陳家順+周岳斌+王濤

摘 要： 針對無線體域網(wǎng)（WBAN）節(jié)點電池能量有限和不易更換電源的問題，提出一種基于稀釋表示分類算法的節(jié)點休眠策略（NSS?SRC）。當WBAN節(jié)點采集的人體生理信號處于正常范圍時，采用稀疏表示理論對測試樣本信號進行識別，根據(jù)識別結(jié)果濾除不需要傳送的正常信號，將WBAN節(jié)點轉(zhuǎn)換為休眠狀態(tài)，并延長節(jié)點休眠時間，從而減少節(jié)點數(shù)據(jù)傳輸量。通過NS2軟件對節(jié)點延時和能耗進行仿真分析，結(jié)果表明，在生理信號通常處于穩(wěn)定范圍的WBAN中，與傳統(tǒng)TDMA，BCMAC相比，NSS?SRC策略能有效降低能耗和延時。

關(guān)鍵詞： WBAN； 休眠策略； 稀疏表示； 節(jié)能

中圖分類號： TN914?34 文獻標識碼： A 文章編號： 1004?373X（2017）17?0015?05

Body area network node sleep strategy based on sparse representation

CHEN Jiashun1， 3， ZHOU Yuebin2， 3， WANG Tao1

（1. School of Machinery and Automation， Wuhan University of Science and Technology， Wuhan 430081， China；

2. School of Mechanical & Auto Engineering， Hubei University of Arts & Science， Xiangyang 441053， China；

3. The Collaborative Innovation Center of Hubei Province for Auto Parts Manufacturing Equipment Digitization， Xiangyang 441053， China）

Abstract： Since the battery energy of wireless body area network （WBAN） node is limited， and its power supply is hard to replace， a node sleep strategy based on sparse representation classification （NSS?SRC） algorithm is proposed. While the human?body physiological signal collected by WBAN nodes stays in the normal range， the sparse representation theory is used to identify the test sample signals. According to the identification results， the normal signals which needn′t to be sent are filtered out， and the state of WBAN node is converted into the sleep state. The node sleep time is prolonged to reduce the transmission quantity of node data. The node delay and energy consumption are simulated and analyzed with NS2 software. The results show that， in comparison with the traditional TDMA and BCMAC algorithms， the NSS?SRC strategy can reduce the energy consumption and time delay effectively while the physiological signal is in WBAN with stable range.

Keywords： WBAN； sleep strategy； sparse representation； energy saving

0 引 言

無線體域網(wǎng)（Wireless Body Area Network， WBAN）是在人體表或體內(nèi)安置傳感器節(jié)點，通過節(jié)點采集人體溫度、血壓、心率、腦電圖等各部位生理信息的數(shù)據(jù)網(wǎng)絡(luò)。WBAN現(xiàn)已被廣泛應用于遠程醫(yī)療診斷、疾病監(jiān)控和預防、家庭看護等方面。WBAN節(jié)點一般采用電池供電，能量有限，對植入人體內(nèi)部節(jié)點更加不易頻繁更換，因此研究WBAN節(jié)點的節(jié)能方法具有重要的現(xiàn)實意義[1?4]。

2009年Wright等人首次將稀疏表示理論用于分類，提出稀疏表示分類算法（Sparse Representation?Based Classifier，SRC），將模式識別問題轉(zhuǎn)化為信號稀疏表示問題，為基于信號識別提供了理論基礎(chǔ)[5]。與傳統(tǒng)模式識別方法相比，如最近鄰NN、最近子空間NS、支持向量機SVM等，稀疏表示算法具有較高的識別精度和魯棒性[6]。隨著科技進步，在醫(yī)療器械檢測中，通過對各類病人的測量統(tǒng)計，建立了各類生理信號數(shù)據(jù)庫，為稀疏表示理論提供了可靠的樣本信息，如MIT?BIH是由美國麻省理工學院提供的研究心律失常的數(shù)據(jù)庫，美國加州伯克利大學人體日常行為動作識別數(shù)據(jù)庫WARD（Wearable Action Recognition Database）的人體運動數(shù)據(jù)庫等，使得稀疏表示在WBAN識別等相關(guān)領(lǐng)域得到了廣泛應用，如胃部疾病檢測、心電壓縮采樣、腦電癲癇波檢測等[7?9]。endprint

WBAN節(jié)點檢測到的生理信號大多數(shù)為正常信號，而這些正常信號是節(jié)點不需要發(fā)送的信號，對于能量要求嚴格的WBAN來說，無區(qū)分的采樣生理信號無疑是一種能量浪費[10]。為此，本文提出一種基于稀疏表示的節(jié)點休眠策略——NSS?SRC，將稀疏表示理論用于降低WBAN節(jié)點能耗，借助現(xiàn)有生理數(shù)據(jù)庫對WBAN節(jié)點采集信號進行識別，根據(jù)識別結(jié)果濾除WBAN節(jié)點采集的正常信號，停止正常信號的發(fā)送，控制節(jié)點休眠狀態(tài)，增加節(jié)點休眠時間，從而減少節(jié)點數(shù)據(jù)傳輸量，達到降低節(jié)點能耗的目的。

1 節(jié)點休眠策略分析

無線傳感網(wǎng)絡(luò)節(jié)點一般包括傳感器模塊、數(shù)據(jù)處理器模塊、無線通信模塊，節(jié)點各模塊能量消耗如圖1所示[11]。節(jié)點的能耗主要集中在通信模塊的發(fā)送與接收兩個部分，減少通信模塊的工作時間可以有效地降低節(jié)點能耗。MAC協(xié)議直接控制通信模塊，對節(jié)點能耗有較大的影響，MAC協(xié)議在降低功耗方面主要采用的方法有減少數(shù)據(jù)流量、增加通信模塊休眠時間和避免傳輸數(shù)據(jù)沖突等，NSS?SRC策略主要通過控制節(jié)點休眠狀態(tài)轉(zhuǎn)換，增加通信模塊休眠時間，減少WBAN節(jié)點的數(shù)據(jù)傳輸量，達到降低能耗的效果。

利用醫(yī)學檢測過程中統(tǒng)計積累的生理信號數(shù)據(jù)庫可為WBAN節(jié)點測試信號的稀疏表示提供可靠的樣本信息。通常WBAN中節(jié)點采集的信號種類不同，每種生理信號都有相應的數(shù)據(jù)庫以及區(qū)分信號正常與否的標準。WBAN中節(jié)點采集的信號多數(shù)為正常信號，這些正常信號在數(shù)據(jù)庫中都有對應的樣本。利用已有生理數(shù)據(jù)庫通過稀疏表示理論對節(jié)點采集的生理信號進行稀釋識別，根據(jù)識別結(jié)果控制節(jié)點工作狀態(tài)，圖2給出了節(jié)點信號稀疏識別的具體流程。WBAN啟動時對節(jié)點采集到的信號進行稀疏識別，識別結(jié)果為樣本內(nèi)正常信號時，切換節(jié)點為休眠狀態(tài)，識別結(jié)果為樣本病態(tài)信號和非樣本異常信號時，節(jié)點發(fā)送數(shù)據(jù)。

2 NSS?SRC策略實現(xiàn)

2.1 建立過完備字典

WBAN內(nèi)每個節(jié)點分布在人體不同位置分別測試不同類型生理數(shù)據(jù)，每種類型生理數(shù)據(jù)都對應有數(shù)據(jù)庫。首先對數(shù)據(jù)庫中每種類型數(shù)據(jù)中的生理數(shù)據(jù)進行正常和病態(tài)分類并標記，假設(shè)某個節(jié)點測試的生理數(shù)據(jù)種類包含種類型，從數(shù)據(jù)庫中選出這種類型生理信號表示數(shù)據(jù)庫中第種類別生理數(shù)據(jù)，每種類別中包含個訓練樣本：表示第種類別中第個訓練樣本，并將這種類型種生理信號構(gòu)造成過完備字典

（1）

在字典構(gòu)造過程中，對各節(jié)點采集生理信號需進行特征提取，不同種類的信號在某個域能更好地表示信號特征，常用的有傅里葉變換、小波變換、余弦變換等。同樣，節(jié)點采集信號構(gòu)造的測試樣本也同樣需要進行處理。在各種稀疏表示處理信號的任務(wù)中，結(jié)合學習字典能力，通常能達到最優(yōu)結(jié)果[12]。

字典的構(gòu)造有兩種方式：一種是通過數(shù)學模型將已有訓練樣本直接構(gòu)造字典，這種方式不能保證信號足夠稀疏；第二種是通過對訓練樣本學習來獲得適應信號特征的字典，通過不斷更新字典學習過程中的稀疏表示系數(shù)和字典原子，找到能使信號最稀疏的新字典，從而提高識別率和計算速率，現(xiàn)已有大量字典學習算法和改進算法[13]。

2.2 樣本的稀疏表達

由節(jié)點采集到的生理信號構(gòu)成測試樣本，若屬于第類生理信號，則為第類測試樣本線性組合：

（2）

理想情況下有：通過建立的過完備字典和測試樣本可求稀疏表達系數(shù)即其求解模型為：

（3）

式中：為的范數(shù)，表示中非零元素的個數(shù)；通常情況下式（3）是一個欠定方程求解，根據(jù)壓縮感知理論，在所求系數(shù)足夠稀疏的情況下，最小化范數(shù)可以轉(zhuǎn)化為范數(shù)進行求解[14]。故：

（4）

式（4）描述在理想狀況下，現(xiàn)實節(jié)點在采集數(shù)據(jù)的過程中往往含有噪聲，因此需要加一個誤差項即式（4）轉(zhuǎn)換為范數(shù)求解，故：

（5）

式中，表示允許誤差。由于式（5）是一個凸優(yōu)化問題，現(xiàn)有很多算法都可以進行求解，即得到測試樣本的稀疏表示系數(shù)。

2.3 有效樣本判別

一些不在生理數(shù)據(jù)庫訓練樣本中的異常信號可能無法識別，為防止信號漏檢，在對生理信號分類之前，采用稀疏集中度指標（Sparsity Centration Index，SCI）作為判斷標準：

（6）

式中：是節(jié)點樣本建立過程中類別總數(shù)；表示中第個位置的系數(shù)。將測試樣本的稀疏系數(shù)代入中計算出值，若則表示該測試樣本僅用了某一類中一個訓練樣本表示測試樣本；若則表示該測試樣本橫跨所有的類，為無效樣本。因此在判別過程中設(shè)置一個閾值，如果則認為該測試樣本為有效樣本，若則認為測試樣本為無效樣本，無效樣本視為病態(tài)生理信號發(fā)送到中心節(jié)點，因此節(jié)點一旦識別為無效樣本便向中心節(jié)點發(fā)送請求時隙，中心節(jié)點為節(jié)點分配時隙，節(jié)點開始發(fā)送數(shù)據(jù)，反之若判別為有效樣本，還需進一步對信號進行正常和病態(tài)識別。

2.4 節(jié)點休眠方式切換

由于噪聲的影響，的非零元素會散布于很多類間，采用以下殘差分類函數(shù)進行識別：

（7）

表示式（7）中最小殘差的標記號，即為最終分類結(jié)果，根據(jù)每種類型數(shù)據(jù)在分類時的編號便可識別測試信號是否為正常信號。若識別結(jié)果為正常生理信號便立即使節(jié)點進入休眠狀態(tài)；若檢測結(jié)果為病態(tài)信號，便向中心節(jié)點發(fā)送時隙請求。

NSS?SRC策略過濾了WBAN中節(jié)點采集到的大部分不需要傳輸?shù)恼Ｉ硇盘枺渌惴▽崿F(xiàn)流程如圖3所示。

首先在每個節(jié)點內(nèi)設(shè)定對應閾值和誤差項大小，對節(jié)點數(shù)據(jù)庫內(nèi)的信號進行分類并編號，構(gòu)造成過完備字典啟動網(wǎng)絡(luò)時，中心節(jié)點隨機分配給每個節(jié)點一個網(wǎng)絡(luò)號和時隙，節(jié)點收到基站消息后，開始采集信號，并構(gòu)成測試樣本然后節(jié)點處理器通過稀疏表示算法求出測試樣本稀疏表示系數(shù)計算值，并與設(shè)定閾值比較，判斷測試樣本是否為有效樣本，無效測試樣本視為病態(tài)信號，節(jié)點向基站申請時隙。測試信號為有效樣本時還需進行殘差識別，根據(jù)識別編號與數(shù)據(jù)庫數(shù)據(jù)編號校對，判斷是否為正常信號，若為正常信號節(jié)點立即進入休眠狀態(tài)，等待喚醒，若為病態(tài)信號，節(jié)點向基站申請時隙。由于人體的生理信號通常處于正常范圍，采用NSS?SRC策略對WBAN節(jié)點識別分類后，WBAN網(wǎng)絡(luò)中的休眠節(jié)點數(shù)目增多。endprint

3 節(jié)點性能分析

3.1 能耗分析與仿真

由圖1可知，單個節(jié)點能量消耗主要在傳感器數(shù)據(jù)采集、處理器數(shù)據(jù)處理、數(shù)據(jù)發(fā)送、數(shù)據(jù)接收、空閑、休眠狀態(tài)，可以用下式表達：

（8）

式中：表示節(jié)點收發(fā)器的工作次數(shù)；為節(jié)點采集信號消耗能量；表示節(jié)點處理數(shù)據(jù)消耗能量；為傳輸數(shù)據(jù)消耗能耗；為接收數(shù)據(jù)消耗能耗；為節(jié)點空閑偵聽能耗；表示節(jié)點休眠能耗。

WBAN常用的主要有TDMA和CDMA兩種基本MAC協(xié)議，其中基于TDMA的MAC協(xié)議避免了數(shù)據(jù)碰撞和重傳問題[15]。TDMA能為WBAN每個節(jié)點分配獨立的時隙用于數(shù)據(jù)發(fā)送或接收，數(shù)據(jù)傳輸時不需要過多的控制信息，且節(jié)點在空閑時能夠及時進入睡眠狀態(tài)，WBAN的NSS?SRC策略適合使用TDMA機制做能耗分析，選用TDMA機制時，式（8）中的可以忽略不計，故：

（9）

節(jié)點采集信號消耗的能量和處理器處理信號消耗的能量非常小，由式（9）可知，決定節(jié)點能耗消耗的主要為節(jié)點接收和發(fā)送數(shù)據(jù)的次數(shù)

NS2（Network Simulator Version2）是一種開源仿真軟件，可以修改源碼來設(shè)置一些WBAN所需的參數(shù)，可以模擬WBAN中的網(wǎng)絡(luò)層、數(shù)據(jù)鏈路層。針對WBAN采集病態(tài)信號節(jié)點數(shù)目有限和傳輸距離短的現(xiàn)象，仿真實驗中網(wǎng)絡(luò)拓撲結(jié)構(gòu)采用星型拓撲，WBAN相關(guān)參數(shù)如表1所示。

傳統(tǒng)TDMA，BCMAC與NSS?SRC在同一段時間內(nèi)采集和處理相同數(shù)據(jù)包情況下，式（9）中的和幾乎相等[16]。節(jié)點經(jīng)過NSS?SRC策略處理后能濾除節(jié)點正常信號的發(fā)送，因此NSS?SRC策略接收和發(fā)送數(shù)據(jù)次數(shù)小于傳統(tǒng)的TDMA協(xié)議和BCMAC。當節(jié)點采集信號為正常時，傳統(tǒng)TDMA在無數(shù)據(jù)傳輸時需保持偵聽狀態(tài)，而BCMAC不用，因此節(jié)點在傳統(tǒng)TDMA下消耗能量比BCMAC多，采用NSS?SRC策略的節(jié)點識別到采集的數(shù)據(jù)為正常信號時，立即進入休眠狀態(tài)，故采用NSS?SRC策略的節(jié)點消耗能量最小。基于TDMA機制的MAC協(xié)議，對WBAN單個節(jié)點進行傳統(tǒng)TDMA，BCMAC和NSS?SRC策略能耗仿真對比，結(jié)果如圖4所示。

由圖4可以看出，采用NSS?SRC策略的節(jié)點收發(fā)器工作次數(shù)為0次、400次、800次時節(jié)點的能量消耗趨勢，次時，表示節(jié)點采集信號為正常生理信號，無數(shù)據(jù)發(fā)送接收，但在節(jié)點數(shù)據(jù)采集和處理時仍有部分能量消耗，仿真結(jié)果驗證了式（9），當節(jié)點收發(fā)器工作越少時，節(jié)點消耗的能量越少。

3.2 延時分析與仿真

WBAN節(jié)點的傳感器采集相同大小數(shù)據(jù)量時消耗時間相同，傳統(tǒng)TDMA與BCMAC在數(shù)據(jù)處理產(chǎn)生的時間可以忽略不計，而NSS?SRC策略通過字典對生理信號進行稀疏表示，過完備字典通常數(shù)據(jù)量較大，處理器計算時間不能忽略。傳統(tǒng)TDMA與BCMAC在相鄰兩次數(shù)據(jù)傳輸時隙固定，因此在WBAN節(jié)點采集時，無論正常信號還是病態(tài)信號，數(shù)據(jù)發(fā)送產(chǎn)生的延時為：

（10）

式中：為固定時隙；為WBAN節(jié)點數(shù)，由表1知。NSS?SRC策略對信號進行稀疏識別，濾除了正常信號，故NSS?SRC策略的數(shù)據(jù)發(fā)送產(chǎn)生的時延與WBAN內(nèi)采集非正常信號節(jié)點的個數(shù)有關(guān)，故NSS?SRC策略的延時為：

（11）

式中：為WBAN內(nèi)采集病態(tài)信號節(jié)點個數(shù)，為每個采集病態(tài)信號節(jié)點的處理器對測試樣本稀疏識別產(chǎn)生的平均消耗時間，這里假設(shè)所有時隙相等，故由式（10）減式（11）得到NSS?SRC策略節(jié)省的時間

（12）

由式（12）可知，WBAN網(wǎng)絡(luò)中負載越小時，網(wǎng)絡(luò)節(jié)省的能量越多，網(wǎng)絡(luò)實時性越好。

圖5為WBAN節(jié)點NSS?SRC策略與傳統(tǒng)TDMA，BCMAC協(xié)議的延時對比圖。由圖5可知，WBAN中采集病態(tài)信息節(jié)點數(shù)目在與時，NSS?SRC策略的延時比傳統(tǒng)TDMA，BCMAC大，主要是因為NSS?SRC策略在稀疏識別消耗的時間大于數(shù)據(jù)傳輸節(jié)省的時間；當時，NSS?SRC策略的延時小于傳統(tǒng)TDMA和BCMAC，故由節(jié)點能量消耗和延時分析可知，NSS?SRC策略較適合生理信號通常處于穩(wěn)定范圍的WBAN中。

4 結(jié) 語

稀疏表示理論已普遍應用于對WBAN生理信號的識別。本文提出一種基于稀疏表示的節(jié)點休眠策略——NSS?SRC，將稀疏表示理論應用于WBAN節(jié)點節(jié)能。借助醫(yī)學統(tǒng)計累積的數(shù)據(jù)庫進行分類標記，利用稀疏表示對節(jié)點測試信號進行稀疏識別，濾除節(jié)點不需要傳送的正常信號，轉(zhuǎn)換節(jié)點工作狀態(tài)，減少節(jié)點數(shù)據(jù)傳輸量，延長節(jié)點休眠時間，從而實現(xiàn)節(jié)點能耗的降低。理論分析和仿真實驗結(jié)果表明，基于稀疏表示的節(jié)點休眠策略NSS?SRC在生理信號處于穩(wěn)定正常狀態(tài)的WBAN中具有更好的節(jié)能和延時效果。

參考文獻

[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] 劉毅，宋余慶.無線體域網(wǎng)技術(shù)研究[J].小型微型計算機系統(tǒng)， 2013，34（8）：1757?1762.

[3] 潘琢金，劉繼磊，羅振，等.低功耗無線傳感器網(wǎng)絡(luò)節(jié)點的設(shè)計與實現(xiàn)[J].計算機工程與設(shè)計，2015，36（12）：3225?3229.

[4] 黃興利，慕德俊，李哲，等.WSN節(jié)能問題中基于曲線擬合的插值算法研究[J].現(xiàn)代電子技術(shù)，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.endprint

[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，叢楊，楊云生，等.基于稀疏表達的胃部疾病檢測[J].科學通報，2013，58（z2）：145?151.

[8] 彭向東，張華，劉繼忠.基于塊稀疏貝葉斯學習的體域網(wǎng)心電壓縮采樣[J].傳感技術(shù)學報，2015，28（3）：401?407.

[9] 吳敏，孫玉寶，韋志輝，等.基于稀疏表示的兩階段腦電癲癇波檢測算法研究[J].中國生物醫(yī)學工程學報，2009，28（4）：535?543.

[10] 盧先領(lǐng)，彭能明，徐保國.基于模糊邏輯算法的無線醫(yī)療體域網(wǎng)MAC協(xié)議研究[J].計算機科學，2013，41（1）：88?90.

[11] 柯熙政，陳錦妮.紫外光無線傳感器網(wǎng)絡(luò)節(jié)能的研究與仿真[J].激光技術(shù)，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] 劉洪武，史勝西，蔡青春，等.無線傳感網(wǎng)中一種基于即時信息的TDMA方案[J].現(xiàn)代電子技術(shù)，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.endprint