一种基于决策树模型的无线体域网多网共存状态预测方法与流程

本发明涉及无线通信技术领域，是一种在无线体域网中通过机器学习中的决策树模型来预测多网共存状态的方法。该方法主要用于解决多个无线体域网的共存问题，对网络共存状态的预测具有较高的准确率和时效性，能够确保共存问题可以被及时检测。

背景技术：

无线体域网是一种以人体为中心，由各种置于人体体内、体表或布置在人体周围的无线传感器节点组成的可穿戴式无线网络，其节点具有低功耗、小型化、智能化等特征。无线体域网被设计为可以工作于以2.45ghz为中心的免授权的工业、科学与医学频段上，这是一个非常拥挤的频段，包括wifi(ieee802.11)、蓝牙(ieee802.15.1)、zigbee(ieee802.15.4)等标准都工作于上。基于ieee802.15.6标准，单一无线体域网中的节点可以通过复用技术来避免干扰，如时分复用等，因此网内干扰一般不是重点考虑的问题。但由于受限的带宽和无线体域网的移动性，一个体域网会在它的通信范围内遭遇另一个体域网，而多个网络在同一时刻使用相同信道会产生网间干扰，并导致接收信号强度的下降和误包率的升高，进一步使得数据重传和时延增加，同时降低信道利用率，这就是所谓的共存问题。共存问题会导致共存网络的通信性能下降，信号得不到有效传输。因此需要一种能够可靠预测共存状态的方法来确保共存问题可以被及时检测到，这样后续就可以通过采取合适的措施快速处理问题。

目前，共存问题在lte、wifi、无线传感器网络等其它无线传输技术的研究已经得到学术界的广泛关注并取得了巨大的进步。但是，由于无线体域网所处环境复杂，网络节点密集，有较高的移动性，且一般为分布式独立工作，难于管理，因此如何解决无线体域网的多网共存问题还有待于深入研究。

在无线局域网中，有文献提出一种信息传输之前在物理层检测干扰的机制，但它不适用于有低功耗要求的无线体域网。有文献使用信干噪比来检测干扰，然而因为无线环境随着人体的移动和姿态的改变频繁变换，对信干噪比的即时评估并不准确。有文献提出在物理层和mac层通过接收信号强度和误包率来检测干扰，但基于单一测量值预测共存状态是不可靠的。有文献认为无线体域网的社会性和高移动性不允许通过一个全局协调器来控制多个无线体域网，因此对于网内和网间干扰应选择不同的方法进行管理；还有文献测量了无线体域网多网环境下的性能衰减，或者研究了干扰与网络之间距离的关系，但以上研究都没有提出有效的共存问题检测或预测方法。

有研究提出了一种新颖的基于机器学习的方法，它将干扰持续时间tsinr、收包率和前一状态输入到朴素贝叶斯分类器来预测共存状态，其中tsinr表示信干噪比不高于阈值sinrth的持续时间。这种方法带来了新的思路但却并不完善，因为它所使用的tsinr的两个判断阈值时间太长，分别为3s和19s。无线体域网在处理医疗数据的时候要求有严格的时效性和可靠性，紧急情况应在不超过1s的时间内得到处理，过长的预测时间会导致干扰处理不及时，信息发送受到影响，进一步可能危及生命安全。

技术实现要素：

本发明提出了一种基于决策树模型的无线体域网多网共存状态预测方法，旨在保证共存问题可以被及时检测，后续可以通过快速选择合适的干扰消除或缓解机制对共存问题带来的网间干扰进行处理。其主要思想是采用监督学习中的决策树模型，利用可以反映人体移动和干扰强度的误包率(packeterrorrate，per)及从100个连续采样信干噪比中提取的信干噪比平方和(sinrsquareintegral，ssi)和能级变换(levelchange，lc)三个特征来训练模型和预测，其中模型所用的数据来自于佩戴在人体头部的传感器节点，因为通过实验证明头部传感器节点产生的数据最适合模型的训练和共存状态的预测。下面将通过方法的设计目标、决策树模型、特征提取以及预测算法几个部分对本发明进行介绍。

(1)设计目标

为了对无线体域网多网共存情况的描述更加清晰且有利于共存问题的研究，本发明参考ieee802.15.6标准给出的三个移动等级，重新定义了如图1所示的多网共存状态，其描述如下所示：

●空态(none，n)表示无干扰。

●静态(static，s)表示持续受到干扰导致持续高误包率和低信干噪比。

●半动态(semi-dynamic，sd)表示间断受到干扰导致误包率和信干噪比连续波动。

●动态(dynamic，d)表示暂时受到干扰导致瞬间高误包率和低信干噪比。

状态定义的具体数值会在后面进一步定量给出。本发明的设计目标就是找到对这四种共存状态预测准确率最高的模型。

(2)决策树模型

决策树是一种非常流行的使用自上而下处理结构的分类和预测模型。决策树具有树状结构，它采用分级的形式，每一级都细化一次分类结果，逐步解决分类问题。创建决策树的关键是在每个结点上如何选择特征对样本做拆分以使效果达到最优。目前常用的决策树生成经典算法有id3、c4.5和cart等。

本发明采用c4.5算法，它在每次选择划分特征时使用信息增益率来作为评价标准。设当前样本集d中第k类样本所占的比例为pk(k＝1,2,...,|y|)，那么d的信息熵定义如公式(1)所示：

ent(d)的值越小，则d的纯度越高。

假定特征a的v个可能取值为{a¹,a²,...,a^v}，如果通过a来对样本集d进行划分，就会产生v个分支结点，其中第v个分支结点包含了d中所有取值为a^v的样本，记为d^v。因为不同分支结点所包含的样本数不同，为使样本数越多的分支结点影响越大，给分支结点赋予权重|d^v|/|d|。然后特征a对样本集d进行划分所获得的信息增益可用公式(2)计算：

通常来说，特征a的信息增益越大就意味着使用它进行划分时准确率的提升越大，这就是id3算法。但是，id3算法存在一个问题，即偏向于选择取值较多的特征，而为减少这种偏好可能带来的不利影响，c4.5算法使用信息增益率对这一问题进行校正。信息增益率定义如公式(3)所示：

其中式(4)

称为属性a的“固有值”。

c4.5算法使用了一种启发式方法，而不是直接选择信息增益率最大的候选特征进行划分。它先从候选特征中找出信息增益高于平均水平的部分，再从中选择信息增益率最高的一个。因此，信息增益率可成为决策树划分特征选择的依据，即根据公式(5)选择特征：

生成一棵决策树是一个递归进行的过程，生成终止即递归返回可以由三种情况导致。第一种是如果当前结点仅有单一输出类别时则可以停止；第二种是如果当前结点根据特征无法划分时则将结点类别设为所含最多的一个并停止；第三种是如果当前结点样本为空时则将结点类别设为父结点所含最多的一个并停止。

(3)特征提取

无线体域网的共存状态实际上是随着人体的相对移动而改变的。为了对共存状态预测系统建模，需要从信干噪比中提取出一系列反应人体相对移动的特征。本发明通过稳定性选择方法进行特征筛选，并做了实验验证，事实证明最适合作为模型输入的有三个特征，依次为平均per、ssi和lc。其中，平均per可以在网络通信的过程中直接测得，它是100个连续误包率的平均值，反映了通信的稳定性；ssi和lc可以通过100个连续采样信干噪比提取出，分别反映了连续信干噪比的整体绝对水平和波动快慢，它们的计算公式如(6-7)所示：

其中，xn为信干噪比的第n个样本值,n是用来计算特征值的连续信干噪比数量。

(4)下文是本发明提出的共存状态预测算法流程，按步骤详细介绍它的工作过程：

步骤1：利用实验所得的训练数据生成决策树模型。

步骤2：从头部传感器节点连续采样100个误包率和信干噪比。

步骤3：计算平均per为100个连续采样误包率的平均值，从100个连续采样信干噪比中提取出ssi和lc。

步骤4：将平均per、ssi和lc输入到决策树模型中得到预测结果。

步骤5：返回共存状态，并转到步骤2重复进行预测。

训练决策树模型所使用的的训练数据是通过实验使用cc25302.4ghz低功率收发器产生的。因为头部位置的表现性能最好，所以单个无线体域网的传感器配置如图2所示。

实验通过四种干扰情况来产生四种状态的数据：(1)在无干扰的情况下测量空态；(2)在数个干扰节点固定在大约0.5m至1.5m远的情况下测量静态；(3)在干扰节点以0.5m/s的慢速来回移动中测量半动态；(4)在干扰节点以1.5m/s的快速经过中测量动态。每种情况进行30s。协调器节点将从来自传感器节点的接收信号强度(receivedsignalstrength，rss)和来自干扰节点的接收干扰信号强度(receivedinterferencesignalstrength，ris)，以及周围的噪声功率中计算出信干噪比，计算公式如(8)所示：

带有标记的数据以7∶3分成训练数据和测试数据，训练数据用于训练决策树模型，而测试数据用于评估模型的预测准确率。准确率的定义如式(9)所示：

本发明所提出的方法对无线体域网的多网共存状态具有较高的预测准确率，通过实验显示可以达到96.67％。最终根据生成的决策树模型重新定量定义共存状态如下，考虑到决策树的分支特性和拟合程度，它们之间会有重叠。

●空态(n)：平均per小于0.05％，100个连续采样信干噪比的ssi大于122528，lc小于330。

●静态(s)：平均per大于36.38％，100个连续采样信干噪比的ssi大于16638，lc小于459。

●半动态(sd)：平均per在10.37％到38.27％之间，100个连续采样信干噪比的ssi在825到32512之间，lc在272到519之间。

●动态(d)：平均per在0.05％到28.54％之间，100个连续采样信干噪比的ssi小于11391，lc大于325。

附图说明

图1无线体域网多网共存状态示意图。

图2单个无线体域网配置示意图。

图3仿真场景示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例：

本实施例是基于图3所示的仿真场景进行说明。本次仿真是在一个15m×15m的区域当中，里面共存在着16个无线体域网。除了区域r5，其它四个都是5m×5m的室内区域。其中，低干扰区域r1和r3分别有2个无线体域网和1个无线体域网，高干扰区域r2和r4分别有5个无线体域网和6个无线体域网，而最大的区域r5只有一个无线体域网，因此经过这里时可能没有干扰也可能会有低干扰。为了让仿真环境更加接近现实，这些干扰源都以不超过1m/s的随机速度和随机方向进行移动。同时，为了展现本发明所提方法的性能，无线体域网m-wban从白色小人位置开始，分别以0.5m/s、1.0m/s、1.5m/s和2.0m/s的速度沿路径移动5分钟。

本发明所设计的方法被应用在m-wban的协调器节点中，当m-wban移动时，协调器节点会收集与头部传感器节点通信所产生的误包率和信干噪比的数据。传感器节点的发送功率为0dbm，且会以10ms间隔向协调器节点发送16字节的数据包，协调器节点每经过1s，便会从100个连续采样误包率和信干噪比中提取特征，然后输入进决策树模型中，以预测所处的共存状态。

表1展示了仿真中本发明生成的决策树模型在不同移动速度下的预测准确率。因为仿真环境和实验环境有很大不同，仿真环境更加理想化，因此仿真结果的准确率比在实验环境下有所降低，但都高于80％，依然说明本发明设计的方法具有良好的表现性能。

表1方法在不同移动速度下的预测准确率

从表1可以看出，该预测方法的准确率随着移动速度提高而有所提升，说明低干扰状态比高干扰状态更容易检测出来。另外，该方法在每轮预测只需要恒定1s的时间，而无线体域网的应用有时需要时间同步，且在处理医疗数据时有严格的时效性要求，紧急情况应在不超过1s的时间内得到处理，过长的预测时间会导致后续干扰处理不及时，信息发送受到影响，进一步可能危及生命安全。因此使用恒定1s的计算时间是一种合适的策略。