基于分布式压缩感知的可穿戴多传感数据联合重构新方法.pdfVIP

                48 集成技术 2015 年 支撑集组成的多传感稀疏数据联合重构问题。而 所提算法的可行性。 联合稀疏性是 MMV 重构算法的核心， 与分布式 压缩感知的联合稀疏模型 JSM-2 类似。但该模型 2 基于分布式压缩感知的多传感数据联 难以适用于非稀疏性的生物医学数据联合重构。 合重构 在解决非稀疏数据重构研究中， 基于块稀疏贝 叶斯学习算法(Block Sparse Bayesian Learning , 无线体域网传感加速度数据在随时间变化的 B SBL) [川受到广泛重视。该算法假设非稀疏数 非平稳随机过程中， 能够保持短时平稳性，且各 据可由块数据结构组成， 通过充分利用块稀疏性 传感节点保持一定的空间相关性， 采用分布式压 提高非稀疏数据重构精度[11， 12] 。目前常用的算法 缩感知技术可将无线体域网多传感加速度数据压 主要有: BSBL-EM (期望最大化)、 BSBL-BO (边 缩编码传输， 减少数据传输量， 同时利用多传感 界优化) ， BSBL-L1 和 BSBL-FM[13] (快速边缘 数据的时空相关性， 实现多传感数据联合重构。 化)。但这些算法仅适用于单测量向量( Single 基于上述思路， 提出了一种基于分布式压缩感知 Measurement Vector , SMV) 模型。除此之外，有 的多传感加速度数据联合重构系统框架， 如图 l 学者尝试将数据块结构和 岛也1V 模型相结合，构 所示。其基本思路是:首先， 利用分布式信源编 建了一些基于块结构b也1v重构算法(如 Liu 等[14] 码技术对各传感节点压缩编码， 将压缩编码数据 提出的用于解决多通道生理信号联合重构问题的 传输至协调器节点进行数据融合:然后， 利用 MBSBL-FM 算法， 该算法能够在降低体域网系 MBSBL 算法联合重构压缩数据，即对编码数据 统功耗的同时实现多通道生理信号的精确联合重 进行解码，恢复原始多传感数据， 为后续诊断、 构， 然而该算法只是针对胎儿心电信号， 而不是 治疗等提供可靠数据。本文着重探讨多传感加速 非稀疏性的加速度信号)，