一种基于稀疏表示的体域网节点休眠方法与流程

本发明涉及体域网领域，特别涉及基于稀疏表示的体域网节点休眠方法。

背景技术：

体域网是在人体表或体内安置传感器节点，通过节点采集人体温度、血压、心率、脑电图等各部位的生理数据的网络。随着我国人口老龄化趋势越来越严重，患有心血管疾病越来越多，体域网已被广泛应用于远程医疗诊断、疾病监控和预防、家庭看护等方面。体域网中节点的能耗主要集中在射频模块的发送与接收两个部分，所以减少射频模块的工作时间增加射频模块休眠时间是有效的节能措施。体域网传感节点一般采用电池供电，节点能量也十分受限，尤其对植入人体内部节点，不易频繁更换，因此研究体域网节能方法具有重要的现实意义。

稀疏表示理论已在机器学习、机器视觉和模式识别领域被广泛应用，为基于信号识别提供了理论基础。稀疏表示分类算法主要思想是将模式识别问题转化为信号稀疏表示问题，即在测试样本所属类的训练样本数足够多的情况下，该类测试样本可由所属类训练样本线性组合，无需考虑其他类的样本数据。当线性组合表示系数足够稀疏时，稀疏表示算法对数据特征空间的选取并不敏感，与传统模式识别方法(如最近邻NN、最近子空间NS、支持向量机SVM等)相比，具有较高的识别精度和鲁棒性。随着科技进步，在医疗器械检测中，通过对各类病人的测量统计，建立了各类生理信号数据库，如MIT-BIH是由美国麻省理工学院提供的研究心律失常的数据库，美国加州伯克利大学人体日常行为动作识别数据库WARD(Wearable Action Recognition Database)的人体运动数据库等，使得稀疏表示已在体域网识别等相关领域得到广泛应用，如胃部疾病检测、心电压缩采样、脑电图等。

体域网中节点电池的能量有限，现有的体域网中传感器对数据的测量大多数为正常信号，而这些正常信号是不需要采集信号，对于能量要求严格的体域网来说，对生理信号无区分的采样无疑是一种能量浪费。

技术实现要素：

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于稀疏表示的体域网节点休眠方法，该方法基于稀疏表示算法，使每个节点对所采集的生理信号进行稀释识别，滤除正常信号，使采集正常信号节点立即进入休眠状态，异常信号节点向中心节点发送时隙请求，从而增加节点休眠时间，减少节点收发信号次数，降低体域网能耗。

为实现上述目的，本发明提供一种基于稀疏表示的体域网节点休眠方法，其特征在于，包括如下步骤：

S1、建立节点采集信号类型的过完备字典：确定节点采集的生理信号类型，对节点的采集信号的数据库样本进行正常和病态分类并用编号标记，将训练样本构造成过完备字典D；

S2、求测试样本稀疏表达系数：由节点采集到生理信号y构成测试样本；根据稀疏表示理论y＝Dx，转换求解模型为s.t.||y-Dx||2≤ε；求出系数表达稀疏其中，所述ε为噪声干扰误差项；

S3、判定有效样本：将测试样本y的稀疏系数代入稀疏集中度指标并得到值，比较与阈值τ的大小，判定测试样本是否为有效样本或者为无效样本；若所述测试样本为所述无效样本，则视为病态生理信号发送到中心节点；

其中，所述表示为：所述阈值τ∈[0,1]的大；n是节点样本建立过程中类别总数，i＝1,2,…,n；δi(x)表示中第i个位置的系数；

S4：控制节点休眠状态：计算所述有效样本y的最小残差min ri(y)，确定所述有效样本所属类别；识别所述有效样本的测试信号是否为正常信号，控制节点的休眠状态切换，若所述有效样本的测试信号被检测为正常生理信号，则所述节点进入休眠状态，若所述有效样本的测试信号被检测结果为病态信号，则向中心节点发送时隙请求。

采用上述方案，能够使节点滤除不需要采集的正常信号并使采集正常信号节点进入休眠状态，延长节点休眠时间，实现减少节点收发器工作次数及降低网络数据传输量，降低体域网能耗。

进一步而言，在所述步骤S3中，若所述与阈值τ的大小关系为则判定测试样本为无效样本，若所述与阈值τ的大小关系为则判定测试样本为有效样本。

该改进方案主要针对的技术问题为：一些不在训练样本中异常信号可能无法识别，为防止不在训练样本内的测试信号漏检，在对信号分类之前，采用稀疏集中度指标SCI作为判断标准。将测试样本y的稀疏系数代入中便可以得到它的值，当值过小，则该测试样本横跨的类越多，样本有效性越差，将的样本判定为无效样本。

进一步而言，在所述步骤S4中，提取出所述步骤S3中判定为有效样本的所述测试样本，运用最小残差计算出所述测试样本的所属类别和标号i，并通过所述步骤S1中分类的标号来识别测试样本是病态信号还是正常信号，若为正常信号，节点休眠，若为病态信号，节点发送数据；其中，最小残差目标函数为：min ri(y)＝||y-Dδi(x)||2。

在该改进方案中，根据最小残差目标函数确定测试样本所属类别，确定测试样本的信号属于病态信号或者正常信号，并将正常信号节点休眠，节约能耗；而病态信号则将对应信息发送给中心节点及供远程医务人员分析。

本发明的有益效果是：根据人体生理数据通常处于正常范围内，体域网节点采集的生理信号多为正常信号的现象，通过对已有生理数据库的运用，运用稀疏表示理论识别采集正常生理信号的节点，减少体域网内数据传输量，并将采集正常信号节点转换为休眠状态，从而延长节点休眠时间，降低节点能耗。

附图说明

图1为体域网节点工作状态图。

图2为节点信号稀疏识别图。

图3为本发明所述的基于稀疏表示的体域网节点休眠方法的流程图。

具体实施方式

本发明根据要解决的问题，通过对已有的数据库中生理信号的分类和标记并构建过完备字典，然后通过稀疏表示理论对节点采集的信号进行稀释表示，通过SCI判别非样本数据，通过残差识别对信号进行分类，根据识别结果对节点控制节点休眠状态控制。具体而言，本发明提供一种基于稀疏表示的体域网节点休眠方法，包括如下步骤：

S1、建立节点采集信号类型的过完备字典：确定节点采集的生理信号类型，对节点的采集信号的数据库样本进行正常和病态分类并用编号标记，将训练样本构造成过完备字典D；

S2、求测试样本稀疏表达系数：由节点采集到生理信号y构成测试样本；根据稀疏表示理论y＝Dx，转换求解模型为s.t.||y-Dx||2≤ε；求出系数表达稀疏其中，ε为噪声干扰误差项；

S3、判定有效样本：将测试样本y的稀疏系数代入稀疏集中度指标并得到值，比较与阈值τ的大小，判定测试样本是否为有效样本或者为无效样本；若测试样本为无效样本，则视为病态生理信号发送到中心节点；

其中，表示为：阈值τ∈[0,1]的大；n是节点样本建立过程中类别总数，i＝1,2,…,n；δi(x)表示中第i个位置的系数；

S4：控制节点休眠状态：计算有效样本y的最小残差min ri(y)，确定有效样本所属类别；识别有效样本的测试信号是否为正常信号，控制节点的休眠状态切换，若有效样本的测试信号被检测为正常生理信号，则节点进入休眠状态，若有效样本的测试信号被检测结果为病态信号，则向中心节点发送时隙请求。

下面结合附图和实施例对本发明作进一步说明：

步骤1，建立过完备字典。

体域网内每个节点分布在人体不同位置分别测试不同类型生理数据，如图1，每种类型生理数据都对应有数据库，首先对数据库中每种类型数据中生理数据进行正常和病态分类并标记，假设某个节点测试的生理数据种类包含n种类型，从数据库中选出这n种类型生理信号di，di表示数据库中第i种类别生理数据，每种类别中包含m个训练样本：di＝[ai1,ai2,...,aim],di∈R^m，aim表示第i种类别中第m个训练样本，并将这种类型n种生理信号构造成过完备字典D：

D＝[d1,d2,…,dn],D∈R^m×n(m＜n) (1)

步骤2，求测试样本稀疏表达系数。

由节点采集到的生理信号y构成测试样本，y∈R^m，若y属于第i类生理信号，则y为第i类训试样本线性组合。

y＝xi.1ai.1+xi.2ai.2+…+xi.nai.n (2)

理想的x＝[0,…,0,xi1,xi2,…,xin,0,…,0]^T∈Rn。由建立的过完备字典D和测试样本y，求稀疏表达系数x，即：y＝Dx，其求解模型为：

其中||x||0为x的l0范数，表示x中非零元素个数，但式(3)l0范数求解是一个NP-HARD问题，根据压缩感知理论，在所求稀疏足够稀疏情况下，最小化l0范数可以妆花为l1范数进行求解，故：

式(4)描述是在理想状况下，节点现实检测中往往含有噪声，因此需要加一个误差项，即转换成为l1范数求解，故：

其中ε≥0，表示允许误差。由于(6)是一个凸优化问题，现有很多算法可以进行求解，例如迭代阈值算法，梯度投影稀疏重构算法等，即得到y的稀疏表示系数

步骤3，判别有效样本。

一些不在训练样本中异常信号可能无法识别，为防止不在训练样本内的测试信号漏检，在对信号分类之前，需要采用稀疏集中度指标(SCI,sparsity centration index)作为判断标准:

其中，n是节点样本建立过程中类别总数，i＝1,2,…,n。δi(x)表示中第i个位置的系数。将测试样本y的稀疏系数代入SCI(x)中计算出值，若则表示该测试样本仅用了某一类中一个训练样本表示了测试样本；若则表示该测试样本横跨所有的类，为无效样本。因此在判别过程中设置一个阈值τ∈[0,1]，如果则认为该测试样本为有效样本，有效样本还需在步骤4中进一步对正常和病态信号识别，若则测试样本为无效样本，视为病态生理信号发送到中心节点，如图2，故节点一旦识别为无效样本便向中心节点发送请求时隙，中心节点为节点分配时隙，节点发送数据。

步骤4，控制节点休眠状态切换方式。

由于噪声的影响，的非零元素会散布于很多类间，采用以下残差分类函数进行识别：

min ri(y)＝||y-Dδi(x)||2 (7)

其中i＝1,2,…,n，故identity(y)＝arg min iri(y)，identity(y)表示(7)式中最小残差i的标记号，即为最终分类结果，根据步骤一中每种类型数据正常和病态分类的编号，便可识别测试信号是否为正常信号，如图2，若识别结果为正常生理信号便立即使节点进入休眠状态，若检测结果为病态信号，便向中心节点发送时隙请求。

综上所述，本发明提供了一种基于稀疏表示的体域网节点休眠方法，如图3，首先对已有数据库中样本数据进行正常与病态分类和编号并构建成过完备字典D，然后通过测试样本y和过完备字典D运用稀疏表示理论求出信号稀疏表示系数，先通过SCI识别非训练样本数据，将非训练样本信号视为病态信号并向中心节点请求时隙，发送数据至中心节点，对有效测试样本通过进一步残差计算并识别，将识别结果为正常生理数据的采样节点转换为休眠状态，从而关闭采样正常信号的节点，增加节点休眠时间，将识别结果为病态信号的节点向中心节点发送时隙请求，并发送给中心节点及供远程医务人员分析。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。