一种低功耗无线体域网的多源生理信号混合压缩方法
【技术领域】
[0001] 本发明涉及的是一种无线通信技术领域的方法，具体是一种基于数据融合和压缩 感知的低功耗无线体域网的多源生理信号混合压缩方法。
【背景技术】
[0002] 无线体域网（WirelessBodyAreaNetwork,WBAN)是一种以人体为中心的短距离 无线通信网络，作为无线传感网络的分支和物联网的重要组成部分，WBAN成为个人生理信 息采集与传输的重要技术手段之一。
[0003]目前的无线体域网呈现出如下特点：网络规模小，传感器节点数量少；能量高度 受限；网络节点被放置于人体的固定位置，人体的运动会造成遮挡影响通信；人体组织结 构的特异性和阴影效应造成信号传输过程中极大的路径损耗。针对超短距离感知网络协 议标准IEEE802. 15. 6于2012年3月正式出台，WBAN在毫瓦级网络能耗、互操作性、系统设 备、安全性、传感器验证、数据一致性等方面面临一系列的挑战。在超短距离感知网络协议 标准IEEE802. 15. 6标准下，由于无线体域网长时间不间断地采集身体的生理信息信号（如 体温、血糖、血氧和心电信号等）、人体活动或动作信息以及人体所在环境信息，要求可穿戴 式传感器或可植入式传感器的体积小、质量轻，每个传感器节点所携带的能量极其有限，植 入到人体内的传感器节点不能更换电池，因此降低无线体域网的功量消耗尤其重要。
[0004] 随着无线体域网信号处理技术的不断发展，压缩感知理论的提出，使得能量和信 息容量极其有限的WBAN传感器节点对所采集的信号进行压缩成为可能。传统的奈奎斯特 采样定理指出，当信号的采样频率大于或等于两倍信号带宽时，才能精确恢复出原始信号， 即其对存储空间的要求很高，显然不适用于WBAN传感器节点。压缩感知突破了奈奎斯特采 样定理的限制，该理论指出：对可压缩或可稀疏的信号可通过远低于奈奎斯特要求的方式 进行数据采样，而且仍能够精确地恢复出原始信号。在压缩感知理论的引导下，将其与WBAN 相结合，在WBAN传感器节点上对生理参数信号等信息边采集边压缩，从而降低无线通信数 据量。
[0005] 经过现有技术文献的检索发现，Z.Zhang等人在IEEETransactions上发表 的"CompressedSensingofEEGforWirelessTelemonitoringwithLowEnergy ConsumptionandInexpensiveHarware"和"CompressedSensingforEnergy-Efficient WirelessTelemonitoringofNoninvasiveFetalECGviaBlockSparseBayesian"中提 出了利用块稀疏贝叶斯训练法对脑电信号和心电信号进行压缩以降低所传输的数据量， 从而降低功耗。但是，这些文献中仅仅针对单一的生理信号进行压缩处理，而在无线体域网 中需要对多种不同的生理信号进行压缩处理，如果按照已有的方法将需要多次利用压缩感 知，使得运算复杂度增加，以致于增加节点的能量消耗，与降低节点功耗的意愿相矛盾。
【发明内容】
[0006] 本发明的目的在于克服上述现有技术的不足，提出了一种低功耗无线体域网的多 源生理信号混合压缩方法，该方法利用一次压缩感知对混合频谱进行压缩处理，不仅能够 降低运算复杂度，减少传输生理信号的数据量，还能降低网络中无线通信的功耗，延长无线 体域网的生存周期。
[0007] 本发明是通过以下技术方案实现的，
[0008] 一种低功耗无线体域网的多源生理信号混合压缩方法，其具体步骤如下：
[0009] (1)、利用无线体域网中的传感器节点对人体采集，得到不同的生理信号数据，将 不同生理信号数据进行傅里叶变换，得到多维的生理信号的频谱矩阵，记为S(k);
[0010] (2)、将步骤（1)获得多维的生理信号的频谱矩阵S(k)通过信号混合系统得到 多维生理信号的线性混合频谱矩阵，记为X(k)，再将多维生理信号的线性混合频谱矩阵 (x(k))转换成一维串联频谱序列X% ;
[0011] (3)、利用压缩感知对一维串联生理信号序列X%进行信号压缩，得到的串联压缩 混合信号y，然后对串联压缩信号y进行调制，通过无线通信的方式，将调制后的串联压缩 混合信号由发射端传送到接收端；
[0012] (4)、接收端通过无线通信的方式接收到的串联压缩混合信号y，然后对串联压缩 混合信号y进行解调，再利用块稀疏贝叶斯训练算法对解调后的串联压缩混合信号y进行 重构，重构出一维串联生理信号序列x%，再将一维串联生理信号序列串并转换为多维生理 信号的线性混合频谱矩阵（X(k));
[0013] (5)、对步骤⑷所述的多维生理信号的线性混合频谱矩阵（X(k))进行估计，得到 原始生理信号的频谱矩阵。
[0014] 上述步骤（1)中所述的将不同生理信号数据进行傅里叶变换，得到多维的生理信 号的频谱矩阵，记为S(k)，其计算式为：
[0015] S(k) = [s^k)s2(k)LsN(k) ]T,k= 1, 2, 3, ???,K(1)
[0016] 式（1)中，sN(k)为第N种生理信号的频谱，K为生理信号样本种数，k为生理信号 维数，T表示转置。
[0017] 上述步骤（2)所述的将步骤（1)获得的多维的生理信号的频谱矩阵（S(k))通过 信号混合系统得到多维生理信号的线性混合频谱矩阵，记为X(k)，再将多维生理信号的线 性混合频谱矩阵（X(k))转换成一维频谱序列x%，其具体步骤如下：
[0018] (2-1)、将步骤（1)获得的多维的生理信号的频谱矩阵（S(k))通过信号混合系统 得到多维生理信号的线性混合频谱矩阵，记为X(k)，其表达式为：
[0019] X(k) =AS(k)+n(k)，k= 1，2, 3,L，K(2)
[0020] 式（2)中，A为MXN维的生理信号的混合频谱矩阵，且M<N，S(k)为多维生理信 号的线性混合频谱矩阵，X(k) = [xjk)x2(k)LxM(k)]T，其中，n(k)为高斯白噪声，xM(k) 为混合频谱矩阵的第M维信号的第K个值，T表示转置；
[0021] (2-2)、对将多维生理信号的线性混合频谱矩阵（X(k))进行并串转换，转换为一 维串联生理信号频谱信号序列，记为x%，其表达式为：
[0022] x%=[x^DL