陳家順+周岳斌+王濤

摘 要： 針對(duì)無(wú)線(xiàn)體域網(wǎng)（WBAN）節(jié)點(diǎn)電池能量有限和不易更換電源的問(wèn)題，提出一種基于稀釋表示分類(lèi)算法的節(jié)點(diǎn)休眠策略（NSS?SRC）。當(dāng)WBAN節(jié)點(diǎn)采集的人體生理信號(hào)處于正常范圍時(shí)，采用稀疏表示理論對(duì)測(cè)試樣本信號(hào)進(jìn)行識(shí)別，根據(jù)識(shí)別結(jié)果濾除不需要傳送的正常信號(hào)，將WBAN節(jié)點(diǎn)轉(zhuǎn)換為休眠狀態(tài)，并延長(zhǎng)節(jié)點(diǎn)休眠時(shí)間，從而減少節(jié)點(diǎn)數(shù)據(jù)傳輸量。通過(guò)NS2軟件對(duì)節(jié)點(diǎn)延時(shí)和能耗進(jìn)行仿真分析，結(jié)果表明，在生理信號(hào)通常處于穩(wěn)定范圍的WBAN中，與傳統(tǒng)TDMA，BCMAC相比，NSS?SRC策略能有效降低能耗和延時(shí)。

關(guān)鍵詞： WBAN； 休眠策略； 稀疏表示； 節(jié)能

中圖分類(lèi)號(hào)： TN914?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 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(wú)線(xiàn)體域網(wǎng)（Wireless Body Area Network， WBAN）是在人體表或體內(nèi)安置傳感器節(jié)點(diǎn)，通過(guò)節(jié)點(diǎn)采集人體溫度、血壓、心率、腦電圖等各部位生理信息的數(shù)據(jù)網(wǎng)絡(luò)。WBAN現(xiàn)已被廣泛應(yīng)用于遠(yuǎn)程醫(yī)療診斷、疾病監(jiān)控和預(yù)防、家庭看護(hù)等方面。WBAN節(jié)點(diǎn)一般采用電池供電，能量有限，對(duì)植入人體內(nèi)部節(jié)點(diǎn)更加不易頻繁更換，因此研究WBAN節(jié)點(diǎn)的節(jié)能方法具有重要的現(xiàn)實(shí)意義[1?4]。

2009年Wright等人首次將稀疏表示理論用于分類(lèi)，提出稀疏表示分類(lèi)算法（Sparse Representation?Based Classifier，SRC），將模式識(shí)別問(wèn)題轉(zhuǎn)化為信號(hào)稀疏表示問(wèn)題，為基于信號(hào)識(shí)別提供了理論基礎(chǔ)[5]。與傳統(tǒng)模式識(shí)別方法相比，如最近鄰NN、最近子空間NS、支持向量機(jī)SVM等，稀疏表示算法具有較高的識(shí)別精度和魯棒性[6]。隨著科技進(jìn)步，在醫(yī)療器械檢測(cè)中，通過(guò)對(duì)各類(lèi)病人的測(cè)量統(tǒng)計(jì)，建立了各類(lèi)生理信號(hào)數(shù)據(jù)庫(kù)，為稀疏表示理論提供了可靠的樣本信息，如MIT?BIH是由美國(guó)麻省理工學(xué)院提供的研究心律失常的數(shù)據(jù)庫(kù)，美國(guó)加州伯克利大學(xué)人體日常行為動(dòng)作識(shí)別數(shù)據(jù)庫(kù)WARD（Wearable Action Recognition Database）的人體運(yùn)動(dòng)數(shù)據(jù)庫(kù)等，使得稀疏表示在WBAN識(shí)別等相關(guān)領(lǐng)域得到了廣泛應(yīng)用，如胃部疾病檢測(cè)、心電壓縮采樣、腦電癲癇波檢測(cè)等[7?9]。endprint

WBAN節(jié)點(diǎn)檢測(cè)到的生理信號(hào)大多數(shù)為正常信號(hào)，而這些正常信號(hào)是節(jié)點(diǎn)不需要發(fā)送的信號(hào)，對(duì)于能量要求嚴(yán)格的WBAN來(lái)說(shuō)，無(wú)區(qū)分的采樣生理信號(hào)無(wú)疑是一種能量浪費(fèi)[10]。為此，本文提出一種基于稀疏表示的節(jié)點(diǎn)休眠策略——NSS?SRC，將稀疏表示理論用于降低WBAN節(jié)點(diǎn)能耗，借助現(xiàn)有生理數(shù)據(jù)庫(kù)對(duì)WBAN節(jié)點(diǎn)采集信號(hào)進(jìn)行識(shí)別，根據(jù)識(shí)別結(jié)果濾除WBAN節(jié)點(diǎn)采集的正常信號(hào)，停止正常信號(hào)的發(fā)送，控制節(jié)點(diǎn)休眠狀態(tài)，增加節(jié)點(diǎn)休眠時(shí)間，從而減少節(jié)點(diǎn)數(shù)據(jù)傳輸量，達(dá)到降低節(jié)點(diǎn)能耗的目的。

1 節(jié)點(diǎn)休眠策略分析

無(wú)線(xiàn)傳感網(wǎng)絡(luò)節(jié)點(diǎn)一般包括傳感器模塊、數(shù)據(jù)處理器模塊、無(wú)線(xiàn)通信模塊，節(jié)點(diǎn)各模塊能量消耗如圖1所示[11]。節(jié)點(diǎn)的能耗主要集中在通信模塊的發(fā)送與接收兩個(gè)部分，減少通信模塊的工作時(shí)間可以有效地降低節(jié)點(diǎn)能耗。MAC協(xié)議直接控制通信模塊，對(duì)節(jié)點(diǎn)能耗有較大的影響，MAC協(xié)議在降低功耗方面主要采用的方法有減少數(shù)據(jù)流量、增加通信模塊休眠時(shí)間和避免傳輸數(shù)據(jù)沖突等，NSS?SRC策略主要通過(guò)控制節(jié)點(diǎn)休眠狀態(tài)轉(zhuǎn)換，增加通信模塊休眠時(shí)間，減少WBAN節(jié)點(diǎn)的數(shù)據(jù)傳輸量，達(dá)到降低能耗的效果。

利用醫(yī)學(xué)檢測(cè)過(guò)程中統(tǒng)計(jì)積累的生理信號(hào)數(shù)據(jù)庫(kù)可為WBAN節(jié)點(diǎn)測(cè)試信號(hào)的稀疏表示提供可靠的樣本信息。通常WBAN中節(jié)點(diǎn)采集的信號(hào)種類(lèi)不同，每種生理信號(hào)都有相應(yīng)的數(shù)據(jù)庫(kù)以及區(qū)分信號(hào)正常與否的標(biāo)準(zhǔn)。WBAN中節(jié)點(diǎn)采集的信號(hào)多數(shù)為正常信號(hào)，這些正常信號(hào)在數(shù)據(jù)庫(kù)中都有對(duì)應(yīng)的樣本。利用已有生理數(shù)據(jù)庫(kù)通過(guò)稀疏表示理論對(duì)節(jié)點(diǎn)采集的生理信號(hào)進(jìn)行稀釋識(shí)別，根據(jù)識(shí)別結(jié)果控制節(jié)點(diǎn)工作狀態(tài)，圖2給出了節(jié)點(diǎn)信號(hào)稀疏識(shí)別的具體流程。WBAN啟動(dòng)時(shí)對(duì)節(jié)點(diǎn)采集到的信號(hào)進(jìn)行稀疏識(shí)別，識(shí)別結(jié)果為樣本內(nèi)正常信號(hào)時(shí)，切換節(jié)點(diǎn)為休眠狀態(tài)，識(shí)別結(jié)果為樣本病態(tài)信號(hào)和非樣本異常信號(hào)時(shí)，節(jié)點(diǎn)發(fā)送數(shù)據(jù)。

2 NSS?SRC策略實(shí)現(xiàn)

2.1 建立過(guò)完備字典

WBAN內(nèi)每個(gè)節(jié)點(diǎn)分布在人體不同位置分別測(cè)試不同類(lèi)型生理數(shù)據(jù)，每種類(lèi)型生理數(shù)據(jù)都對(duì)應(yīng)有數(shù)據(jù)庫(kù)。首先對(duì)數(shù)據(jù)庫(kù)中每種類(lèi)型數(shù)據(jù)中的生理數(shù)據(jù)進(jìn)行正常和病態(tài)分類(lèi)并標(biāo)記，假設(shè)某個(gè)節(jié)點(diǎn)測(cè)試的生理數(shù)據(jù)種類(lèi)包含種類(lèi)型，從數(shù)據(jù)庫(kù)中選出這種類(lèi)型生理信號(hào)表示數(shù)據(jù)庫(kù)中第種類(lèi)別生理數(shù)據(jù)，每種類(lèi)別中包含個(gè)訓(xùn)練樣本：表示第種類(lèi)別中第個(gè)訓(xùn)練樣本，并將這種類(lèi)型種生理信號(hào)構(gòu)造成過(guò)完備字典

（1）

在字典構(gòu)造過(guò)程中，對(duì)各節(jié)點(diǎn)采集生理信號(hào)需進(jìn)行特征提取，不同種類(lèi)的信號(hào)在某個(gè)域能更好地表示信號(hào)特征，常用的有傅里葉變換、小波變換、余弦變換等。同樣，節(jié)點(diǎn)采集信號(hào)構(gòu)造的測(cè)試樣本也同樣需要進(jìn)行處理。在各種稀疏表示處理信號(hào)的任務(wù)中，結(jié)合學(xué)習(xí)字典能力，通常能達(dá)到最優(yōu)結(jié)果[12]。

字典的構(gòu)造有兩種方式：一種是通過(guò)數(shù)學(xué)模型將已有訓(xùn)練樣本直接構(gòu)造字典，這種方式不能保證信號(hào)足夠稀疏；第二種是通過(guò)對(duì)訓(xùn)練樣本學(xué)習(xí)來(lái)獲得適應(yīng)信號(hào)特征的字典，通過(guò)不斷更新字典學(xué)習(xí)過(guò)程中的稀疏表示系數(shù)和字典原子，找到能使信號(hào)最稀疏的新字典，從而提高識(shí)別率和計(jì)算速率，現(xiàn)已有大量字典學(xué)習(xí)算法和改進(jìn)算法[13]。

2.2 樣本的稀疏表達(dá)

由節(jié)點(diǎn)采集到的生理信號(hào)構(gòu)成測(cè)試樣本，若屬于第類(lèi)生理信號(hào)，則為第類(lèi)測(cè)試樣本線(xiàn)性組合：

（2）

理想情況下有：通過(guò)建立的過(guò)完備字典和測(cè)試樣本可求稀疏表達(dá)系數(shù)即其求解模型為：

（3）

式中：為的范數(shù)，表示中非零元素的個(gè)數(shù)；通常情況下式（3）是一個(gè)欠定方程求解，根據(jù)壓縮感知理論，在所求系數(shù)足夠稀疏的情況下，最小化范數(shù)可以轉(zhuǎn)化為范數(shù)進(jìn)行求解[14]。故：

（4）

式（4）描述在理想狀況下，現(xiàn)實(shí)節(jié)點(diǎn)在采集數(shù)據(jù)的過(guò)程中往往含有噪聲，因此需要加一個(gè)誤差項(xiàng)即式（4）轉(zhuǎn)換為范數(shù)求解，故：

（5）

式中，表示允許誤差。由于式（5）是一個(gè)凸優(yōu)化問(wèn)題，現(xiàn)有很多算法都可以進(jìn)行求解，即得到測(cè)試樣本的稀疏表示系數(shù)。

2.3 有效樣本判別

一些不在生理數(shù)據(jù)庫(kù)訓(xùn)練樣本中的異常信號(hào)可能無(wú)法識(shí)別，為防止信號(hào)漏檢，在對(duì)生理信號(hào)分類(lèi)之前，采用稀疏集中度指標(biāo)（Sparsity Centration Index，SCI）作為判斷標(biāo)準(zhǔn)：

（6）

式中：是節(jié)點(diǎn)樣本建立過(guò)程中類(lèi)別總數(shù)；表示中第個(gè)位置的系數(shù)。將測(cè)試樣本的稀疏系數(shù)代入中計(jì)算出值，若則表示該測(cè)試樣本僅用了某一類(lèi)中一個(gè)訓(xùn)練樣本表示測(cè)試樣本；若則表示該測(cè)試樣本橫跨所有的類(lèi)，為無(wú)效樣本。因此在判別過(guò)程中設(shè)置一個(gè)閾值，如果則認(rèn)為該測(cè)試樣本為有效樣本，若則認(rèn)為測(cè)試樣本為無(wú)效樣本，無(wú)效樣本視為病態(tài)生理信號(hào)發(fā)送到中心節(jié)點(diǎn)，因此節(jié)點(diǎn)一旦識(shí)別為無(wú)效樣本便向中心節(jié)點(diǎn)發(fā)送請(qǐng)求時(shí)隙，中心節(jié)點(diǎn)為節(jié)點(diǎn)分配時(shí)隙，節(jié)點(diǎn)開(kāi)始發(fā)送數(shù)據(jù)，反之若判別為有效樣本，還需進(jìn)一步對(duì)信號(hào)進(jìn)行正常和病態(tài)識(shí)別。

2.4 節(jié)點(diǎn)休眠方式切換

由于噪聲的影響，的非零元素會(huì)散布于很多類(lèi)間，采用以下殘差分類(lèi)函數(shù)進(jìn)行識(shí)別：

（7）

表示式（7）中最小殘差的標(biāo)記號(hào)，即為最終分類(lèi)結(jié)果，根據(jù)每種類(lèi)型數(shù)據(jù)在分類(lèi)時(shí)的編號(hào)便可識(shí)別測(cè)試信號(hào)是否為正常信號(hào)。若識(shí)別結(jié)果為正常生理信號(hào)便立即使節(jié)點(diǎn)進(jìn)入休眠狀態(tài)；若檢測(cè)結(jié)果為病態(tài)信號(hào)，便向中心節(jié)點(diǎn)發(fā)送時(shí)隙請(qǐng)求。

NSS?SRC策略過(guò)濾了WBAN中節(jié)點(diǎn)采集到的大部分不需要傳輸?shù)恼Ｉ硇盘?hào)，其算法實(shí)現(xiàn)流程如圖3所示。

首先在每個(gè)節(jié)點(diǎn)內(nèi)設(shè)定對(duì)應(yīng)閾值和誤差項(xiàng)大小，對(duì)節(jié)點(diǎn)數(shù)據(jù)庫(kù)內(nèi)的信號(hào)進(jìn)行分類(lèi)并編號(hào)，構(gòu)造成過(guò)完備字典啟動(dòng)網(wǎng)絡(luò)時(shí)，中心節(jié)點(diǎn)隨機(jī)分配給每個(gè)節(jié)點(diǎn)一個(gè)網(wǎng)絡(luò)號(hào)和時(shí)隙，節(jié)點(diǎn)收到基站消息后，開(kāi)始采集信號(hào)，并構(gòu)成測(cè)試樣本然后節(jié)點(diǎn)處理器通過(guò)稀疏表示算法求出測(cè)試樣本稀疏表示系數(shù)計(jì)算值，并與設(shè)定閾值比較，判斷測(cè)試樣本是否為有效樣本，無(wú)效測(cè)試樣本視為病態(tài)信號(hào)，節(jié)點(diǎn)向基站申請(qǐng)時(shí)隙。測(cè)試信號(hào)為有效樣本時(shí)還需進(jìn)行殘差識(shí)別，根據(jù)識(shí)別編號(hào)與數(shù)據(jù)庫(kù)數(shù)據(jù)編號(hào)校對(duì)，判斷是否為正常信號(hào)，若為正常信號(hào)節(jié)點(diǎn)立即進(jìn)入休眠狀態(tài)，等待喚醒，若為病態(tài)信號(hào)，節(jié)點(diǎn)向基站申請(qǐng)時(shí)隙。由于人體的生理信號(hào)通常處于正常范圍，采用NSS?SRC策略對(duì)WBAN節(jié)點(diǎn)識(shí)別分類(lèi)后，WBAN網(wǎng)絡(luò)中的休眠節(jié)點(diǎn)數(shù)目增多。endprint

3 節(jié)點(diǎn)性能分析

3.1 能耗分析與仿真

由圖1可知，單個(gè)節(jié)點(diǎn)能量消耗主要在傳感器數(shù)據(jù)采集、處理器數(shù)據(jù)處理、數(shù)據(jù)發(fā)送、數(shù)據(jù)接收、空閑、休眠狀態(tài)，可以用下式表達(dá)：

（8）

式中：表示節(jié)點(diǎn)收發(fā)器的工作次數(shù)；為節(jié)點(diǎn)采集信號(hào)消耗能量；表示節(jié)點(diǎn)處理數(shù)據(jù)消耗能量；為傳輸數(shù)據(jù)消耗能耗；為接收數(shù)據(jù)消耗能耗；為節(jié)點(diǎn)空閑偵聽(tīng)能耗；表示節(jié)點(diǎn)休眠能耗。

WBAN常用的主要有TDMA和CDMA兩種基本MAC協(xié)議，其中基于TDMA的MAC協(xié)議避免了數(shù)據(jù)碰撞和重傳問(wèn)題[15]。TDMA能為WBAN每個(gè)節(jié)點(diǎn)分配獨(dú)立的時(shí)隙用于數(shù)據(jù)發(fā)送或接收，數(shù)據(jù)傳輸時(shí)不需要過(guò)多的控制信息，且節(jié)點(diǎn)在空閑時(shí)能夠及時(shí)進(jìn)入睡眠狀態(tài)，WBAN的NSS?SRC策略適合使用TDMA機(jī)制做能耗分析，選用TDMA機(jī)制時(shí)，式（8）中的可以忽略不計(jì)，故：

（9）

節(jié)點(diǎn)采集信號(hào)消耗的能量和處理器處理信號(hào)消耗的能量非常小，由式（9）可知，決定節(jié)點(diǎn)能耗消耗的主要為節(jié)點(diǎn)接收和發(fā)送數(shù)據(jù)的次數(shù)

NS2（Network Simulator Version2）是一種開(kāi)源仿真軟件，可以修改源碼來(lái)設(shè)置一些WBAN所需的參數(shù)，可以模擬WBAN中的網(wǎng)絡(luò)層、數(shù)據(jù)鏈路層。針對(duì)WBAN采集病態(tài)信號(hào)節(jié)點(diǎn)數(shù)目有限和傳輸距離短的現(xiàn)象，仿真實(shí)驗(yàn)中網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)采用星型拓?fù)?，WBAN相關(guān)參數(shù)如表1所示。

傳統(tǒng)TDMA，BCMAC與NSS?SRC在同一段時(shí)間內(nèi)采集和處理相同數(shù)據(jù)包情況下，式（9）中的和幾乎相等[16]。節(jié)點(diǎn)經(jīng)過(guò)NSS?SRC策略處理后能濾除節(jié)點(diǎn)正常信號(hào)的發(fā)送，因此NSS?SRC策略接收和發(fā)送數(shù)據(jù)次數(shù)小于傳統(tǒng)的TDMA協(xié)議和BCMAC。當(dāng)節(jié)點(diǎn)采集信號(hào)為正常時(shí)，傳統(tǒng)TDMA在無(wú)數(shù)據(jù)傳輸時(shí)需保持偵聽(tīng)狀態(tài)，而B(niǎo)CMAC不用，因此節(jié)點(diǎn)在傳統(tǒng)TDMA下消耗能量比BCMAC多，采用NSS?SRC策略的節(jié)點(diǎn)識(shí)別到采集的數(shù)據(jù)為正常信號(hào)時(shí)，立即進(jìn)入休眠狀態(tài)，故采用NSS?SRC策略的節(jié)點(diǎn)消耗能量最小?；赥DMA機(jī)制的MAC協(xié)議，對(duì)WBAN單個(gè)節(jié)點(diǎn)進(jìn)行傳統(tǒng)TDMA，BCMAC和NSS?SRC策略能耗仿真對(duì)比，結(jié)果如圖4所示。

由圖4可以看出，采用NSS?SRC策略的節(jié)點(diǎn)收發(fā)器工作次數(shù)為0次、400次、800次時(shí)節(jié)點(diǎn)的能量消耗趨勢(shì)，次時(shí)，表示節(jié)點(diǎn)采集信號(hào)為正常生理信號(hào)，無(wú)數(shù)據(jù)發(fā)送接收，但在節(jié)點(diǎn)數(shù)據(jù)采集和處理時(shí)仍有部分能量消耗，仿真結(jié)果驗(yàn)證了式（9），當(dāng)節(jié)點(diǎn)收發(fā)器工作越少時(shí)，節(jié)點(diǎn)消耗的能量越少。

3.2 延時(shí)分析與仿真

WBAN節(jié)點(diǎn)的傳感器采集相同大小數(shù)據(jù)量時(shí)消耗時(shí)間相同，傳統(tǒng)TDMA與BCMAC在數(shù)據(jù)處理產(chǎn)生的時(shí)間可以忽略不計(jì)，而NSS?SRC策略通過(guò)字典對(duì)生理信號(hào)進(jìn)行稀疏表示，過(guò)完備字典通常數(shù)據(jù)量較大，處理器計(jì)算時(shí)間不能忽略。傳統(tǒng)TDMA與BCMAC在相鄰兩次數(shù)據(jù)傳輸時(shí)隙固定，因此在WBAN節(jié)點(diǎn)采集時(shí)，無(wú)論正常信號(hào)還是病態(tài)信號(hào)，數(shù)據(jù)發(fā)送產(chǎn)生的延時(shí)為：

（10）

式中：為固定時(shí)隙；為WBAN節(jié)點(diǎn)數(shù)，由表1知。NSS?SRC策略對(duì)信號(hào)進(jìn)行稀疏識(shí)別，濾除了正常信號(hào)，故NSS?SRC策略的數(shù)據(jù)發(fā)送產(chǎn)生的時(shí)延與WBAN內(nèi)采集非正常信號(hào)節(jié)點(diǎn)的個(gè)數(shù)有關(guān)，故NSS?SRC策略的延時(shí)為：

（11）

式中：為WBAN內(nèi)采集病態(tài)信號(hào)節(jié)點(diǎn)個(gè)數(shù)，為每個(gè)采集病態(tài)信號(hào)節(jié)點(diǎn)的處理器對(duì)測(cè)試樣本稀疏識(shí)別產(chǎn)生的平均消耗時(shí)間，這里假設(shè)所有時(shí)隙相等，故由式（10）減式（11）得到NSS?SRC策略節(jié)省的時(shí)間

（12）

由式（12）可知，WBAN網(wǎng)絡(luò)中負(fù)載越小時(shí)，網(wǎng)絡(luò)節(jié)省的能量越多，網(wǎng)絡(luò)實(shí)時(shí)性越好。

圖5為WBAN節(jié)點(diǎn)NSS?SRC策略與傳統(tǒng)TDMA，BCMAC協(xié)議的延時(shí)對(duì)比圖。由圖5可知，WBAN中采集病態(tài)信息節(jié)點(diǎn)數(shù)目在與時(shí)，NSS?SRC策略的延時(shí)比傳統(tǒng)TDMA，BCMAC大，主要是因?yàn)镹SS?SRC策略在稀疏識(shí)別消耗的時(shí)間大于數(shù)據(jù)傳輸節(jié)省的時(shí)間；當(dāng)時(shí)，NSS?SRC策略的延時(shí)小于傳統(tǒng)TDMA和BCMAC，故由節(jié)點(diǎn)能量消耗和延時(shí)分析可知，NSS?SRC策略較適合生理信號(hào)通常處于穩(wěn)定范圍的WBAN中。

4 結(jié) 語(yǔ)

稀疏表示理論已普遍應(yīng)用于對(duì)WBAN生理信號(hào)的識(shí)別。本文提出一種基于稀疏表示的節(jié)點(diǎn)休眠策略——NSS?SRC，將稀疏表示理論應(yīng)用于WBAN節(jié)點(diǎn)節(jié)能。借助醫(yī)學(xué)統(tǒng)計(jì)累積的數(shù)據(jù)庫(kù)進(jìn)行分類(lèi)標(biāo)記，利用稀疏表示對(duì)節(jié)點(diǎn)測(cè)試信號(hào)進(jìn)行稀疏識(shí)別，濾除節(jié)點(diǎn)不需要傳送的正常信號(hào)，轉(zhuǎn)換節(jié)點(diǎn)工作狀態(tài)，減少節(jié)點(diǎn)數(shù)據(jù)傳輸量，延長(zhǎng)節(jié)點(diǎn)休眠時(shí)間，從而實(shí)現(xiàn)節(jié)點(diǎn)能耗的降低。理論分析和仿真實(shí)驗(yàn)結(jié)果表明，基于稀疏表示的節(jié)點(diǎn)休眠策略NSS?SRC在生理信號(hào)處于穩(wěn)定正常狀態(tài)的WBAN中具有更好的節(jié)能和延時(shí)效果。

參考文獻(xiàn)

[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(wú)線(xiàn)體域網(wǎng)技術(shù)研究[J].小型微型計(jì)算機(jī)系統(tǒng)， 2013，34（8）：1757?1762.

[3] 潘琢金，劉繼磊，羅振，等.低功耗無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2015，36（12）：3225?3229.

[4] 黃興利，慕德俊，李哲，等.WSN節(jié)能問(wèn)題中基于曲線(xiàn)擬合的插值算法研究[J].現(xiàn)代電子技術(shù)，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(dá)的胃部疾病檢測(cè)[J].科學(xué)通報(bào)，2013，58（z2）：145?151.

[8] 彭向東，張華，劉繼忠.基于塊稀疏貝葉斯學(xué)習(xí)的體域網(wǎng)心電壓縮采樣[J].傳感技術(shù)學(xué)報(bào)，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(cè)算法研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2009，28（4）：535?543.

[10] 盧先領(lǐng)，彭能明，徐保國(guó).基于模糊邏輯算法的無(wú)線(xiàn)醫(yī)療體域網(wǎng)MAC協(xié)議研究[J].計(jì)算機(jī)科學(xué)，2013，41（1）：88?90.

[11] 柯熙政，陳錦妮.紫外光無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)能的研究與仿真[J].激光技術(shù)，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(wú)線(xiàn)傳感網(wǎng)中一種基于即時(shí)信息的TDMA方案[J].現(xiàn)代電子技術(shù)，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