基于稀疏表示的體域網節點休眠策略

陳家順+周岳斌+王濤

摘 要： 針對無線體域網（WBAN）節點電池能量有限和不易更換電源的問題，提出一種基于稀釋表示分類算法的節點休眠策略（NSS?SRC）。當WBAN節點采集的人體生理信號處于正常范圍時，采用稀疏表示理論對測試樣本信號進行識別，根據識別結果濾除不需要傳送的正常信號，將WBAN節點轉換為休眠狀態，并延長節點休眠時間，從而減少節點數據傳輸量。通過NS2軟件對節點延時和能耗進行仿真分析，結果表明，在生理信號通常處于穩定范圍的WBAN中，與傳統TDMA，BCMAC相比，NSS?SRC策略能有效降低能耗和延時。

關鍵詞： WBAN； 休眠策略； 稀疏表示； 節能

中圖分類號： TN914?34 文獻標識碼： A 文章編號： 1004?373X（2017）17?0015?05

Body area network node sleep strategy based on sparse representation

CHEN Jiashun1， 3， ZHOU Yuebin2， 3， WANG Tao1

（1. School of Machinery and Automation， Wuhan University of Science and Technology， Wuhan 430081， China；

2. School of Mechanical & Auto Engineering， Hubei University of Arts & Science， Xiangyang 441053， China；

3. The Collaborative Innovation Center of Hubei Province for Auto Parts Manufacturing Equipment Digitization， Xiangyang 441053， China）

Abstract： Since the battery energy of wireless body area network （WBAN） node is limited， and its power supply is hard to replace， a node sleep strategy based on sparse representation classification （NSS?SRC） algorithm is proposed. While the human?body physiological signal collected by WBAN nodes stays in the normal range， the sparse representation theory is used to identify the test sample signals. According to the identification results， the normal signals which needn′t to be sent are filtered out， and the state of WBAN node is converted into the sleep state. The node sleep time is prolonged to reduce the transmission quantity of node data. The node delay and energy consumption are simulated and analyzed with NS2 software. The results show that， in comparison with the traditional TDMA and BCMAC algorithms， the NSS?SRC strategy can reduce the energy consumption and time delay effectively while the physiological signal is in WBAN with stable range.

Keywords： WBAN； sleep strategy； sparse representation； energy saving

0 引 言

無線體域網（Wireless Body Area Network， WBAN）是在人體表或體內安置傳感器節點，通過節點采集人體溫度、血壓、心率、腦電圖等各部位生理信息的數據網絡。WBAN現已被廣泛應用于遠程醫療診斷、疾病監控和預防、家庭看護等方面。WBAN節點一般采用電池供電，能量有限，對植入人體內部節點更加不易頻繁更換，因此研究WBAN節點的節能方法具有重要的現實意義[1?4]。

2009年Wright等人首次將稀疏表示理論用于分類，提出稀疏表示分類算法（Sparse Representation?Based Classifier，SRC），將模式識別問題轉化為信號稀疏表示問題，為基于信號識別提供了理論基礎[5]。與傳統模式識別方法相比，如最近鄰NN、最近子空間NS、支持向量機SVM等，稀疏表示算法具有較高的識別精度和魯棒性[6]。隨著科技進步，在醫療器械檢測中，通過對各類病人的測量統計，建立了各類生理信號數據庫，為稀疏表示理論提供了可靠的樣本信息，如MIT?BIH是由美國麻省理工學院提供的研究心律失常的數據庫，美國加州伯克利大學人體日常行為動作識別數據庫WARD（Wearable Action Recognition Database）的人體運動數據庫等，使得稀疏表示在WBAN識別等相關領域得到了廣泛應用，如胃部疾病檢測、心電壓縮采樣、腦電癲癇波檢測等[7?9]。endprint

WBAN節點檢測到的生理信號大多數為正常信號，而這些正常信號是節點不需要發送的信號，對于能量要求嚴格的WBAN來說，無區分的采樣生理信號無疑是一種能量浪費[10]。為此，本文提出一種基于稀疏表示的節點休眠策略——NSS?SRC，將稀疏表示理論用于降低WBAN節點能耗，借助現有生理數據庫對WBAN節點采集信號進行識別，根據識別結果濾除WBAN節點采集的正常信號，停止正常信號的發送，控制節點休眠狀態，增加節點休眠時間，從而減少節點數據傳輸量，達到降低節點能耗的目的。

1 節點休眠策略分析

無線傳感網絡節點一般包括傳感器模塊、數據處理器模塊、無線通信模塊，節點各模塊能量消耗如圖1所示[11]。節點的能耗主要集中在通信模塊的發送與接收兩個部分，減少通信模塊的工作時間可以有效地降低節點能耗。MAC協議直接控制通信模塊，對節點能耗有較大的影響，MAC協議在降低功耗方面主要采用的方法有減少數據流量、增加通信模塊休眠時間和避免傳輸數據沖突等，NSS?SRC策略主要通過控制節點休眠狀態轉換，增加通信模塊休眠時間，減少WBAN節點的數據傳輸量，達到降低能耗的效果。

利用醫學檢測過程中統計積累的生理信號數據庫可為WBAN節點測試信號的稀疏表示提供可靠的樣本信息。通常WBAN中節點采集的信號種類不同，每種生理信號都有相應的數據庫以及區分信號正常與否的標準。WBAN中節點采集的信號多數為正常信號，這些正常信號在數據庫中都有對應的樣本。利用已有生理數據庫通過稀疏表示理論對節點采集的生理信號進行稀釋識別，根據識別結果控制節點工作狀態，圖2給出了節點信號稀疏識別的具體流程。WBAN啟動時對節點采集到的信號進行稀疏識別，識別結果為樣本內正常信號時，切換節點為休眠狀態，識別結果為樣本病態信號和非樣本異常信號時，節點發送數據。

2 NSS?SRC策略實現

2.1 建立過完備字典

WBAN內每個節點分布在人體不同位置分別測試不同類型生理數據，每種類型生理數據都對應有數據庫。首先對數據庫中每種類型數據中的生理數據進行正常和病態分類并標記，假設某個節點測試的生理數據種類包含種類型，從數據庫中選出這種類型生理信號表示數據庫中第種類別生理數據，每種類別中包含個訓練樣本：表示第種類別中第個訓練樣本，并將這種類型種生理信號構造成過完備字典

（1）

在字典構造過程中，對各節點采集生理信號需進行特征提取，不同種類的信號在某個域能更好地表示信號特征，常用的有傅里葉變換、小波變換、余弦變換等。同樣，節點采集信號構造的測試樣本也同樣需要進行處理。在各種稀疏表示處理信號的任務中，結合學習字典能力，通常能達到最優結果[12]。

字典的構造有兩種方式：一種是通過數學模型將已有訓練樣本直接構造字典，這種方式不能保證信號足夠稀疏；第二種是通過對訓練樣本學習來獲得適應信號特征的字典，通過不斷更新字典學習過程中的稀疏表示系數和字典原子，找到能使信號最稀疏的新字典，從而提高識別率和計算速率，現已有大量字典學習算法和改進算法[13]。

2.2 樣本的稀疏表達

由節點采集到的生理信號構成測試樣本，若屬于第類生理信號，則為第類測試樣本線性組合：

（2）

理想情況下有：通過建立的過完備字典和測試樣本可求稀疏表達系數即其求解模型為：

（3）

式中：為的范數，表示中非零元素的個數；通常情況下式（3）是一個欠定方程求解，根據壓縮感知理論，在所求系數足夠稀疏的情況下，最小化范數可以轉化為范數進行求解[14]。故：

（4）

式（4）描述在理想狀況下，現實節點在采集數據的過程中往往含有噪聲，因此需要加一個誤差項即式（4）轉換為范數求解，故：

（5）

式中，表示允許誤差。由于式（5）是一個凸優化問題，現有很多算法都可以進行求解，即得到測試樣本的稀疏表示系數。

2.3 有效樣本判別

一些不在生理數據庫訓練樣本中的異常信號可能無法識別，為防止信號漏檢，在對生理信號分類之前，采用稀疏集中度指標（Sparsity Centration Index，SCI）作為判斷標準：

（6）

式中：是節點樣本建立過程中類別總數；表示中第個位置的系數。將測試樣本的稀疏系數代入中計算出值，若則表示該測試樣本僅用了某一類中一個訓練樣本表示測試樣本；若則表示該測試樣本橫跨所有的類，為無效樣本。因此在判別過程中設置一個閾值，如果則認為該測試樣本為有效樣本，若則認為測試樣本為無效樣本，無效樣本視為病態生理信號發送到中心節點，因此節點一旦識別為無效樣本便向中心節點發送請求時隙，中心節點為節點分配時隙，節點開始發送數據，反之若判別為有效樣本，還需進一步對信號進行正常和病態識別。

2.4 節點休眠方式切換

由于噪聲的影響，的非零元素會散布于很多類間，采用以下殘差分類函數進行識別：

（7）

表示式（7）中最小殘差的標記號，即為最終分類結果，根據每種類型數據在分類時的編號便可識別測試信號是否為正常信號。若識別結果為正常生理信號便立即使節點進入休眠狀態；若檢測結果為病態信號，便向中心節點發送時隙請求。

NSS?SRC策略過濾了WBAN中節點采集到的大部分不需要傳輸的正常生理信號，其算法實現流程如圖3所示。

首先在每個節點內設定對應閾值和誤差項大小，對節點數據庫內的信號進行分類并編號，構造成過完備字典啟動網絡時，中心節點隨機分配給每個節點一個網絡號和時隙，節點收到基站消息后，開始采集信號，并構成測試樣本然后節點處理器通過稀疏表示算法求出測試樣本稀疏表示系數計算值，并與設定閾值比較，判斷測試樣本是否為有效樣本，無效測試樣本視為病態信號，節點向基站申請時隙。測試信號為有效樣本時還需進行殘差識別，根據識別編號與數據庫數據編號校對，判斷是否為正常信號，若為正常信號節點立即進入休眠狀態，等待喚醒，若為病態信號，節點向基站申請時隙。由于人體的生理信號通常處于正常范圍，采用NSS?SRC策略對WBAN節點識別分類后，WBAN網絡中的休眠節點數目增多。endprint

3 節點性能分析

3.1 能耗分析與仿真

由圖1可知，單個節點能量消耗主要在傳感器數據采集、處理器數據處理、數據發送、數據接收、空閑、休眠狀態，可以用下式表達：

（8）

式中：表示節點收發器的工作次數；為節點采集信號消耗能量；表示節點處理數據消耗能量；為傳輸數據消耗能耗；為接收數據消耗能耗；為節點空閑偵聽能耗；表示節點休眠能耗。

WBAN常用的主要有TDMA和CDMA兩種基本MAC協議，其中基于TDMA的MAC協議避免了數據碰撞和重傳問題[15]。TDMA能為WBAN每個節點分配獨立的時隙用于數據發送或接收，數據傳輸時不需要過多的控制信息，且節點在空閑時能夠及時進入睡眠狀態，WBAN的NSS?SRC策略適合使用TDMA機制做能耗分析，選用TDMA機制時，式（8）中的可以忽略不計，故：

（9）

節點采集信號消耗的能量和處理器處理信號消耗的能量非常小，由式（9）可知，決定節點能耗消耗的主要為節點接收和發送數據的次數

NS2（Network Simulator Version2）是一種開源仿真軟件，可以修改源碼來設置一些WBAN所需的參數，可以模擬WBAN中的網絡層、數據鏈路層。針對WBAN采集病態信號節點數目有限和傳輸距離短的現象，仿真實驗中網絡拓撲結構采用星型拓撲，WBAN相關參數如表1所示。

傳統TDMA，BCMAC與NSS?SRC在同一段時間內采集和處理相同數據包情況下，式（9）中的和幾乎相等[16]。節點經過NSS?SRC策略處理后能濾除節點正常信號的發送，因此NSS?SRC策略接收和發送數據次數小于傳統的TDMA協議和BCMAC。當節點采集信號為正常時，傳統TDMA在無數據傳輸時需保持偵聽狀態，而BCMAC不用，因此節點在傳統TDMA下消耗能量比BCMAC多，采用NSS?SRC策略的節點識別到采集的數據為正常信號時，立即進入休眠狀態，故采用NSS?SRC策略的節點消耗能量最小。基于TDMA機制的MAC協議，對WBAN單個節點進行傳統TDMA，BCMAC和NSS?SRC策略能耗仿真對比，結果如圖4所示。

由圖4可以看出，采用NSS?SRC策略的節點收發器工作次數為0次、400次、800次時節點的能量消耗趨勢，次時，表示節點采集信號為正常生理信號，無數據發送接收，但在節點數據采集和處理時仍有部分能量消耗，仿真結果驗證了式（9），當節點收發器工作越少時，節點消耗的能量越少。

3.2 延時分析與仿真

WBAN節點的傳感器采集相同大小數據量時消耗時間相同，傳統TDMA與BCMAC在數據處理產生的時間可以忽略不計，而NSS?SRC策略通過字典對生理信號進行稀疏表示，過完備字典通常數據量較大，處理器計算時間不能忽略。傳統TDMA與BCMAC在相鄰兩次數據傳輸時隙固定，因此在WBAN節點采集時，無論正常信號還是病態信號，數據發送產生的延時為：

（10）

式中：為固定時隙；為WBAN節點數，由表1知。NSS?SRC策略對信號進行稀疏識別，濾除了正常信號，故NSS?SRC策略的數據發送產生的時延與WBAN內采集非正常信號節點的個數有關，故NSS?SRC策略的延時為：

（11）

式中：為WBAN內采集病態信號節點個數，為每個采集病態信號節點的處理器對測試樣本稀疏識別產生的平均消耗時間，這里假設所有時隙相等，故由式（10）減式（11）得到NSS?SRC策略節省的時間

（12）

由式（12）可知，WBAN網絡中負載越小時，網絡節省的能量越多，網絡實時性越好。

圖5為WBAN節點NSS?SRC策略與傳統TDMA，BCMAC協議的延時對比圖。由圖5可知，WBAN中采集病態信息節點數目在與時，NSS?SRC策略的延時比傳統TDMA，BCMAC大，主要是因為NSS?SRC策略在稀疏識別消耗的時間大于數據傳輸節省的時間；當時，NSS?SRC策略的延時小于傳統TDMA和BCMAC，故由節點能量消耗和延時分析可知，NSS?SRC策略較適合生理信號通常處于穩定范圍的WBAN中。

4 結 語

稀疏表示理論已普遍應用于對WBAN生理信號的識別。本文提出一種基于稀疏表示的節點休眠策略——NSS?SRC，將稀疏表示理論應用于WBAN節點節能。借助醫學統計累積的數據庫進行分類標記，利用稀疏表示對節點測試信號進行稀疏識別，濾除節點不需要傳送的正常信號，轉換節點工作狀態，減少節點數據傳輸量，延長節點休眠時間，從而實現節點能耗的降低。理論分析和仿真實驗結果表明，基于稀疏表示的節點休眠策略NSS?SRC在生理信號處于穩定正常狀態的WBAN中具有更好的節能和延時效果。

參考文獻

[1] WANG Feng， HU Fengye， WANG Lu， et al. Energy?efficient medium access approach for wireless body area network based on body posture [J]. China communication， 2015， 12（12）： 122?132.

[2] 劉毅，宋余慶.無線體域網技術研究[J].小型微型計算機系統， 2013，34（8）：1757?1762.

[3] 潘琢金，劉繼磊，羅振，等.低功耗無線傳感器網絡節點的設計與實現[J].計算機工程與設計，2015，36（12）：3225?3229.

[4] 黃興利，慕德俊，李哲，等.WSN節能問題中基于曲線擬合的插值算法研究[J].現代電子技術，2016，39（1）：9?12.

[5] WRIGHT J， YANG A Y， GANESH A， et al. Robust face re?cognition via sparse representation [J]. IEEE transactions on pattern analysis and machine intelligence， 2009， 31（2）： 210?227.endprint

[6] PILLAI J K， PATEL V M， CHELLAPPA R， et al. Secure and robust iris recognition using random projections and sparse representations [J]. IEEE transactions on pattern analysis and machine intelligence， 2011， 33（9）： 1877?1893.

[7] 范慧杰，叢楊，楊云生，等.基于稀疏表達的胃部疾病檢測[J].科學通報，2013，58（z2）：145?151.

[8] 彭向東，張華，劉繼忠.基于塊稀疏貝葉斯學習的體域網心電壓縮采樣[J].傳感技術學報，2015，28（3）：401?407.

[9] 吳敏，孫玉寶，韋志輝，等.基于稀疏表示的兩階段腦電癲癇波檢測算法研究[J].中國生物醫學工程學報，2009，28（4）：535?543.

[10] 盧先領，彭能明，徐保國.基于模糊邏輯算法的無線醫療體域網MAC協議研究[J].計算機科學，2013，41（1）：88?90.

[11] 柯熙政，陳錦妮.紫外光無線傳感器網絡節能的研究與仿真[J].激光技術，2013，37（2）：251?255.

[12] SULAM J， OPHIR B， ZIBULEVSKY M， et al. Trainlets： dictionary learning in high dimensions [J]. IEEE transactions on signal processing， 2016， 64（12）： 3180?3193.

[13] NADERAHMADIAN Y， BEHESHTI S， TINATI M A. Correlation based online dictionary learning algorithm [J]. IEEE transactions on signal processing， 2016， 64（3）： 592?602.

[14] CAND?S E J. The restricted isometry property and its implications for compressed sensing [J]. Comptes rendus mathematique， 2008， 346（9）： 589?592.

[15] 劉洪武，史勝西，蔡青春，等.無線傳感網中一種基于即時信息的TDMA方案[J].現代電子技術，2013，36（9）：5?8.

[16] KASU S R， BELLANA S K， KUMAR C. A binary countdown medium access control protocol scheme for wireless sensor networks [C]// Proceedings of the 10th International Conference on Information Technology. Rourkela， India： ICIT， 2007： 122?126.endprint