具備時空相關(guān)特征的軀體傳感網(wǎng)信號重構(gòu)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種軀體傳感網(wǎng)信號重構(gòu)方法，具體設(shè)及一種具備時空相關(guān)特征的軀 體傳感網(wǎng)信號重構(gòu)方法。
【背景技術(shù)】
[0002] 作為物聯(lián)網(wǎng)的一個重要分支，軀體傳感網(wǎng)（又稱"體感網(wǎng)"、"可穿戴傳感器網(wǎng)絡(luò)" 等）在最近幾年得到了廣泛的應(yīng)用，如生理參數(shù)監(jiān)護(hù)、慢性病管理、健康腕表、跌倒監(jiān)測等。 然而，在需要實時連續(xù)采集的場景下，如何降低無線傳感器節(jié)點(diǎn)的傳輸功耗，延長傳感器節(jié) 點(diǎn)的工作時間一直是個亟待突破的瓶頸問題。
[0003] 壓縮感知理論的提出，為該問題提供了一種有效的解決途徑。壓縮感知理論突破 了傳統(tǒng)的化annon/Nyquist采樣定理的要求，可W用非常稀疏的采樣數(shù)據(jù)，通過相關(guān)的重 構(gòu)算法恢復(fù)出原始信號。遺憾的是，目前的重構(gòu)算法大多針對具備稀疏結(jié)構(gòu)或分塊稀疏結(jié) 構(gòu)的信號，尚沒有對于多個傳感器信號間具備時空（spatia^temporal)相關(guān)特征的軀體 傳感網(wǎng)信號進(jìn)行重構(gòu)的方法。
[0004] 眾所周知，在化annon/Nyquist采樣定理為基礎(chǔ)的傳統(tǒng)數(shù)字信號處理框架下，若 要從采樣得到的離散信號中無失真地恢復(fù)出原始信號，采樣頻率必須大于其帶寬的兩倍W 上。然而，在軀體傳感網(wǎng)領(lǐng)域尤其是需要實時連續(xù)采集的場景下（如實時屯、電監(jiān)測、實時動 作捕獲等），由于要通過無線方式傳輸大量的數(shù)據(jù)，導(dǎo)致無線傳感器節(jié)點(diǎn)的功耗一直居高不 下，工作時間大大縮短。
[0005]最近由Donoho、Candes及Tao等人提出的壓縮感知（CompressiveSensing,C巧 理論，為解決上述問題提供了一種有效的途徑。CS理論突破了化annon/Nyquist采樣定理 的理論極限，可W用少量的稀疏采樣數(shù)據(jù)通過相關(guān)的重構(gòu)算法恢復(fù)出原始信號。
[0006] 然而，目前的重構(gòu)算法大多針對具備稀疏結(jié)構(gòu)或分塊稀疏結(jié)構(gòu)的信號，而對于軀 體傳感網(wǎng)中多個傳感器信號間具備時空（spatia^temporal)相關(guān)特征的信號，尚未見到 對應(yīng)的重構(gòu)方法。
[0007] 申請?zhí)枮?01410590027. 0的中國專利公開了一種低功耗無線體域網(wǎng)的多源生理 信號混合壓縮方法，其步驟包括：
[0008] 1)利用無線體域網(wǎng)絡(luò)中傳感器節(jié)點(diǎn)對人體采集多種生理信號數(shù)據(jù)，進(jìn)行傅里葉變 換，得多維的生理信號的頻譜矩陣；
[0009] 2)將多維生理信號的頻譜矩陣通過信號混合系統(tǒng)轉(zhuǎn)換成一維串聯(lián)頻譜序列；
[0010] 3)對一維串聯(lián)生理信號序列進(jìn)行信號壓縮，并進(jìn)行調(diào)制，由發(fā)射端傳送到接收 端；
[0011] 4)接收端對壓縮混合信號進(jìn)行重構(gòu)出一維串聯(lián)生理信號序列，轉(zhuǎn)換為多維并聯(lián)混 合頻譜矩陣；
[0012] 5)對步驟4)多維并聯(lián)混合頻譜矩陣進(jìn)行傅里葉逆變換，得到原始生理信號。
[0013] 該方案的不足之處在于，在數(shù)據(jù)壓縮與重構(gòu)過程中，沒有充分利用生理信號的時 空（spatia^temporal)相關(guān)性特征先驗知識，導(dǎo)致重構(gòu)的精度無法進(jìn)一步提高。
[0014] 申請?zhí)枮?01010240324. 4的中國專利公開了一種塊稀疏度未知的稀疏信號壓縮 感知重構(gòu)方法，該方法通過初始化塊稀疏度k，對每一個塊稀疏信號的迭代，找到信號支撐 集的一個子集，隨著不斷迭代，塊稀疏度隨之增加，最后找到整個源信號X的支撐集，從而 達(dá)到重構(gòu)源信號X的目的。該方案的不足之處在于，僅考慮了一維信號的塊稀疏結(jié)構(gòu)，即時 間（spatial)相關(guān)性，而沒有考慮f目號在空間（temporal)上的相關(guān)性，且沒有考慮多個傳 感器源間的時空（spatia^temporal)相關(guān)性特征。

【發(fā)明內(nèi)容】

[0015] 為了解決上述技術(shù)問題，本發(fā)明提供了一種具備時空相關(guān)特征的軀體傳感網(wǎng)信號 重構(gòu)方法，其可W解決現(xiàn)有壓縮感知重構(gòu)方法無法充分利用軀體傳感網(wǎng)中多個傳感器節(jié)點(diǎn) 信號間時空相關(guān)特征先驗知識，從而導(dǎo)致重構(gòu)精度不高的問題。
[0016] 為了達(dá)到上述目的，本發(fā)明的技術(shù)方案如下：
[0017] 具備時空相關(guān)特征的軀體傳感網(wǎng)信號重構(gòu)方法，其包括W下步驟：
[001引（1)假設(shè)軀體傳感網(wǎng)中多個傳感器采集的原始數(shù)據(jù)為Xe區(qū)隨機(jī)測量矩陣 為藝G及'V'y(A/ <A'），壓縮后的數(shù)據(jù)為Y居駁乂>￡，噪聲數(shù)據(jù)為ye肢化'￡，即；
[0019] Y=巫X+V;
[0020] 其中，L為軀體傳感網(wǎng)中傳感器的個數(shù)，N為每個傳感器采集的原始數(shù)據(jù)長度；M為 壓縮后的數(shù)據(jù)長度；
[0021] (2)假設(shè)軀體傳感網(wǎng)中多個傳感器間存在同步性，用JSM-2型聯(lián)合稀疏模型表示， 即X可W分塊表示為：
[0022]
[002引其中，臣令^是X的第i個分塊，且滿足
每一個分塊X山.均具備 時空相關(guān)特征，即Xw.的每一列中的元素是時間相關(guān)的，
[0024]而X山.中
[00巧]的每一行是空間相關(guān)的；
[0026] (3)任意選擇一個傳感器源利用單一測量向量信號重構(gòu)方 法從壓縮后的數(shù)據(jù)中恢復(fù)出原始信號。
[0027] 作為優(yōu)選的方案，上述的步驟（3)采用分塊稀疏貝葉斯學(xué)習(xí)與GroupLasso混合 方法，包括W下步驟：
[0028]1)假設(shè)每個分塊!；^.程段4''^均滿足高斯分布；
[0029]
[0030] 其中，丫i為一個非負(fù)的參數(shù)，控制著X的稀疏度。當(dāng)丫 1=0時，表示第i個分塊 Xi為零；B, '為一個正定矩陣，表征第i個分塊的相關(guān)信息；
[0031] 2)假設(shè)各個分塊間相互獨(dú)立，則X的先驗分布
[0032]
[003引其中，E0= diag{ 丫iBi，L，丫 品};
[0034]如假設(shè)噪聲也滿足高斯分布；乂'訴糾).其中，A為一個正標(biāo)量；
[00巧]4)由步驟1)-3)可得，X的后驗分布可表示為；
[0036]
[003引 W所有的參數(shù)權(quán).BJti被估計出來后，X的最大后驗估計；直接通過X的后 驗分布的均值計算出來，即；
[0040] 6)參數(shù)太由第二類最大似然估計獲得，即等效于計算W下?lián)p失函數(shù)的 最小值：
[0041]
[00化I其中，?會護(hù)知表示所有的待估計參數(shù)；
[0043] 7)利用對偶原理，將步驟6)中的損失函數(shù)優(yōu)化問題轉(zhuǎn)化為下列的迭代優(yōu)化問題：
[0044]
[004引其中，
計算出的x(w)，將用來更新丫濟(jì)聲;， 從而反過來在下一次迭代中計算xA+sl;
[0046] 8)令
貝Ij 步驟7)中的迭代優(yōu)化問題可W轉(zhuǎn)化為標(biāo)準(zhǔn)的GroupLasso問題：
[0047]
[0048] 9)在每次迭代過程中，參數(shù)A的估計由GroupLasso算法自動確定；
[004引 10)參數(shù)丫斯更新可W通過W下方式完成：
[0050] 11)參數(shù)町的更新規(guī)則如下：
[0051]
[005引其中，
K知分別為第i個分塊的主對角線和次 對角線的元素平均值。
[0053] 作為優(yōu)選的方案，計算出的信號稀疏先驗信息應(yīng)用于剩余的（L-1)個傳感器源的 信號重構(gòu)中，直接采用最小二乘法恢復(fù)出原始信號，包括W下步驟：
[0054] 1)假設(shè)計算出的信號稀疏先驗信息為
[00 巧]
[0056] 其中，的取值為0或1，1表示對應(yīng)的分塊非零，0表示對應(yīng)的分塊為零；
[0057] 。假設(shè)S中有k& <g)個非零分塊，對于剩余的a-1)個傳感器源中的任意一 個，將隨機(jī)測量矩陣〇中與S中k個非零分塊對應(yīng)的列抽取出來，形成新的隨機(jī)測量矩陣 巧E辰'技則滿足牛V,.其中，yeR乂d為第i個傳感器源壓縮后的數(shù)據(jù)； E化f'j為恢復(fù)出的第i個傳感器源非零分塊的信號；
[00則扣利用最小二乘法，可W解析出斬
[0059]
[0060] 4)將聾按照S中k個非零分塊的位置與其余（g-k)個零分塊元素進(jìn)行拼接，恢復(fù) 出第i個傳感器源的原始信號Xi。
[0061] 由于采用了上述的技術(shù)方案，本發(fā)明可W充分利用軀體傳感網(wǎng)中多個傳感器節(jié)點(diǎn) 間信號的時空（spatia^temporal)相關(guān)特征先驗知識，W非常高的精度恢復(fù)出原始信號， 同時可W降低軀體傳感網(wǎng)中各個無線傳感器節(jié)點(diǎn)的傳輸功耗，特別適用于需要實時連續(xù)采 集的應(yīng)用場景。
【附圖說明】
[0062] 圖1為本發(fā)明的具備時空相關(guān)特征的軀體傳感網(wǎng)信號重構(gòu)方法的流程圖。
[0063] 圖2為本發(fā)明的具備時空相關(guān)特征的軀體傳感網(wǎng)信號重構(gòu)方法中所設(shè)及的未知 信號稀疏先驗結(jié)構(gòu)的信號重構(gòu)方法的流程圖。
[0064] 圖3為本發(fā)明的具備時空相關(guān)特征的軀體傳感網(wǎng)信號重構(gòu)方法中所設(shè)及的已知 信號稀疏先驗結(jié)構(gòu)的信號重構(gòu)方法的流程圖。
[0065]圖4為本發(fā)明的具備時空相關(guān)特征的軀體傳感網(wǎng)信號重構(gòu)方法中所設(shè)及的含有 兩個=軸加速度傳感器的軀體傳感網(wǎng)的佩戴示意圖。
[0066]圖5為本發(fā)明的具備時空相關(guān)特征的軀體傳感網(wǎng)信號重構(gòu)方法中所設(shè)及的軀體 傳感網(wǎng)采集的原始數(shù)據(jù)圖。
[0067]圖6為本發(fā)明的具備時空相關(guān)特征的軀體