[发明专利]具备时空相关特征的躯体传感网信号重构方法

说明书

本发明公开了一种具备时空相关特征的躯体传感网信号重构方法，其包括以下步骤：(1)假设躯体传感网中多个传感器采集的原始数据为随机测量矩阵为压缩后的数据为噪声数据为即：Y＝ΦX+V；(2)假设躯体传感网中多个传感器间存在同步性，用JSM‑2型联合稀疏模型表示；(3)任意选择一个传感器源利用单一测量向量信号重构方法从压缩后的数据中恢复出原始信号。

技术领域

本发明涉及一种躯体传感网信号重构方法，具体涉及一种具备时空相关特征的躯体传感网信号重构方法。

背景技术

作为物联网的一个重要分支，躯体传感网(又称“体感网”、“可穿戴传感器网络”等)在最近几年得到了广泛的应用，如生理参数监护、慢性病管理、健康腕表、跌倒监测等。然而，在需要实时连续采集的场景下，如何降低无线传感器节点的传输功耗，延长传感器节点的工作时间一直是个亟待突破的瓶颈问题。

压缩感知理论的提出，为该问题提供了一种有效的解决途径。压缩感知理论突破了传统的Shannon/Nyquist采样定理的要求，可以用非常稀疏的采样数据，通过相关的重构算法恢复出原始信号。遗憾的是，目前的重构算法大多针对具备稀疏结构或分块稀疏结构的信号，尚没有对于多个传感器信号间具备时空(spatial-temporal)相关特征的躯体传感网信号进行重构的方法。

众所周知，在Shannon/Nyquist采样定理为基础的传统数字信号处理框架下，若要从采样得到的离散信号中无失真地恢复出原始信号，采样频率必须大于其带宽的两倍以上。然而，在躯体传感网领域尤其是需要实时连续采集的场景下(如实时心电监测、实时动作捕获等)，由于要通过无线方式传输大量的数据，导致无线传感器节点的功耗一直居高不下，工作时间大大缩短。

最近由Donoho、Candes及Tao等人提出的压缩感知(Compressive Sensing，CS)理论，为解决上述问题提供了一种有效的途径。CS理论突破了Shannon/Nyquist采样定理的理论极限，可以用少量的稀疏采样数据通过相关的重构算法恢复出原始信号。

然而，目前的重构算法大多针对具备稀疏结构或分块稀疏结构的信号，而对于躯体传感网中多个传感器信号间具备时空(spatial-temporal)相关特征的信号，尚未见到对应的重构方法。

申请号为201410590027.0的中国专利公开了一种低功耗无线体域网的多源生理信号混合压缩方法，其步骤包括：

1)利用无线体域网络中传感器节点对人体采集多种生理信号数据，进行傅里叶变换，得多维的生理信号的频谱矩阵；

2)将多维生理信号的频谱矩阵通过信号混合系统转换成一维串联频谱序列；

3)对一维串联生理信号序列进行信号压缩，并进行调制，由发射端传送到接收端；

4)接收端对压缩混合信号进行重构出一维串联生理信号序列，转换为多维并联混合频谱矩阵；

5)对步骤4)多维并联混合频谱矩阵进行傅里叶逆变换，得到原始生理信号。

该方案的不足之处在于，在数据压缩与重构过程中，没有充分利用生理信号的时空(spatial-temporal)相关性特征先验知识，导致重构的精度无法进一步提高。

申请号为201010240324.4的中国专利公开了一种块稀疏度未知的稀疏信号压缩感知重构方法，该方法通过初始化块稀疏度k，对每一个块稀疏信号的迭代，找到信号支撑集的一个子集，随着不断迭代，块稀疏度随之增加，最后找到整个源信号x的支撑集，从而达到重构源信号x的目的。该方案的不足之处在于，仅考虑了一维信号的块稀疏结构，即时间(spatial)相关性，而没有考虑信号在空间(temporal)上的相关性，且没有考虑多个传感器源间的时空(spatial-temporal)相关性特征。

发明内容