一种自适应生理监测与智能调度定位系统及方法

1.本发明涉及生理监测与行人轨迹预测技术领域，尤其涉及一种自适应生理监测与智能调度定位系统及方法。


背景技术：

2.随着无线可穿戴生物传感器的发展，更多的异构无线可穿戴生物传感器被组合使用，以识别和监测人体复杂的生理状态，这些组合被称为低功率和低成本的无线体域网络(wbans)。wbsns有多个应用领域，如医疗保健、军事、娱乐和体育。目前，wbans的应用领域主要健康监测为主。随着对高性能wbans的要求的提升，导致了ieee 802.15.6的诞生，这是一个专门为wbans设计的通信标准。学者们基于ieee802.15.6标准设计了许多具有先进性能的算法和通信协议，以进一步提高wban的网络寿命(nl)和服务质量(qos)。虽然大多数学者将正常和高度异常之间的数据作为一个单独的类别，但是这类数据的规模很大，传统的路由协议容易造成更重要、更有价值的数据的丢失。此外，wban在医疗监测和诊断方面发展迅速，但大多数学者没有考虑在检测到紧急事件时采取相应的应急救援措施。然而，相应的应急救援措施是必要的。因此，我们创新性地利用无线传感器网络(wsn)室内定位技术和深度学习行人轨迹预测技术，设计了一个室内救援模块(irm)。但基于wsn的室内定位方案也存在能量有限且补给困难等问题，而现存延长wsn网络寿命的最常见的方法是睡眠调度，在保证被监测区域覆盖率的情况下使部分冗余节点进入休眠状态，然后通过唤醒算法更新节点状态。然而，该方法有可能会使定位跟踪的精度降低。在定位精度不足的情况下实施救援工作是非常困难的，甚至还有可能错过病人的最佳救援时间。
3.因此，如何提供一种高效能、高智能化、在突发情况能给与病人更及时、更高生命保障、给医护人员提供更加精确救援信息的自适应生理监测与智能调度定位系统apmisps，是本领域技术人员亟待解决的问题。


技术实现要素：

4.为解决现有技术所存在的技术问题，本发明提供一种自适应生理监测与智能调度定位系统及方法，将深度学习目标轨迹预测技术应用于室内救援模块，通过轨迹预测提前对位置跟踪节点进行高性能调度，保证感知跟踪精度的同时，降低了网络能耗，当系统监测到可能危及病人生命的异常生理数据时，救援模块可以实施有效和快速的位置救援以避免风险。
5.本发明系统采用以下技术方案来实现：一种自适应生理监测与智能调度定位系统，包括生理数据监测模块与救援模块，其中：
6.生理数据监测模块通过利用体感网对人体的生理数据进行采集，再通过rm-mac改进协议划分数据的优先等级，最后通过rs算法进行自适应传输；
7.救援模块用于当用户的生理数据异常时利用多源异构室内感知定位及感知节点超前调度技术协助医护人员高效定位患者，使患者得到及时的救援的同时节省室内异构感
知定位网络的能耗。
8.本发明方法采用以下技术方案来实现：一种自适应生理监测与智能调度定位方法，包括以下步骤：
9.s1、利用体感网对人体的生理数据进行采集，若采集数据的数据类型为11，则进入救援模块，体感网进入持续感知状态，并给用户分配独立的通信信道；否则进入步骤s2；
10.s2、若采集数据的数据类型为10，则直接将采集数据传输到汇聚节点；否则进入步骤s3；
11.s3、若采集数据的数据类型为01，则进行初步判断监测数据的优先等级，体感网向汇聚节点发送传输请求，获取所有相邻节点的信息，汇聚节点采用rs算法计算其相邻节点的rs值，再选择具有最大rs值的节点作为其转发中继节点，中继节点将数据传输到汇聚节点；
12.s4、若汇聚节点检查自身剩余能量低于设定的阈值，则结束工作，否则进入下一个感知周期。
13.本发明与现有技术相比，具有如下优点和有益效果：
14.1、本发明通过利用rm-mac改进协议将基于室内定位的紧急救援功能纳入到传统的生理监测系统中，通过利用rs算法，根据生理数据的重要性来选择合适的中继转发，从而保证更重要的监测数据的优先传输。
15.2、本发明将深度学习目标轨迹预测技术应用于室内救援模块，通过轨迹预测提前对位置跟踪节点进行高性能调度，保证感知跟踪精度的同时，降低了网络能耗，当系统监测到可能危及病人生命的异常生理数据时，救援模块可以实施有效和快速的位置救援以避免风险。
附图说明
16.图1是本发明系统方框图；
17.图2是本发明rm-mac改进协议框架结构图；
18.图3是本发明基于轨迹预测的节点预调度示意图；
19.图4为irm模块的框架示意图；
20.图5(a)为协议算法的网络寿命比较示意图；
21.图5(b)为协议算法的数据传输时延比较示意图；
22.图5(c)为协议算法的网络吞吐量比较示意图；
23.图6(a)为基于优先级的rs算法网络寿命性能比较示意图；
24.图6(b)为基于优先级的rs算法数据传输时延性能比较示意图；
25.图6(c)为基于优先级的rs算法数据网络吞吐量性能比较示意图；
26.图7(a)为协议算法在不同节点密度下网络寿命对比示意图；
27.图7(b)为协议算法在不同节点密度下数据传输时延对比示意图；
28.图7(c)为协议算法在不同节点密度下吞吐量对比示意图；
29.图8(a)为eth数据集的传感节点的预测调度情况示意图；
30.图8(b)为hotel数据集的传感节点的预测调度情况示意图；
31.图8(c)为zara1数据集的传感节点的预测调度情况示意图；
32.图8(d)为zara2数据集的传感节点的预测调度情况示意图；
33.图8(e)为univ数据集的传感节点的预测调度情况示意图；
34.图9为无线传感节点超前调度性能总结示意图；
35.图10为本发明的方法流程图。
具体实施方式
36.下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
37.实施例
38.如图1所示，本实施例一种自适应生理监测与智能调度定位系统，包括生理数据监测模块与救援模块，其中：
39.生理数据监测模块通过利用体感网对人体的生理数据进行采集，再通过rm-mac改进协议划分数据的优先等级，最后通过rs算法进行自适应传输；
40.救援模块用于当用户的生理数据异常甚至危及生命时利用多源异构室内感知定位及感知节点超前调度技术协助医护人员高效定位患者，使患者得到及时的救援的同时节省室内异构感知定位网络的能耗。
41.具体地，本实施例中，rm-mac改进协议是在rm-mac协议的基础上进行改进的协议，通过在mac协议的超帧结构中增加救援类型数据包，将室内定位救援功能融入到生理监测系统中；
42.rs算法是专门为rm-mac改进协议设计的中继节点选择算法，该算法用于根据数据的优先等级自适应地选择合适的数据转发中继节点。
43.感知节点超前调度技术是利用现有的深度学习行人轨迹预测技术对行人的轨迹进行预测，然后利用预测的轨迹与自适应调度半径acr相结合对传感节点进行提前调度；
44.自适应调度半径acr是通过概率分析技术对预测轨迹与真实轨迹的误差进行分析获取的置信区间的大小与实现预测轨迹坐标定位所需的最小距离之和；
45.生理数据监测模块与救援模块所涉及的所有技术与算法都在生理监测中进行信息交互与运作。
46.本实施例中，生理数据监测模块是通过由多种可穿戴式无线生物传感器组成的wbans、rm-mac改进协议及rs算法组成。
47.研究表明，mac协议在提高网络信息传输的可靠性和能源效率方面具有重要作用。mac帧由帧头、帧体和帧检验序列fcs组成。mac帧头由四个字段组成，第一个字段是控制字段，由四个8位字节组成。modified-mac(m-mac)是mac协议的改进版，在mac帧头中增加了一个数据类型字段，而帧头长度保持不变。rm-mac的数据类型扩展为四类，如图2所示，即正常数据nd、高正常数据hd、关键数据cd和救援数据rd，并进一步细化了hd包的优先级，以降低高价值数据的丢失率。不同优先等级的数据会采用不同的传输方式，rd数据采用独立通道传输，cd数据则采用直接传输到汇点节点的方式，hd数据以多跳方式传输，nd数据则不传输。具体地，数据的表达和发送方法如表1所示：
48.表1
49.数据类型二进制表达形式发送方式
正常00不发送异常01使用rs严重10直接发送救援11独立信道
50.然而，对数据进行分类发送仍存在不足，在多跳传输中更重要的hd数据包可能因为超过有效期而在传输过程中被丢弃。很多研究中对数据优先级的标注也不明确，同类型数据包的重要性也不同，保证重要性高的数据(异常度高的hd数据)的传输对疾病预防和诊断更有利。此外，系统寿命和监测性能是两个相互冲突的因素。减少能源消耗会影响监测性能，而确保高监测性能则需要更多的能源消耗。rs算法能根据实际情况保障重要性更高的数据的发送，平衡系统寿命和监控性能，提高系统生理监测的智能化程度。具体地，rs算法定义如下：
[0051][0052]
其中，ei是中继节点的剩余能量，li是中继节点的实时负载，α是一个常数因素，k是类似数据的优先级，di是中继节点的实时传输延迟。
[0053]
如图4所示，本实施例中，救援模块是由wsn室内定位跟踪模块、行人轨迹预测网络模块和自适应调度半径acr计算模块组成。wsn室内定位跟踪模块通过采集目标的一段轨迹，然后输入已经训练好的行人轨迹预测网络模块，通过自适应调度半径acr计算模块根据预测轨迹对周边节点进行超前调度。
[0054]
wsn室内定位跟踪技术已经发展得相当成熟，所以救援模块研究的重点不是跟踪方案，而是跟踪节点的调度方法。在救援模块中，通过引用稀疏图卷积网络sgcn作为行人轨迹预测的网络框架。与现有的基于视觉的行人轨迹预测网络不同，救援模块的预测网络可以将无线传感节点采集的轨迹作为输入。与基于视觉的方法相比，该方法的全局性会更高。
[0055]
在轨迹预测的过程，误差会随着预测长度的增加而增加。稀疏图卷积网络sgcn输出的预测轨迹被传送到误差分析模块，以获得每个预测坐标所在误差置信区间的大小，使自适应调度半径acr计算模块能根据预测步长自适应地调整节点预调度范围。预调度范围即以预测坐标为圆心，激活自适应调度半径acr内的所有休眠节点，这些节点的集合被称为预调度集ps。行人的实际坐标也对应着一组要调度的节点，这些节点的集合被称为实际调度集as。为了更清楚地显示基于acr节点的调度方法的性能，通过定义两个指标，一个是调度精度sa，另一个是半径比rr。调度精度sa是成功调度的数量n与调度总数tn之间的比率，当则这种预调度是成功的，半径比是与自适应调度半径acr的比率。具体地，自适应调度半径acr计算的定义如下：
[0056][0057]
其中，set是实际坐标和预测坐标之间的误差集合，sort是排序函数，是置信区间大小求解函，即计算置信区间的上下限的差值，显著水平α＝0.05；d
min
是成功定位预测坐标的最短距离。irm采用经典的三点定位算法，所以d
min
＝max(dis(n[n1,n2,n3]))，如图3所示。上式中n是成功定位预测坐标所需的调度节点集，函数dis为计算预测坐标与节点之间的距离。
[0058]
本发明的实验分为生理监测数据处理实验与无线传感节点调度实验两个部分，生理监测数据处理实验主要是对通信协议的性能进行对比，无线传感节点调度实验主要是对节点的调度效果进行评估。
[0059]
1、生理监测数据处理；
[0060]
对lbee、weq、simple和rs在最节能模式下的综合性能进行了比较，如图5(a)所示，rs和lbee算法的网络寿命最长，weq算法最短。这是因为weq算法倾向于选择离汇聚节点较近的节点来转发数据，导致这些节点的能量迅速耗尽和死亡。如图5(b)所示，rs、lbee和weq算法的传输延迟相差不大，但simple算法的数据传输延迟远远高于其他三种算法，因为simple算法在选择下一跳路由节点时没有考虑节点的转发延迟。如图5(c)所示，rs算法的吞吐量最高，rs和lbee算法的吞吐量远远高于weq和simple算法。在所有对比算法中，rs算法的综合性能最高。
[0061]
数据传输延迟和吞吐量是qos的重要参数，如图6所示，rs性能与不同优先级(k)的数据响应的影响。如图6(a)所示，当为k值较大的数据提供较低的传输延迟时，网络的能量被集中损耗，导致网络寿命下降28.33％。然而，图6(b)和图6(c)显示，随着网络寿命的减少，数据传输延迟减少了30.77％，吞吐量提高了14.94％。数据传输延迟和吞吐量的增长率是最高的阶段，分别达到26.25％和15.85％。
[0062]
网络结构兼容性也是考虑网络运行性能的一个重要标准，图7显示了rs、lbee、weq和simple算法在不同节点密度下的性能。如图7(a)所示，尽管网络节点密度增加，rs和lbee算法保持最高和最稳定的网络寿命，其次是simple算法，而weq算法的网络寿命最短。如图7(b)所示，在不同的节点密度下，simple的传输延迟是最高的，weq的数据传输延迟变化比较稳定，保持在一个较低的水平，而rs和lbee算法的数据传输延迟随着节点密度的增加而急剧下降。当x＝30时，rs算法的延迟是最低的。如图7(c)所示，weq和simple算法的吞吐量保持稳定，而rs和lbee算法的吞吐量随着节点密度的增加而增加。其中，rs的增长率最高。图7(a)、(b)和(c)的分析表明，rs算法保持了稳定的网络寿命，减少了约60％的传输延迟，并随着网络节点密度的增加，网络吞吐量增加了640％。它比lbee算法更灵活，因为数据包可以自适应地选择一个更合适的发送路径。此外，rs算法更适合应用于高节点密度的网络，这一特点完全符合wbans的网络复杂性和高性能的趋势。具体地，生理监测模块对比算法的详细性能比较如表2所示：
[0063]
表2
[0064][0065]
2、无线传感节点调度实验；
[0066]
为了验证所提出的方法的有效性，首先使用了两个公共行人轨迹数据集来训练sccn网络，即eth和ucy，它们是最广泛使用的轨迹基准。我们忽略了eth和ucy采集时的实际环境，将这些轨迹放在一个无障碍的平面空间上，无线传感节点均匀地分布在这些平面上。如图8(a)、图8(b)、图8(c)、图8(d)、图(e)所示，五个不同数据集的传感节点的预测调度情况，图中均匀分布的实心点表示传感节点，除了被圆形覆盖的范围和用于转发数据的节点
处于活动状态外，其他节点均处于休眠状态，其他节点均正常工作。此外，图中用于轨迹预测的输入轨迹也被忽略了，小圆覆盖的范围表示理想状态下的调度范围。图中的小圆覆盖的范围表示定位真实坐标所需的最小节点覆盖范围，大圆覆盖的范围表示预先调度节点的覆盖范围。轨迹预测的误差会随着预测轨迹长度的增加而累积，所以提前调度的范围也会扩大。传感节点的提前调度范围与目标轨迹的预测质量有关，预测轨迹的误差越小，提前调度范围越小，网络的能量效率越高。五个数据集的预先调度结果表明，即使轨迹预测的精度不够高，自适应置信度调度半径也能较好地实现节点的预先调度。图中eth和zara1轨迹段的预调度效果最好，zara2的预调度效果略显不足，但根据预调度节点的覆盖情况，可以判断预调度仍能实现真实坐标的定位。此外，预调度的范围与被监测的空间传感节点的密度有关。如图9所示为eth、hotel、nuiv、zara1、zara2这五个数据集的sa以及rr。五个数据集的sa值都超过90％，而且比较平稳，但rr值不高，在0.4和0.6之间，这显然与轨迹预测的质量有关。因此，为了实现更准确的传感节点预调度，提高轨迹预测的准确性和稳定性是一个关键的突破口。
[0067]
基于相同的发明人构思，本实施例一种自适应生理监测与智能调度定位方法，包括以下步骤：
[0068]
s1、利用体感网对人体的生理数据进行采集，若采集数据的数据类型为11，则进入救援模块，体感网进入持续感知状态，并给用户分配独立的通信信道；否则进入步骤s2；
[0069]
s2、若采集数据的数据类型为10，则直接将采集数据传输到汇聚节点；否则进入步骤s3；
[0070]
s3、若采集数据的数据类型为01，则进行初步判断监测数据的优先等级，优先等级由高到低排列为11》10》01》00，体感网向汇聚节点发送传输请求，获取所有相邻节点的信息，汇聚节点采用rs算法计算其相邻节点的rs值，再选择具有最大rs值的节点作为其转发中继节点，中继节点将数据传输到汇聚节点；
[0071]
s4、若汇聚节点检查自身剩余能量低于设定的阈值，即总能量的5％，则结束工作，否则进入下一个感知周期。
[0072]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。