一種低功耗無線體域網(wǎng)的多源生理信號混合壓縮方法
【技術(shù)領域】
[0001] 本發(fā)明涉及的是一種無線通信技術(shù)領域的方法，具體是一種基于數(shù)據(jù)融合和壓縮 感知的低功耗無線體域網(wǎng)的多源生理信號混合壓縮方法。
【背景技術(shù)】
[0002] 無線體域網(wǎng)（WirelessBodyAreaNetwork,WBAN)是一種以人體為中心的短距離 無線通信網(wǎng)絡，作為無線傳感網(wǎng)絡的分支和物聯(lián)網(wǎng)的重要組成部分，WBAN成為個人生理信 息采集與傳輸?shù)闹匾夹g(shù)手段之一。
[0003]目前的無線體域網(wǎng)呈現(xiàn)出如下特點：網(wǎng)絡規(guī)模小，傳感器節(jié)點數(shù)量少；能量高度 受限；網(wǎng)絡節(jié)點被放置于人體的固定位置，人體的運動會造成遮擋影響通信；人體組織結(jié) 構(gòu)的特異性和陰影效應造成信號傳輸過程中極大的路徑損耗。針對超短距離感知網(wǎng)絡協(xié) 議標準IEEE802. 15. 6于2012年3月正式出臺，WBAN在毫瓦級網(wǎng)絡能耗、互操作性、系統(tǒng)設 備、安全性、傳感器驗證、數(shù)據(jù)一致性等方面面臨一系列的挑戰(zhàn)。在超短距離感知網(wǎng)絡協(xié)議 標準IEEE802. 15. 6標準下，由于無線體域網(wǎng)長時間不間斷地采集身體的生理信息信號（如 體溫、血糖、血氧和心電信號等）、人體活動或動作信息以及人體所在環(huán)境信息，要求可穿戴 式傳感器或可植入式傳感器的體積小、質(zhì)量輕，每個傳感器節(jié)點所攜帶的能量極其有限，植 入到人體內(nèi)的傳感器節(jié)點不能更換電池，因此降低無線體域網(wǎng)的功量消耗尤其重要。
[0004] 隨著無線體域網(wǎng)信號處理技術(shù)的不斷發(fā)展，壓縮感知理論的提出，使得能量和信 息容量極其有限的WBAN傳感器節(jié)點對所采集的信號進行壓縮成為可能。傳統(tǒng)的奈奎斯特 采樣定理指出，當信號的采樣頻率大于或等于兩倍信號帶寬時，才能精確恢復出原始信號， 即其對存儲空間的要求很高，顯然不適用于WBAN傳感器節(jié)點。壓縮感知突破了奈奎斯特采 樣定理的限制，該理論指出：對可壓縮或可稀疏的信號可通過遠低于奈奎斯特要求的方式 進行數(shù)據(jù)采樣，而且仍能夠精確地恢復出原始信號。在壓縮感知理論的引導下，將其與WBAN 相結(jié)合，在WBAN傳感器節(jié)點上對生理參數(shù)信號等信息邊采集邊壓縮，從而降低無線通信數(shù) 據(jù)量。
[0005] 經(jīng)過現(xiàn)有技術(shù)文獻的檢索發(fā)現(xiàn)，Z.Zhang等人在IEEETransactions上發(fā)表 的"CompressedSensingofEEGforWirelessTelemonitoringwithLowEnergy ConsumptionandInexpensiveHarware"和"CompressedSensingforEnergy-Efficient WirelessTelemonitoringofNoninvasiveFetalECGviaBlockSparseBayesian"中提 出了利用塊稀疏貝葉斯訓練法對腦電信號和心電信號進行壓縮以降低所傳輸?shù)臄?shù)據(jù)量， 從而降低功耗。但是，這些文獻中僅僅針對單一的生理信號進行壓縮處理，而在無線體域網(wǎng) 中需要對多種不同的生理信號進行壓縮處理，如果按照已有的方法將需要多次利用壓縮感 知，使得運算復雜度增加，以致于增加節(jié)點的能量消耗，與降低節(jié)點功耗的意愿相矛盾。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出了一種低功耗無線體域網(wǎng)的多 源生理信號混合壓縮方法，該方法利用一次壓縮感知對混合頻譜進行壓縮處理，不僅能夠 降低運算復雜度，減少傳輸生理信號的數(shù)據(jù)量，還能降低網(wǎng)絡中無線通信的功耗，延長無線 體域網(wǎng)的生存周期。
[0007] 本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，
[0008] 一種低功耗無線體域網(wǎng)的多源生理信號混合壓縮方法，其具體步驟如下：
[0009] (1)、利用無線體域網(wǎng)中的傳感器節(jié)點對人體采集，得到不同的生理信號數(shù)據(jù)，將 不同生理信號數(shù)據(jù)進行傅里葉變換，得到多維的生理信號的頻譜矩陣，記為S(k);
[0010] (2)、將步驟（1)獲得多維的生理信號的頻譜矩陣S(k)通過信號混合系統(tǒng)得到 多維生理信號的線性混合頻譜矩陣，記為X(k)，再將多維生理信號的線性混合頻譜矩陣 (x(k))轉(zhuǎn)換成一維串聯(lián)頻譜序列X% ;
[0011] (3)、利用壓縮感知對一維串聯(lián)生理信號序列X%進行信號壓縮，得到的串聯(lián)壓縮 混合信號y，然后對串聯(lián)壓縮信號y進行調(diào)制，通過無線通信的方式，將調(diào)制后的串聯(lián)壓縮 混合信號由發(fā)射端傳送到接收端；
[0012] (4)、接收端通過無線通信的方式接收到的串聯(lián)壓縮混合信號y，然后對串聯(lián)壓縮 混合信號y進行解調(diào)，再利用塊稀疏貝葉斯訓練算法對解調(diào)后的串聯(lián)壓縮混合信號y進行 重構(gòu)，重構(gòu)出一維串聯(lián)生理信號序列x%，再將一維串聯(lián)生理信號序列串并轉(zhuǎn)換為多維生理 信號的線性混合頻譜矩陣（X(k));
[0013] (5)、對步驟⑷所述的多維生理信號的線性混合頻譜矩陣（X(k))進行估計，得到 原始生理信號的頻譜矩陣。
[0014] 上述步驟（1)中所述的將不同生理信號數(shù)據(jù)進行傅里葉變換，得到多維的生理信 號的頻譜矩陣，記為S(k)，其計算式為：
[0015] S(k) = [s^k)s2(k)LsN(k) ]T,k= 1, 2, 3, ???,K(1)
[0016] 式（1)中，sN(k)為第N種生理信號的頻譜，K為生理信號樣本種數(shù)，k為生理信號 維數(shù)，T表示轉(zhuǎn)置。
[0017] 上述步驟（2)所述的將步驟（1)獲得的多維的生理信號的頻譜矩陣（S(k))通過 信號混合系統(tǒng)得到多維生理信號的線性混合頻譜矩陣，記為X(k)，再將多維生理信號的線 性混合頻譜矩陣（X(k))轉(zhuǎn)換成一維頻譜序列x%，其具體步驟如下：
[0018] (2-1)、將步驟（1)獲得的多維的生理信號的頻譜矩陣（S(k))通過信號混合系統(tǒng) 得到多維生理信號的線性混合頻譜矩陣，記為X(k)，其表達式為：
[0019] X(k) =AS(k)+n(k)，k= 1，2, 3,L，K(2)
[0020] 式（2)中，A為MXN維的生理信號的混合頻譜矩陣，且M<N，S(k)為多維生理信 號的線性混合頻譜矩陣，X(k) = [xjk)x2(k)LxM(k)]T，其中，n(k)為高斯白噪聲，xM(k) 為混合頻譜矩陣的第M維信號的第K個值，T表示轉(zhuǎn)置；
[0021] (2-2)、對將多維生理信號的線性混合頻譜矩陣（X(k))進行并串轉(zhuǎn)換，轉(zhuǎn)換為一 維串聯(lián)生理信號頻譜信號序列，記為x%，其表達式為：
[0022] x%=[x^DL