具备时空相关特征的躯体传感网信号重构方法
【技术领域】
[0001] 本发明设及一种躯体传感网信号重构方法，具体设及一种具备时空相关特征的躯 体传感网信号重构方法。
【背景技术】
[0002] 作为物联网的一个重要分支，躯体传感网（又称"体感网"、"可穿戴传感器网络" 等）在最近几年得到了广泛的应用，如生理参数监护、慢性病管理、健康腕表、跌倒监测等。 然而，在需要实时连续采集的场景下，如何降低无线传感器节点的传输功耗，延长传感器节 点的工作时间一直是个亟待突破的瓶颈问题。
[0003] 压缩感知理论的提出，为该问题提供了一种有效的解决途径。压缩感知理论突破 了传统的化annon/Nyquist采样定理的要求，可W用非常稀疏的采样数据，通过相关的重 构算法恢复出原始信号。遗憾的是，目前的重构算法大多针对具备稀疏结构或分块稀疏结 构的信号，尚没有对于多个传感器信号间具备时空（spatia^temporal)相关特征的躯体 传感网信号进行重构的方法。
[0004] 众所周知，在化annon/Nyquist采样定理为基础的传统数字信号处理框架下，若 要从采样得到的离散信号中无失真地恢复出原始信号，采样频率必须大于其带宽的两倍W 上。然而，在躯体传感网领域尤其是需要实时连续采集的场景下（如实时屯、电监测、实时动 作捕获等），由于要通过无线方式传输大量的数据，导致无线传感器节点的功耗一直居高不 下，工作时间大大缩短。
[0005]最近由Donoho、Candes及Tao等人提出的压缩感知（CompressiveSensing,C巧 理论，为解决上述问题提供了一种有效的途径。CS理论突破了化annon/Nyquist采样定理 的理论极限，可W用少量的稀疏采样数据通过相关的重构算法恢复出原始信号。
[0006] 然而，目前的重构算法大多针对具备稀疏结构或分块稀疏结构的信号，而对于躯 体传感网中多个传感器信号间具备时空（spatia^temporal)相关特征的信号，尚未见到 对应的重构方法。
[0007] 申请号为201410590027. 0的中国专利公开了一种低功耗无线体域网的多源生理 信号混合压缩方法，其步骤包括：
[0008] 1)利用无线体域网络中传感器节点对人体采集多种生理信号数据，进行傅里叶变 换，得多维的生理信号的频谱矩阵；
[0009] 2)将多维生理信号的频谱矩阵通过信号混合系统转换成一维串联频谱序列；
[0010] 3)对一维串联生理信号序列进行信号压缩，并进行调制，由发射端传送到接收 端；
[0011] 4)接收端对压缩混合信号进行重构出一维串联生理信号序列，转换为多维并联混 合频谱矩阵；
[0012] 5)对步骤4)多维并联混合频谱矩阵进行傅里叶逆变换，得到原始生理信号。
[0013] 该方案的不足之处在于，在数据压缩与重构过程中，没有充分利用生理信号的时 空（spatia^temporal)相关性特征先验知识，导致重构的精度无法进一步提高。
[0014] 申请号为201010240324. 4的中国专利公开了一种块稀疏度未知的稀疏信号压缩 感知重构方法，该方法通过初始化块稀疏度k，对每一个块稀疏信号的迭代，找到信号支撑 集的一个子集，随着不断迭代，块稀疏度随之增加，最后找到整个源信号X的支撑集，从而 达到重构源信号X的目的。该方案的不足之处在于，仅考虑了一维信号的块稀疏结构，即时 间（spatial)相关性，而没有考虑f目号在空间（temporal)上的相关性，且没有考虑多个传 感器源间的时空（spatia^temporal)相关性特征。
【发明内容】
[0015] 为了解决上述技术问题，本发明提供了一种具备时空相关特征的躯体传感网信号 重构方法，其可W解决现有压缩感知重构方法无法充分利用躯体传感网中多个传感器节点 信号间时空相关特征先验知识，从而导致重构精度不高的问题。
[0016] 为了达到上述目的，本发明的技术方案如下：
[0017] 具备时空相关特征的躯体传感网信号重构方法，其包括W下步骤：
[001引（1)假设躯体传感网中多个传感器采集的原始数据为Xe区随机测量矩阵 为藝G及'V'y(A/ <A'），压缩后的数据为Y居驳乂>￡，噪声数据为ye肢化'￡，即；
[0019] Y=巫X+V;
[0020] 其中，L为躯体传感网中传感器的个数，N为每个传感器采集的原始数据长度；M为 压缩后的数据长度；
[0021] (2)假设躯体传感网中多个传感器间存在同步性，用JSM-2型联合稀疏模型表示， 即X可W分块表示为：
[0022]
[002引其中，臣令^是X的第i个分块，且满足
每一个分块X山.均具备 时空相关特征，即Xw.的每一列中的元素是时间相关的，
[0024]而X山.中
[00巧]的每一行是空间相关的；
[0026] (3)任意选择一个传感器源利用单一测量向量信号重构方 法从压缩后的数据中恢复出原始信号。
[0027] 作为优选的方案，上述的步骤（3)采用分块稀疏贝叶斯学习与GroupLasso混合 方法，包括W下步骤：
[0028]1)假设每个分块!；^.程段4''^均满足高斯分布；
[0029]
[0030] 其中，丫i为一个非负的参数，控制着X的稀疏度。当丫 1=0时，表示第i个分块 Xi为零；B, '为一个正定矩阵，表征第i个分块的相关信息；
[0031] 2)假设各个分块间相互独立，则X的先验分布
[0032]
[003引其中，E0= diag{ 丫iBi，L，丫 品};
[0034]如假设噪声也满足高斯分布；乂'诉糾).其中，A为一个正标量；
[00巧]4)由步骤1)-3)可得，X的后验分布可表示为；
[0036]
[003引 W所有的参数权.BJti被估计出来后，X的最大后验估计；直接通过X的后 验分布的均值计算出来，即；
[0040] 6)参数太由第二类最大似然估计获得，即等效于计算W下损失函数的 最小值：
[0041]
[00化I其中，?会护知表示所有的待估计参数；
[0043] 7)利用对偶原理，将步骤6)中的损失函数优化问题转化为下列的迭代优化问题：
[0044]
[004引其中，
计算出的x(w)，将用来更新丫济聲;， 从而反过来在下一次迭代中计算xA+sl;
[0046] 8)令
贝Ij 步骤7)中的迭代优化问题可W转化为标准的GroupLasso问题：
[0047]
[0048] 9)在每次迭代过程中，参数A的估计由GroupLasso算法自动确定；
[004引 10)参数丫斯更新可W通过W下方式完成：
[0050] 11)参数町的更新规则如下：
[0051]
[005引其中，
K知分别为第i个分块的主对角线和次 对角线的元素平均值。
[0053] 作为优选的方案，计算出的信号稀疏先验信息应用于剩余的（L-1)个传感器源的 信号重构中，直接采用最小二乘法恢复出原始信号，包括W下步骤：
[0054] 1)假设计算出的信号稀疏先验信息为
[00 巧]
[0056] 其中，的取值为0或1，1表示对应的分块非零，0表示对应的分块为零；
[0057] 。假设S中有k& <g)个非零分块，对于剩余的a-1)个传感器源中的任意一 个，将随机测量矩阵〇中与S中k个非零分块对应的列抽取出来，形成新的随机测量矩阵 巧E辰'技则满足牛V,.其中，yeR乂d为第i个传感器源压缩后的数据； E化f'j为恢复出的第i个传感器源非零分块的信号；
[00则扣利用最小二乘法，可W解析出斬
[0059]
[0060] 4)将聋按照S中k个非零分块的位置与其余（g-k)个零分块元素进行拼接，恢复 出第i个传感器源的原始信号Xi。
[0061] 由于采用了上述的技术方案，本发明可W充分利用躯体传感网中多个传感器节点 间信号的时空（spatia^temporal)相关特征先验知识，W非常高的精度恢复出原始信号， 同时可W降低躯体传感网中各个无线传感器节点的传输功耗，特别适用于需要实时连续采 集的应用场景。
【附图说明】
[0062] 图1为本发明的具备时空相关特征的躯体传感网信号重构方法的流程图。
[0063] 图2为本发明的具备时空相关特征的躯体传感网信号重构方法中所设及的未知 信号稀疏先验结构的信号重构方法的流程图。
[0064] 图3为本发明的具备时空相关特征的躯体传感网信号重构方法中所设及的已知 信号稀疏先验结构的信号重构方法的流程图。
[0065]图4为本发明的具备时空相关特征的躯体传感网信号重构方法中所设及的含有 两个=轴加速度传感器的躯体传感网的佩戴示意图。
[0066]图5为本发明的具备时空相关特征的躯体传感网信号重构方法中所设及的躯体 传感网采集的原始数据图。
[0067]图6为本发明的具备时空相关特征的躯体