频繁更换，因此研究WBAN节点的节能方法具有重要的现实意义[1?4]。
　　2009年Wright等人首次将稀疏表示理论用于分类，提出稀疏表示分类算法（Sparse Representation?Based Classifier，SRC），将模式识别问题转化为信号稀疏表示问题，为基于信号识别提供了理论基础[5]。与传统模式识别方法相比，如最近邻NN、最近子空间NS、支持向量机SVM等，稀疏表示算法具有较高的识别精度和鲁棒性[6]。随着科技进步，在医疗器械检测中，通过对各类病人的测量统计，建立了各类生理信号数据库，为稀疏表示理论提供了可靠的样本信息，如MIT?BIH是由美国麻省理工学院提供的研究心律失常的数据库，美国加州伯克利大学人体日常行为动作识别数据库WARD（Wearable Action Recognition Database）的人体运动数据库等，使得稀疏表示在WBAN识别等相关领域得到了广泛应用，如胃部疾病检测、心电压缩采样、脑电癫痫波检测等[7?9]。
WBAN节点检测到的生理信号大多数为正常信号，而这些正常信号是节点不需要发送的信号，对于能量要求严格的WBAN来说，无区分的采样生理信号无疑是一种能量浪费[10]。为此，本文提出一种基于稀疏表示的节点休眠策略——NSS?SRC，将稀疏表示理论用于降低WBAN节点能耗，借助现有生理数据库对WBAN节点采集信号进行识别，根据识别结果滤除WBAN节点采集的正常信号，停止正常信号的发送，控制节点休眠状态，增加节点休眠时间，从而减少节点数据传输量，达到降低节点能耗的目的。
　　1 节点休眠策略分析
　　无线传感网络节点一般包括传感器模块、数据处理器模块、无线通信模块，节点各模块能量消耗如图1所示[11]。节点的能耗主要集中在通信模块的发送与接收两个部分，减少通信模块的工作时间可以有效地降低节点能耗。MAC协议直接控制通信模块，对节点能耗有较大的影响，MAC协议在降低功耗方面主要采用的方法有减少数据流量、增加通信模块休眠时间和避免传输数据冲突等，NSS?SRC策略主要通过控制节点休眠状态转换，增加通信模块休眠时间，减少WBAN节点的数据传输量，达到降低能耗的效果。
　　利用医学检测过程中统计积累的生理信号数据库可为WBAN节点测试信号的稀疏表示提供可靠的样本信息。通常WBAN中节点采集的信号种类不同，每种生理信号都有相应的数据库以及区分信号正常与否的标准。WBAN中节点采集的信号多数为正常信号，这些正常信号在数据库中都有对应的样本。利用已有生理数据库通过稀疏表示理论对节点采集的生理信号进行稀释识别，根据识别结果控制节点工作状态，图2给出了节点信号稀疏识别的具体流程。WBAN启动时对节点采集到的信号进行稀疏识别，识别结果为样本内正常信号时，切换节点为休眠状态，识别结果为样本病态信号和非样本异常信号时，节点发送数据。
　　2 NSS?SRC策略实现
　　2.1 建立过完备字典
　　WBAN内每个节点分布在人体不同位置分别测试不同类型生理数据，每种类型生理数据都对应有数据库。首先对数据库中每种类型数据中的生理数据进行正常和病态分类并标记，假设某个节点测试的生理数据种类包含种类型，从数据库中选出这种类型生理信号表示数据库中第种类别生理数据，每种类别中包含个训练样本：表示第种类别中第个训练样本，并将这种类型种生理信号构造成过完备字典
　　（1）
　　在字典构造过程中，对各节点采集生理信号需进行特征提取，不同种类的信号在某个域能更好地表示信号特征，常用的有傅里叶变换、小波变换、余弦变换等。同样，节点采集信号构造的测试样本也同样需要进行处理。在各种稀疏表示处理信号的任务中，结合学习字典能力，通常能达到最优结果[12]。
　　字典的构造有两种方式：一种是通过数学模型将已有训练样本直接构造字典，这种方式不能保证信号足够稀疏；第二种是通过对训练样本学习来获得适应信号特征的字典，通过不断更新字典学习过程中的稀疏表示系数和字典原子，找到能使信号最稀疏的新字典，从而提高识别率和计算速率，现已有大量字典学习算法和改进算法[13]。
　　2.2 样本的稀疏表达
　　由节点采集到的生理信号构成测试样本，若属于第类生理信号，则为第类测试样本线性组合：
　　（2）
　　理想情况下有：通过建立的过完备字典和测试样本可求稀疏表达系数即其求解模型为：
　　（3）
　　式中：为的范数，表示中非零元素的个数；通常情况下式（3）是一个欠定方程求解，根据压缩感知理论，在所求系数足够稀疏的情况下，最小化范数可以转化为范数进行求解[14]。故：
　　（4）
　　式（4）描述在理想状况下，现实节点在采集数据的过程中往往含有噪声，因此需要加一个误差项即式（4）转换为范数求解，故：
　　（5）
　　式中，表示允许误差。由于式（5）是一个凸优化问题，现有很多算法都可以进行求解，即得到测试样本的稀疏表示系数。
　　2.3 有效样本判别
　　一些不在生理数据库训练样本中的异常信号可能无法识别，为防止信号漏检，在对生理信号分类之前，采用稀疏集中度指标（Sparsity Centration Index，SCI）作为判断标準：
　　（6）
　　式中：是节点样本建立过程中类别总数；表示中第个位置的系数。将测试样本的稀疏系数代入中计算出值，若则表示该测试样本仅用了某一类中一个训练样本表示测试样本；若则表示该测试样本横跨所有的类，为无效样本。因此在判别过程中设置一个阈值，如果则认为该测试样本为有效样本，若则认为测试样本为无效样本，无效样本视为病态生理信号发送到中心节点，因此节点一旦识别为无效样本便向中心节点发送请求时隙，中心节点为节点分配时隙，节点开始发送数据，反之若判别为有效样本，还需进一步对信号进行正常和病态识别。
　　2.4 节点休眠方式切换
　　由于噪声的影响，的非零元素会散布于很多类间，采用以下残差分类函数进行识别：
　　（7）
　　表示式（7）中最小残差的标记号，即为最终分类结果，根据每种类型数据在分类时的编号便可识别测试信号是否为正常信号。若识别结果为正常生理信号便立即使节点进入休眠状态；若检测结果为病态信号，便向中心节点发送时隙请求。
　　NSS?SRC策略过滤了WBAN中节点采集到的大部分不需要传输的正常生理信号，其算法实现流程如图3所示。
　　首先在每个节点内设定对应阈值和误差项大小，对节点数据库内的信号进行分类并编号，构造成过完备字典启动网络时，中心节点随机分配给每个节点一个网络号和时隙，节点收到基站消息后，开始采集信号，并构成测试样本然后节点处理器通过稀疏表示算法求出测试样本稀疏表示系数计算值，并与设定阈值比较，判断测试样本是否为有效样本，无效测试样本视为病态信号，节点向基站申请时隙。测试信号为有效样本时还需进行残差识别，根据识别编号与数据库数据编号校对，判断是否为正常信号，若为正常信号节点立即进入休眠状态，等待唤醒，若为病态信号，节点向基站申请时隙。由于人体的生理信号通常处于正常范围，采用NSS?SRC策略对WBAN节点识别分类后，WBAN网络中的休眠节点数目增多。
3 节点性能分析
　　3.1 能耗分析与仿真
　　由图1可知，单个节点能量消耗主要在传感器数据采集、处理器数据处理、数据发送、数据接收、空闲、休眠状态，可以用下式表达：
　　（8）
　　式中：表示节点收发器的工作次数；为节点采集信号消耗能量；表示节点处理数据消耗能量；为传输数据消耗能耗；为接收数据消耗能耗；为节点空闲侦听能耗；表示节点休眠能耗。
　　WBAN常用的主要有TDMA和CDMA两种基本MAC协议，其中基于TDMA的MAC协议避免了数据碰撞和重传问题[15]。TDMA能为WBAN每个节点分配独立的时隙用于数据发送或接收，数据传输时不需要过多的控制信息，且节点在空闲时能够及时进入睡眠状态，WBAN的NSS?SRC策略适合使用TDMA机制做能耗分析，选用TDMA机制时，式（8）中的可以忽略不计，故：
　　（9）
　　节点采集信号消耗的能量和处理器处理信号消耗的能量非常小，由式（9）可知，决定节点能耗消耗的主要为节点接收和发送数据的次数
　　NS2（Network Simulator Version2）是一种开源仿真软件，可以修改源码来设置一些WBAN所需的参数，可以模拟WBAN中的网络层、数据链路层。针对WBAN采集病态信号节点数目有限和传输距离短的现象，仿真实验中网络拓扑结构采用星型拓扑，WBAN相关参数如表1所示。
　　传统TDMA，BCMAC与NSS?SRC在同一段时间内采集和处理相同数据包情况下，式（9）中的和几乎相等[16]。节点经过NSS?SRC策略处理后能滤除节点正常信号的发送，因此NSS?SRC策略接收和发送数据次数小于传统的TDMA协议和BCMAC。当节点采集信号为正常时，传统TDMA在无数据传输时需保持侦听状态，而BCMAC不用，因此节点在传统TDMA下消耗能量比BCMAC多，采用NSS?SRC策略的节点识别到采集的数据为正常信号时，立即进入休眠状态，故采用NSS?SRC策略的节点消耗能量最小。基于TDMA机制的MAC协议，对WBAN单个节点进行传统TDMA，BCMAC和NSS?SRC策略能耗仿真对比，结果如图4所示。
　　由图4可以看出，采用NSS?SRC策略的节点收发器工作次数为0次、400次、800次时节点的能量消耗趋势，次时，表示节点采集信号为正常生理信号，无数据发送接收，但在节点数据采集和处理时仍有部分能量消耗，仿真结果验证了式（9），当节点收发器工作越少时，节点消耗的能量越少。
　　3.2 延时分析与仿真
　　WBAN节点的传感器采集相同大小数据量时消耗时间相同，传统TDMA与BCMAC在数据处理产生的时间可以忽略不计，而NSS?SRC策略通过字典对生理信号进行稀疏表示，过完备字典通常数据量较大，处理器计算时间不能忽略。传统TDMA与BCMAC在相邻两次数据传输时隙固定，因此在WBAN节点采集时，无论正常信号还是病态信号，数据发送产生的延时为：
　　（10）
　　式中：为固定时隙；为WBAN节点数，由表1知。NSS?SRC策略对信号进行稀疏识别，滤除了正常信号，故NSS?SRC策略的数据发送产生的时延与WBAN内采集非正常信号节点的个数有关，故NSS?SRC策略的延时为：
　　（11）
　　式中：为WBAN内采集病态信号节点个数，为每个采集病态信号节点的处理器对测试样本稀疏识别产生的平均消耗时间，这里假设所有时隙相等，故由式（10）减式（11）得到NSS?SRC策略节省的时间
　　（12）
　　由式（12）可知，WBAN网络中负载越小时，网络节省的能量越多，网络实时性越好。
　　图5为WBAN节点NSS?SRC策略与传统TDMA，BCMAC协议的延时对比图。由图5可知，WBAN中采集病态信息节点数目在与时，NSS?SRC策略的延时比传统TDMA，BCMAC大，主要是因为NSS?SRC策略在稀疏识别消耗的时间大于数据传输节省的时间；当时，NSS?SRC策略的延时小于传统TDMA和BCMAC，故由节点能量消耗和延时分析可知，NSS?SRC策略较适合生理信号通常处于稳定范围的WBAN中。
　　4 结 语
　　稀疏表示理論已普遍应用于对WBAN生理信号的识别。本文提出一种基于稀疏表示的节点休眠策略——NSS?SRC，将稀疏表示理论应用于WBAN节点节能。借助医学统计累积的数据库进行分类标记，利用稀疏表示对节点测试信号进行稀疏识别，滤除节点不需要传送的正常信号，转换节点工作状态，减少节点数据传输量，延长节点休眠时间，从而实现节点能耗的降低。理论分析和仿真实验结果表明，基于稀疏表示的节点休眠策略NSS?SRC在生理信号处于稳定正常状态的WBAN中具有更好的节能和延时效果。
　　参考文献
　　[1] WANG Feng， HU Fengye， WANG Lu， et al. Energy?efficient medium access approach for wireless body area network based on body posture [J]. China communication， 2015， 12（12）： 122?132.
　　[2] 刘毅，宋余庆.无线体域网技术研究[J].小型微型计算机系统， 2013，34（8）：1757?1762.
　　[3] 潘琢金，刘继磊，罗振，等.低功耗无线传感器网络节点的设计与实现[J].计算机工程与设计，2015，36（12）：3225?3229.
　　[4] 黄兴利，慕德俊，李哲，等.WSN节能问题中基于曲线拟合的插值算法研究[J].现代电子技术，2016，39（1）：9?12.
　　[5] WRIGHT J， YANG A Y， GANESH A， et al. Robust face re?cognition via sparse representation [J]. IEEE transactions on pattern analysis and machine intelligence， 2009， 31（2）： 210?227.
　[6] PILLAI J K， PATEL V M， CHELLAPPA R， et al. Secure and robust iris recognition using random projections and sparse representations [J]. IEEE transactions on pattern analysis and machine intelligence， 2011， 33（9）： 1877?1893.
　　[7] 范慧杰，丛杨，杨云生，等.基于稀疏表达的胃部疾病检测[J].科学通报，2013，58（z2）：145?151.
　　[8] 彭向东，张华，刘继忠.基于块稀疏贝叶斯学习的体域网心电压缩采样[J].传感技术学报，2015，28（3）：401?407.
　　[9] 吴敏，孙玉宝，韦志辉，等.基于稀疏表示的两阶段脑电癫痫波检测算法研究[J].中国生物医学工程学报，2009，28（4）：535?543.
　　[10] 盧先领，彭能明，徐保国.基于模糊逻辑算法的无线医疗体域网MAC协议研究[J].计算机科学，2013，41（1）：88?90.
　　[11] 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.
　　[12] SULAM J， OPHIR B， ZIBULEVSKY M， et al. Trainlets： dictionary learning in high dimensions [J]. IEEE transactions on signal processing， 2016， 64（12）： 3180?3193.
　　[13] NADERAHMADIAN Y， BEHESHTI S， TINATI M A. Correlation based online dictionary learning algorithm [J]. IEEE transactions on signal processing， 2016， 64（3）： 592?602.
　　[14] CAND?S E J. The restricted isometry property and its implications for compressed sensing [J]. Comptes rendus mathematique， 2008， 346（9）： 589?592.
　　[15] 刘洪武，史胜西，蔡青春，等.无线传感网中一种基于即时信息的TDMA方案[J].现代电子技术，2013，36（9）：5?8.
　　[16] KASU S R， BELLANA S K， KUMAR C. A binary countdown medium access control protocol scheme for wireless sensor networks [C]// Proceedings of the 10th International Conference on Information Technology. Rourkela， India： ICIT， 2007： 122?126.