彭向東,張 華,劉繼忠

(1.南昌大學(xué)機(jī)器人研究所,南昌 330031;2.江西財(cái)經(jīng)大學(xué)軟件與通信工程學(xué)院,南昌 330013)

?

基于塊稀疏貝葉斯學(xué)習(xí)的體域網(wǎng)心電壓縮采樣*

彭向東1,2,張 華1*,劉繼忠1

(1.南昌大學(xué)機(jī)器人研究所,南昌 330031;2.江西財(cái)經(jīng)大學(xué)軟件與通信工程學(xué)院,南昌 330013)

為有效提高體域網(wǎng)的實(shí)時(shí)性和降低體域網(wǎng)的功耗,提出一種基于塊稀疏貝葉斯學(xué)習(xí)的體域網(wǎng)心電壓縮采樣方法。該方法在體域網(wǎng)框架下,利用壓縮采樣理論,在體域網(wǎng)的傳感節(jié)點(diǎn)利用二進(jìn)制隨機(jī)觀測(cè)矩陣對(duì)心電信號(hào)進(jìn)行壓縮采樣,遠(yuǎn)程監(jiān)護(hù)中心獲得采樣值之后,利用塊稀疏貝葉斯學(xué)習(xí)重構(gòu)算法和離散余弦稀疏變換矩陣對(duì)心電信號(hào)進(jìn)行重構(gòu)。實(shí)驗(yàn)結(jié)果表明,當(dāng)心電信號(hào)壓縮率在70%～90%時(shí),基于塊稀疏貝葉斯學(xué)習(xí)的重構(gòu)算法要比其他重構(gòu)算法的重構(gòu)信噪比高出3 dB～21 dB。該方法能有效減少數(shù)據(jù)采樣,減輕后續(xù)的數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)傳輸壓力,提高體域網(wǎng)的實(shí)時(shí)性。同時(shí)該方法具有功耗低,易于硬件實(shí)現(xiàn)的優(yōu)點(diǎn)。

塊稀疏貝葉斯學(xué)習(xí);體域網(wǎng);心電信號(hào);壓縮采樣

人口老齡化的加劇、“空巢”家庭數(shù)量的增加以及大量傷殘病人的出現(xiàn)給社會(huì)帶來(lái)了諸多問(wèn)題,其中一個(gè)重要問(wèn)題就是如何為老人及病人提供實(shí)時(shí)有效的遠(yuǎn)程健康監(jiān)護(hù)服務(wù)。體域網(wǎng)BSN(Body Sensor Network)是解決該問(wèn)題的較好方案[1-3]。心電ECG(Electrocardiogram)信號(hào),作為人體最為重要的生理參數(shù)之一,其在體域網(wǎng)應(yīng)用中有著非常重要的意義,通過(guò)對(duì)老人和病人的遠(yuǎn)程動(dòng)態(tài)實(shí)時(shí)ECG監(jiān)測(cè),可以及時(shí)發(fā)現(xiàn)和預(yù)防心血管等突發(fā)疾病。然而,利用體域網(wǎng)進(jìn)行實(shí)時(shí)ECG監(jiān)測(cè)時(shí),需要采集大量ECG數(shù)據(jù),勢(shì)必會(huì)造成體域網(wǎng)實(shí)時(shí)性的下降和功耗的增加。壓縮采樣理論較好的解決了該問(wèn)題[4-6],壓縮采樣利用欠采樣技術(shù),通過(guò)減少ECG數(shù)據(jù)采樣,從而減輕后續(xù)數(shù)據(jù)傳輸?shù)膲毫?提高體域網(wǎng)的實(shí)時(shí)性,降低傳感節(jié)點(diǎn)的數(shù)據(jù)采集、計(jì)算和傳輸功耗。

針對(duì)體域網(wǎng)實(shí)時(shí)性和傳感器節(jié)點(diǎn)功耗的問(wèn)題,Mamaghanian等[7]對(duì)基于壓縮采樣方法和小波方法的ECG體域網(wǎng)功耗進(jìn)行了對(duì)比,結(jié)果表明壓縮采樣方法的功耗更低。其不足在于未有效利用ECG信號(hào)的塊稀疏特征,導(dǎo)致ECG壓縮率的下降,不利于體域網(wǎng)的實(shí)時(shí)性要求。Khaled等[8]設(shè)計(jì)了一種基于擴(kuò)展頻譜隨機(jī)調(diào)制預(yù)積分器的壓縮采樣模擬信息轉(zhuǎn)換硬件電路,實(shí)現(xiàn)了體域網(wǎng)的低功耗,但其使用基追蹤去噪重構(gòu)算法導(dǎo)致ECG信號(hào)重構(gòu)精度的降低。Dixon等[9]提出一種針對(duì)ECG信號(hào)的動(dòng)態(tài)閾值方法的1位伯努利壓縮采樣觀測(cè)矩陣,通過(guò)提高壓縮比的方式來(lái)降低體域網(wǎng)傳感節(jié)點(diǎn)的傳輸功耗,但傳感節(jié)點(diǎn)的計(jì)算功耗較大且不利于硬件實(shí)現(xiàn)。DING[10]等提出一種基于壓縮采樣的體域網(wǎng)心率異常檢測(cè)方法,該方法在傳感節(jié)點(diǎn)利用貝葉斯壓縮采樣對(duì)ECG信號(hào)進(jìn)行分類,降低了體域網(wǎng)傳輸功耗,但由于分類在傳感節(jié)點(diǎn)進(jìn)行,勢(shì)必增加傳感節(jié)點(diǎn)的負(fù)擔(dān),從而影響體域網(wǎng)實(shí)時(shí)性。Zhang等[11]在壓縮采樣理論框架下利用基于塊稀疏貝葉斯學(xué)習(xí)的重構(gòu)算法,在獲得相同重構(gòu)精度信號(hào)時(shí),能有效降低數(shù)據(jù)采樣率,提高體域網(wǎng)實(shí)時(shí)性,但其針對(duì)的是腦電圖信號(hào)。劉哲[12]等提出一種基于塊稀疏貝葉斯學(xué)習(xí)的壓縮圖像融合算法,該算法能有效降低所需的采樣數(shù)量,獲得較優(yōu)的融合效果,但其針對(duì)的是二維圖像信號(hào),而非ECG信號(hào)。

針對(duì)上述問(wèn)題,為有效利用ECG信號(hào)的塊稀疏特征,提高體域網(wǎng)的實(shí)時(shí)性,同時(shí)兼顧體域網(wǎng)傳感節(jié)點(diǎn)的低功耗和易于壓縮采樣硬件實(shí)現(xiàn),提出一種基于塊稀疏貝葉斯學(xué)習(xí)的體域網(wǎng)心電壓縮采樣方法。該方法在傳感節(jié)點(diǎn)端利用隨機(jī)二進(jìn)制矩陣對(duì)ECG進(jìn)行觀測(cè),觀測(cè)值被傳送至遠(yuǎn)程監(jiān)護(hù)中心后,再利用離散余弦變換稀疏方式下的變換矩陣和塊稀疏貝葉斯學(xué)習(xí)重構(gòu)算法對(duì)ECG進(jìn)行重構(gòu)。通過(guò)MIT-BIH心率異常和噪聲壓力測(cè)試數(shù)據(jù)庫(kù)中的真實(shí)人體ECG數(shù)據(jù)驗(yàn)證了該方法的有效性。

1 體域網(wǎng)與壓縮采樣

1.1 體域網(wǎng)

體域網(wǎng)(BSN)是基于無(wú)線傳感器網(wǎng)絡(luò)(WSN)的,是人體上的生理參數(shù)收集傳感器或移植到人體內(nèi)的生物傳感器共同形成的一個(gè)無(wú)線網(wǎng)絡(luò)[2]。如圖1所示,BSN通過(guò)可穿戴或可植入傳感器節(jié)點(diǎn)采集人體重要的生理信號(hào)、人體活動(dòng)或動(dòng)作信號(hào)以及人體所在環(huán)境信息,并利用手機(jī)或PDA等智能設(shè)備將這些信號(hào)和信息傳輸?shù)缴眢w外部附近的本地基站,最終通過(guò)互聯(lián)網(wǎng)傳輸?shù)竭h(yuǎn)程監(jiān)護(hù)中心。

圖1 體域網(wǎng)系統(tǒng)架構(gòu)

為使心血管病人的病情得到及時(shí)發(fā)現(xiàn)和救助,BSN的實(shí)時(shí)性研究顯得尤為關(guān)鍵。同時(shí)由于所有傳感節(jié)點(diǎn)只能攜帶有限的電池能源,因此BSN的低功耗設(shè)計(jì)也是其發(fā)展所面臨的非常重要的問(wèn)題之一。本文即利用壓縮采樣理論,以減少數(shù)據(jù)采樣的方式來(lái)提高BSN的實(shí)時(shí)性和降低傳感節(jié)點(diǎn)的功耗。

1.2 壓縮采樣

壓縮采樣理論指出,設(shè)長(zhǎng)度為N的信號(hào)X在某組正交基或緊框架Ψ上的變換系數(shù)是稀疏的,如果用一個(gè)與變換基Ψ不相關(guān)的觀測(cè)矩陣Φ:M×N(M≤N)對(duì)系數(shù)向量進(jìn)行線性觀測(cè)得到觀測(cè)值Y:M×1,那么就可以利用優(yōu)化求解方法從觀測(cè)值中精確或高概率地重構(gòu)始信號(hào)X。

min‖Θ‖0s.t.Y=ACSX=ΦΨTX=ΦΘ

(1)

式中:Θ=ΨTX為變換系數(shù),ACS=ΦΨT為CS信息算子。

壓縮采樣常用重構(gòu)算法的類別有貪婪追蹤算法、凸松弛法、非凸方法和組合算法等。由于心電信號(hào)具有塊稀疏特性,為有效提高信號(hào)的重構(gòu)精度,本文采用基于塊稀疏貝葉斯學(xué)習(xí)的重構(gòu)算法。

2 系統(tǒng)模型及原理

2.1 塊稀疏貝葉斯學(xué)習(xí)模型

基于塊稀疏貝葉斯學(xué)習(xí)BSBL(Block Sparse Bayesian Learning)框架[14]的重構(gòu)算法的壓縮采樣模型可描述為:

y=Ax+v

(2)

式中:為A為M×N的感知矩陣,y為M×1維壓縮信號(hào),x為N×1維待求的解向量,v為未知的噪聲向量。模型(2)中的解向量x具有某些結(jié)構(gòu),最常見(jiàn)的就是塊結(jié)構(gòu)。

(3)

基于式(2)、式(3)的基本壓縮采樣模型稱為塊稀疏模型。在這個(gè)模型中,解向量x可以劃分為g個(gè)塊結(jié)構(gòu)(每個(gè)塊結(jié)構(gòu)內(nèi)的元素個(gè)數(shù)不一定相同),而x的非零元素則集中于少數(shù)幾個(gè)塊內(nèi)。在BSBL中,假設(shè)每一個(gè)塊xi滿足一多元高斯分布:

p(xi;γi,Bi)～N(0,γiBi)

(4)

式中:Bi是一個(gè)未知的正定矩陣,用于對(duì)該塊內(nèi)的元素之間的相關(guān)結(jié)構(gòu)進(jìn)行建模。γi是一個(gè)非負(fù)參數(shù),用以控制x的塊稀疏,當(dāng)γi=0時(shí),xi則為0,在學(xué)習(xí)過(guò)程中,大部分的γi將趨近于0,從而促成了解的塊稀疏性。同樣,假設(shè)噪聲服從p(v;λ)～N(0,λI)分布,這樣就可以利用貝葉斯規(guī)則得到x的后驗(yàn)分布,再利用第2類最大似然估計(jì)方法可以估計(jì)出各個(gè)參數(shù),從而最終得到x的最大后驗(yàn)估計(jì)值。

2.2 體域網(wǎng)心電壓縮采樣

基于塊稀疏貝葉斯學(xué)習(xí)的體域網(wǎng)心電壓縮采樣原理框圖如圖2所示,為有效提高體域網(wǎng)的實(shí)時(shí)性和降低體域網(wǎng)的功耗,本文設(shè)計(jì)的重點(diǎn)為壓縮采樣中的稀疏方式、觀測(cè)矩陣和重構(gòu)算法3個(gè)部分內(nèi)容。其中重構(gòu)算法采用上述塊稀疏貝葉斯學(xué)習(xí)重構(gòu)算法,以下描述ECG信號(hào)的稀疏方式和觀測(cè)矩陣設(shè)計(jì)。

圖2 基于塊稀疏貝葉斯學(xué)習(xí)的體域網(wǎng)心電壓縮采樣原理框圖

結(jié)合體域網(wǎng)實(shí)時(shí)性要求高的特點(diǎn),本文采用離散余弦變換對(duì)心電信號(hào)進(jìn)行稀疏。由于離散余弦變換系數(shù)取值全部集中在0附近、動(dòng)態(tài)變化范圍很小、計(jì)算速度快、屬于正交變換,因此能較好的滿足基于壓縮采樣的心電信號(hào)稀疏表示要求。

考慮到體域網(wǎng)傳感節(jié)點(diǎn)的低功耗性,本文采用稀疏二進(jìn)制隨機(jī)觀測(cè)矩陣。如式(5)所示,該矩陣每列中1的個(gè)數(shù)相同且遠(yuǎn)小于矩陣行數(shù),位置隨機(jī),其他值為0。當(dāng)實(shí)際觀測(cè)時(shí),觀測(cè)值由該矩陣和心電信號(hào)的離散值進(jìn)行矩陣積運(yùn)算,由于觀測(cè)矩陣中只含有1和0元素,0元素不參與運(yùn)算,1元素的運(yùn)算相當(dāng)于心電信號(hào)離散值的加法運(yùn)算,因此兩個(gè)矩陣的積運(yùn)算變成了加法運(yùn)算,而如果利用如高斯隨機(jī)矩陣等觀測(cè)矩陣,由于矩陣元素存在非整數(shù)項(xiàng),因此需要處理乘法運(yùn)算,故選用稀疏二進(jìn)制隨機(jī)觀測(cè)矩陣可以較好的降低傳感節(jié)點(diǎn)CPU運(yùn)算的功耗。其次,還可以通過(guò)減少觀測(cè)矩陣中1的個(gè)數(shù)來(lái)降低傳感節(jié)點(diǎn)的功耗。另外,由于該矩陣的值為1或0,類似電子開(kāi)關(guān)的通或斷,也易于硬件電路的實(shí)現(xiàn)。

(5)

2.3 實(shí)現(xiàn)步驟

基于塊稀疏貝葉斯學(xué)習(xí)的體域網(wǎng)心電壓縮采樣的實(shí)現(xiàn)步驟如下:

步驟1 從MIT-BIH心電數(shù)據(jù)庫(kù)中提取ECG數(shù)據(jù)X來(lái)模擬傳感節(jié)點(diǎn)需要采集的ECG數(shù)據(jù)。

步驟2 在傳感節(jié)點(diǎn)端,利用M×N維稀疏二進(jìn)制隨機(jī)觀測(cè)矩陣Φ對(duì)N維心電數(shù)據(jù)X進(jìn)行壓縮采樣,根據(jù)Y=ΦX得到M維觀測(cè)值Y。

步驟3 通過(guò)數(shù)據(jù)傳輸網(wǎng)絡(luò)將傳感節(jié)點(diǎn)的M維觀測(cè)值Y傳送至遠(yuǎn)程監(jiān)護(hù)中心。

步驟7 調(diào)整M的值、塊內(nèi)元素的個(gè)數(shù)以及稀疏二進(jìn)制隨機(jī)觀測(cè)矩陣每列中1的個(gè)數(shù),重復(fù)步驟2～步驟6。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)中采用的是美國(guó)麻省理工學(xué)院提供的MIT-BIH心律異常數(shù)據(jù)庫(kù)MIT-BIH ADB(the MIT-BIH Arrhythmia Database)[15]和MIT-BIH噪聲壓力測(cè)試數(shù)據(jù)庫(kù)MIT-BIH NSTDB(the MIT-BIH Noise Stress Test Database)[16]。這兩個(gè)數(shù)據(jù)庫(kù)均來(lái)源于醫(yī)院的臨床病人和門診病人。MIT-BIH ADB數(shù)據(jù)庫(kù)中的每條記錄包括MLII和V5兩個(gè)導(dǎo)聯(lián),本實(shí)驗(yàn)采用MLII導(dǎo)聯(lián)數(shù)據(jù)的前500個(gè)采樣點(diǎn),該數(shù)據(jù)采樣頻率為360 Hz,信號(hào)的增益為200 ADC units/mV,ADC零值為1 024。MIT-BIH NSTDB數(shù)據(jù)庫(kù)是包含了基線漂移、肌電干擾和電極運(yùn)動(dòng)噪聲的ECG信號(hào),每條記錄包含了MLII和V1兩個(gè)導(dǎo)聯(lián)的數(shù)據(jù),本實(shí)驗(yàn)采用的是MLII導(dǎo)聯(lián)數(shù)據(jù)。由于這些含噪信號(hào)前5 min不含噪聲,之后每隔2 min交替加載不同信噪比的高頻噪聲,故本實(shí)驗(yàn)取第6 min開(kāi)始的500個(gè)采樣點(diǎn)。為顯示歸一化,實(shí)驗(yàn)顯示心電圖進(jìn)行了增益和零值處理。

(6)

(7)

本文采用基于BSBL的BSBL邊界優(yōu)化(BSBL-BO)重構(gòu)算法,以下就BSBL-BO算法性能的影響因素和該算法同其他壓縮采樣重構(gòu)算法的性能對(duì)比兩方面進(jìn)行實(shí)驗(yàn)和分析。

3.1 算法性能影響因素實(shí)驗(yàn)和分析

BSBL-BO算法性能的主要影響因素包括:分塊時(shí)的塊內(nèi)元素個(gè)數(shù)B、觀測(cè)矩陣每列中1的個(gè)數(shù)G和數(shù)據(jù)壓縮率CR,以下就上述3個(gè)參數(shù)變化時(shí)對(duì)ECG的SNR影響進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)中隨機(jī)選取隨機(jī)選取MIT-BIH ADB中記錄號(hào)為122的不含噪ECG信號(hào)和MIT-BIH NSTDB中記錄號(hào)為119e12含噪ECG信號(hào)進(jìn)行測(cè)試。

圖3為塊內(nèi)元素個(gè)數(shù)B個(gè)數(shù)不同時(shí)含噪與不含噪信號(hào)的重構(gòu)SNR變化圖。測(cè)試時(shí),數(shù)據(jù)壓縮率CR固定為70%,觀測(cè)矩陣每列中1的個(gè)數(shù)G固定為20,測(cè)試塊內(nèi)元素個(gè)數(shù)B從10到100依次增加10,共10次實(shí)驗(yàn)。從圖中可以看出,無(wú)論是含噪還是不含噪信號(hào),B值的變化對(duì)ECG重構(gòu)SNR的影響不大,故下面的實(shí)驗(yàn)中B值取10。

圖3 B值不同時(shí)的重構(gòu)SNR對(duì)比

圖4 G值不同時(shí)的重構(gòu)SNR對(duì)比

圖4為觀測(cè)矩陣每列中1的個(gè)數(shù)G不同時(shí)含噪與不含噪信號(hào)的重構(gòu)SNR變化圖。測(cè)試時(shí),數(shù)據(jù)壓縮率CR固定為70%,塊內(nèi)元素個(gè)數(shù)B個(gè)數(shù)固定為10,G從2到29依次增加3,共10次實(shí)驗(yàn)。從圖4可以看出,無(wú)論是含噪還是不含噪信號(hào),G值的變化對(duì)ECG重構(gòu)SNR的影響不大。由于在壓縮采樣中,傳感節(jié)點(diǎn)對(duì)被測(cè)信號(hào)的觀測(cè)主要是完成觀測(cè)矩陣與被測(cè)信號(hào)的矩陣積運(yùn)算,本文采用的是二進(jìn)制觀測(cè)矩陣,由于矩陣中的0值不參與運(yùn)算,故觀測(cè)矩陣每列中1的個(gè)數(shù)G越少,傳感節(jié)點(diǎn)計(jì)算量越少,功耗就越低。故G可以選取較小值,以降低傳感節(jié)點(diǎn)的計(jì)算功耗。下面的實(shí)驗(yàn)中G值選擇10。

圖5為數(shù)據(jù)壓縮率CR變化時(shí)含噪與不含噪信號(hào)的重構(gòu)SNR變化圖。測(cè)試時(shí),塊內(nèi)元素個(gè)數(shù)B個(gè)數(shù)為10,觀測(cè)矩陣每列中1的個(gè)數(shù)G固定為10,CR從10%～90%依次增加10%,共9次實(shí)驗(yàn)。從圖5可以看出,無(wú)論是含噪還是不含噪信號(hào),當(dāng)數(shù)據(jù)壓縮率CR增大時(shí),ECG重構(gòu)SNR下降。

圖5 CR值不同時(shí)的重構(gòu)SNR對(duì)比

圖6 記錄號(hào)122的ECG重構(gòu)

3.2 算法對(duì)比實(shí)驗(yàn)和分析

為有效的驗(yàn)證本文所采用算法的重構(gòu)SNR高的特點(diǎn),以下就本文算法與不利用塊結(jié)構(gòu)的OMP[17]、Basic Pursuit[18]和利用塊結(jié)構(gòu)的Block-OMP[19]3種不同壓縮采樣重構(gòu)算法的重構(gòu)SNR進(jìn)行對(duì)比實(shí)驗(yàn)。對(duì)比實(shí)驗(yàn)分別從固定值的數(shù)據(jù)壓縮率CR和不同值的數(shù)據(jù)壓縮率CR兩種情況進(jìn)行。

在數(shù)據(jù)壓縮率CR為70%的情況下,首先利用記錄號(hào)122的不含噪ECG信號(hào)和記錄號(hào)119e12的含噪ECG信號(hào)進(jìn)行測(cè)試,測(cè)試時(shí)B的值為10,G的值為10。圖6和圖7分別為記錄號(hào)122和記錄號(hào)119e12在不同重構(gòu)算法下的ECG重構(gòu)效果主觀視覺(jué)圖。

從圖6中可以看出,本文算法的重構(gòu)ECG信號(hào)要比其他3種算法的重構(gòu)ECG信號(hào)更接近原始ECG信號(hào),并且圖7中也顯現(xiàn)出類似效果。且總體而言,不含噪ECG信號(hào)的重構(gòu)相對(duì)含噪ECG信號(hào)的重構(gòu)而言,除Block-OMP算法之外,其分別對(duì)應(yīng)的失真度均相對(duì)小些。因此也驗(yàn)證了本文所采用算法具有更高的重構(gòu)SNR的優(yōu)越性。

圖7 記錄號(hào)119e12的ECG重構(gòu)

為進(jìn)一步驗(yàn)證本文算法的有效性和適用范圍,以下從MIT-BIH心率異常數(shù)據(jù)庫(kù)48條記錄中隨機(jī)抽取10條,從MIT-BIH噪聲壓力測(cè)試數(shù)據(jù)庫(kù)12條記錄中隨機(jī)抽取6條進(jìn)行ECG重構(gòu)SNR測(cè)試,測(cè)試時(shí)參數(shù)設(shè)置和條件與單條ECG數(shù)據(jù)實(shí)驗(yàn)相同,測(cè)試結(jié)果如表1和表2所示。

表1 不同重構(gòu)算法的不含噪ECG數(shù)據(jù)集重構(gòu)SNR比較

表2 不同重構(gòu)算法的含噪ECG數(shù)據(jù)集重構(gòu)SNR比較

對(duì)于不含噪的10條ECG信號(hào),表1數(shù)據(jù)表明,在不同重構(gòu)算法下,本文所采用重構(gòu)算法的重構(gòu)SNR均比其他3種重構(gòu)算法高。對(duì)于含噪的6條ECG信號(hào),雖然整體重構(gòu)SNR有一定的下降,但從表2的數(shù)據(jù)同樣可以發(fā)現(xiàn),本文所采用算法對(duì)于含噪ECG信號(hào)具有同樣的適用性。因此,無(wú)論是針對(duì)單個(gè)ECG數(shù)據(jù),還是針對(duì)ECG數(shù)據(jù)集,本文所采用的重構(gòu)算法均具有重構(gòu)SNR較高的優(yōu)勢(shì)。

以上為壓縮采樣的壓縮率為70%的情況下的實(shí)驗(yàn),以下再一步對(duì)本文所采用重構(gòu)算法與其他3種重構(gòu)算法在不同壓縮率下的重構(gòu)SNR進(jìn)行對(duì)比。實(shí)驗(yàn)中所使用的ECG信號(hào)為記錄號(hào)122的不含噪ECG信號(hào)和記錄號(hào)119e12的含噪ECG信號(hào),參數(shù)B和G的設(shè)置與單條ECG數(shù)據(jù)實(shí)驗(yàn)相同,其實(shí)驗(yàn)結(jié)果如圖8和圖9所示。

圖8 不同CR和重構(gòu)算法122的ECG重構(gòu)

圖9 不同CR和重構(gòu)算法119e12的ECG重構(gòu)

圖8為不含噪ECG信號(hào)122在壓縮率為10%～90%時(shí),本文所采用算法和其他3種重構(gòu)算法的重構(gòu)SNR曲線,圖中表明,不同壓縮率下,本文所采用算法的重構(gòu)SNR均大于對(duì)應(yīng)的其他3種重構(gòu)算法的重構(gòu)SNR。根據(jù)繪圖數(shù)據(jù)計(jì)算,當(dāng)在CR在70%～90%時(shí),本文所采用算法的SNR要比其他3種算法中最好的SNR高出12 dB～21 dB。圖9為含噪ECG信號(hào)118e12同情況下的重構(gòu)SNR曲線,圖9與圖8具有相同的效果。同樣根據(jù)繪圖數(shù)據(jù)計(jì)算,當(dāng)在CR在70%～90%時(shí),本文所采用算法的SNR要比其他3種算法中最好的SNR高出3 dB～27 dB。

因此,對(duì)于含噪與不含噪ECG信號(hào),當(dāng)CR在70%～90%時(shí),本文采用的過(guò)完備字典的稀疏方式要比DCT稀疏基稀疏方式的重構(gòu)SNR高出3 dB～21 dB。該結(jié)果同時(shí)也表明,本文所提出的方法與其他壓縮采樣方法相比,在提供給遠(yuǎn)程監(jiān)護(hù)中心醫(yī)生相同SNR的重構(gòu)ECG信號(hào)時(shí),本文方法可以提高壓縮率,從而減少數(shù)據(jù)采樣,進(jìn)而減少數(shù)據(jù)存儲(chǔ)和提高數(shù)據(jù)傳輸速度,提高體域網(wǎng)實(shí)時(shí)性,同時(shí)有助于降低體域網(wǎng)傳感節(jié)點(diǎn)的計(jì)算和傳輸功耗。

4 結(jié)束語(yǔ)

本文提出了一種基于塊稀疏貝葉斯學(xué)習(xí)的體域網(wǎng)心電壓縮采樣方法。在ECG重構(gòu)時(shí),利用了BSBL重構(gòu)算法,該算法能有效針對(duì)ECG本身的特點(diǎn),對(duì)ECG信號(hào)進(jìn)行分塊并考慮塊內(nèi)的相關(guān)性,從而能獲得更高的重構(gòu)SNR。在ECG的稀疏時(shí),利用了DCT方式,該稀疏方式的稀疏系數(shù)動(dòng)態(tài)變化范圍小,計(jì)算速度快,有助于提高體域網(wǎng)的實(shí)時(shí)性。而觀測(cè)矩陣采用了隨機(jī)二進(jìn)制矩陣,該矩陣具有降低計(jì)算功耗和易于體域網(wǎng)硬件實(shí)現(xiàn)的優(yōu)點(diǎn)。利用MIT-BIH心率異常和噪聲壓力測(cè)試數(shù)據(jù)庫(kù)實(shí)驗(yàn)表明,當(dāng)ECG信號(hào)壓縮率在70%～90%時(shí),基于塊稀疏貝葉斯學(xué)習(xí)的重構(gòu)算法要比其他重構(gòu)算法的重構(gòu)信噪比高出3 dB～21 dB。同時(shí)在遠(yuǎn)程監(jiān)護(hù)中心得到相同SNR的重構(gòu)ECG信號(hào)時(shí),本文算法能減少傳感節(jié)點(diǎn)的數(shù)據(jù)采樣,從而減少后續(xù)的數(shù)據(jù)存儲(chǔ)數(shù)量,傳輸數(shù)量,有助于提高體域網(wǎng)的實(shí)時(shí)性和降低體域網(wǎng)傳感節(jié)點(diǎn)的功耗。方法的實(shí)現(xiàn)和相關(guān)分析為體域網(wǎng)腦電信號(hào)和肌電信號(hào)的研究提供了支撐。下一步將嘗試基于模擬信息轉(zhuǎn)換模型,利用FPGA技術(shù),設(shè)計(jì)出體域網(wǎng)心電壓縮采樣硬件平臺(tái),進(jìn)一步驗(yàn)證方法的有效性。

[1]Bao S D,Carmen C Y P,Shen L F,et al. Authenticated Symmetric-Key Establishment for Medical Body Sensor Networks[J]. Journal of Electronics,2007,24(3):421-427.

[2]宮繼兵,王睿,崔莉. 體域網(wǎng)BSN的研究進(jìn)展及面臨的挑戰(zhàn)[J]. 計(jì)算機(jī)研究與發(fā)展,2010,47(5):737-753.

[3]高翔,郭猷敏,馮天天,等. 基于WBAN的智能康復(fù)護(hù)理系統(tǒng)設(shè)計(jì)和實(shí)現(xiàn)[J]. 傳感技術(shù)學(xué)報(bào),2012,25(10):1333-1339.

[4]Donoho D L. Compressed Sensing[J]. IEEE Transactions on Information Theory,2006,52(4):1289-1306.

[5]Candes E J,Wakin M. An Introduction to Compressive Sampling[J]. IEEE Signal Processing Magazine,2008,25(2):21-30.

[6]石光明,劉丹華,高大化,等. 壓縮感知理論及其研究進(jìn)展[J]. 電子學(xué)報(bào),2009,37(5):1070-1081.

[7]Mamaghanian H,Khaled N,Atienza D,et al. Compressed Sensing for Real-Time Energy-Efficient ECG Compression on Wireless Body Sensor Nodes[J]. IEEE Transactions on Biomedical Engineering,2011,58(9):2456-2466.

[8]Mamaghanian H,Khaled N,Atienza D,et al. Design and Exploration of Low-Power Analog to Information Conversion Based on Compressed Sensing[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems,2012,2[3]:493-501.

[9]Dixon A M,Allstot E G,Gangopadhyay D,et al. Compressed Sensing System Considerations for ECG and EMG Wireless Biosensors[J]. IEEE Transactions on Biomedical Circuits and Systems,2012,6(2):156-166.

[10]Ding H,Sun H,Hou K. Direct Cardiac Arrhythmia Detection Via Compressed Measurements[J]. Journal of Computational Information Systems,2012,8(7):2769-2779.

[11]Zhang Z,Jung T P,Makeig S. Compressed Sensing of EEG for Wireless Telemonitoring with Low Energy Consumption and Inexpensive Hardware[J]. IEEE Transactions on Biomedical Engineering,2013,60(1):221-224.

[12]劉哲,顧淑音,南炳炳,等. 一種基于塊稀疏貝葉斯學(xué)習(xí)的壓縮圖像融合算法[J]. 光子學(xué)報(bào),2013,42(11):1365-1369.

[13]Candes E J. The Restricted Isometry Property and Its Implications for Compressed Sensing[J]. Comptes Rendus Mathematique,2008,346(9-10):589-592.

[14]Zhang Z,Rao B D. Extension of SBL Algorithms for the Recovery of Block Sparse Signals with Intra-Block Correlation[J]. IEEE Transactions on Signal Processing,2013,61(8):2009-2015.

[15]Moody G,Mark R. The MIT-BIH Arrhythmia Database[DB/OL]. [2014-07-18]. http://www.physionet.org/physiobank/database/mitdb.

[16]Moody G,Muldrow W,Mark R. The MIT-BIH Noise Stress Test Database[DB/OL]. [2014-07-18]. http://www.physionet.org/physiobank/database/nstdb.

[17]Tropp J A,Gilbert A C. Signal Recovery from Random Measurements via Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory,2007,53(12):4655-4666.

[18]Chen S S,Donoho D L,Saunders M A. Atomic Decomposition by Basis Pursuit[J]. SIAM Journal on Scientific Computing,2001,43[1]:129-159.

[19]Eldar Y C,Kuppinger P,Bolcskei H. Block-Sparse Signals:Uncertainty Relations and Efficient Recovery[J]. IEEE Transactions on Signal Processing,2010,58(6):3042-3054.

ECG Compressed Sampling of Body Sensor Network Based on Block Sparse Bayesian Learning*

PENGXiangdong1,2,ZHANGHua1*,LIUJizhong1

(1.Robot institute,Nanchang University,Nanchang 330031,China;2.School of Software and Communication Engineering,Jiangxi University of Finance and Economics,Nanchang 330013,China)

In order to improve the real-time performance and decrease the power consumption of the body sensor network,this paper proposes an ECG compressed sampling method of body sensor network based on block sparse Bayesian learning. In the body area network framework,the proposed method,using compressive sampling theory,use binary random measurement matrix to compressive sample ECG on the sensor nodes. After measured value are transmitted to remote monitoring center,the block sparse Bayesian learning reconstructed algorithm and the discrete cosine transform matrix and are used to reconstruct the ECG signal. The experiment results show that the SNR which base on block sparse Bayesian learning reconstructed algorithm is 3 dB～21 dB higher than that of the other reconstructed algorithm when the compression rate of ECG is at 70%～90%. The method can effectively reduce the data sampling,the subsequent pressure of data storage and data transmission,and improve the real-time performance of body area network. The method also has the advantages of low power and easy to hardware implementation.

block sparse Bayesian learning;body sensor network;ECG;compressed sampling

彭向東(1975-),男,博士研究生,講師,主要研究方向?yàn)榉?wù)機(jī)器人,體域網(wǎng),壓縮感知,pxdfj@163.com;

張 華(1964-),男,博士,教授,主要研究方向?yàn)闄C(jī)器人技術(shù),智能控制,zhanghua_lab@163.com;

劉繼忠(1974-),男,博士,副教授,主要研究方向?yàn)橹悄軝C(jī)電系統(tǒng)與機(jī)器人技術(shù),liujizhong@ncu.edu.cn。

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(61273282);江西省高等學(xué)校科技落地計(jì)劃項(xiàng)目(KJLD13002)

2014-07-23 修改日期:2014-12-16

C:7230

10.3969/j.issn.1004-1699.2015.03.018

TP393;TP391

A

1004-1699(2015)03-0401-07