可穿戴式设备心电信号采集与传输的Zigbee稀疏采样系统研究

李 澍，张敬梓，王 权，任海萍

(1.中国食品药品检定研究院医疗器械检定所 北京 100050;2.河南省医疗器械检验所 河南郑州 450003)

可穿戴医疗设备是包含医疗传感器、无线通信等模块，具有生理信号检测、信号特征提取和数据传输等基本功能的医疗设备。穿戴式移动医疗在未来几年将得到快速发展，据GSM协会(GSMA)报告预测，穿戴式移动医疗市场到2017年的营收将达230亿美元;而我国穿戴移动医疗市场在未来几年也可预计进入高速增长期，到2017年将达到25亿美元的市场规模。

可穿戴式医疗一大优势在于突破时间、空间，“随时随地”为病人服务，而这个基础就是基于无线网络，而无线网络的带宽相对受限，同时无线网络信号的覆盖率、稳定性、易受各种干扰、恶劣气候等都会影响网络性能，可能在一些区域或者时间出现无线信号不稳定。这些因素的存在，极易造成移动医疗的服务质量低下，患者治疗过程得不到稳定性保证［1］。因此，需要选择合适的在文件压缩、网络传输等方面的技术，让患者获得良好的服务质量。

本文通过采用目前短距离通信中使用较为广泛的Zigbee通信协议，结合基于稀疏采样的压缩感知技术［2］，从而实现可穿戴式设备心电数据的快速、压缩采集和安全传输。

1 原理与方法

1.1 Zigbee技术 Zigbee是一种短距离、低功耗、低复杂度的无线通信模式，基于IEEE 802.15.4无线标准所开发［3］，主要适用于监控与检测领域，能够嵌入到各种独立设备中，其技术特点与心电信号的传输及工作模式相匹配。

与蓝牙、WIFI等常见的短距离无线通信方式相比，Zigbee最显著的特点是低功耗，主要通过降低传输的数据量、降低收发信机的忙闲比及数据传输的频率来降低通信开销，如图1所示，因此非常有利于心电检测设备实现长时间不间断工作，并且能够避免设备的频繁充电或更换电池。同时，Zigbee模块具有可靠的工作模式，在介质访问控制中采用了载波侦听多址/冲突避免(CSMA/CA)的信道接入方式和4次握手协议，能够有效地避免多个节点同时发送时造成的数据冲突，因此有利于实现心电信号的可靠传输。Zigbee的网络拓扑有星型、网状及簇树型等多种模式，对不同类型、不同规模的用户均适用。此外，心电数据通常为用户个人的私密数据，对通信过程中的安全性有较高要求，而Zigbee提供了数据完整性检查和鉴权能力，通过协议中的加密算法使模块具有良好的安全性能，因此能够满足用户的需求。

图1 Zigbee传输速率与传输距离对比图

Zigbee模块工作在20～250 kbps的速率，分别提供250 kbps、40 kbps和20 kbps的原始数据吞吐率，因此数据传输速率低，单位时间内允许传送的数据量不大。心电信号为一维信号，所需传送的数据量不大，但为了提高单位时间内的数据传输效率，可利用稀疏采样技术提高单位时间内的数据处理量。

1.2 压缩感知稀疏采样原理 基于压缩感知理论(Compressed Sensing，CS)的稀疏采样技术具有降低数据处理量的优越性。压缩传感理论指出当信号本身或者在某个变换域具有稀疏特性时，可以利用一个与变换基不相关的观测矩阵将原高维稀疏信号投影到一个低维空间上，从而通过求解一个最优化问题从远低于Nyquist采样率所采集到的信号测量值来实现原信号的重构［2，4，5］。

长度为N的离散时域信号x为N×1的列向量，可表示为一组基{ψi}的线性组合，如式(1)所示。

式中Φ为M×N(M＜＜N)的测量矩阵;y是M×1的测量向量;Θ=ΦΨ∈RM×N是由测量矩阵和稀疏基共同决定的矩阵。需要依据测量向量y重构信号x，M＜＜N说明方程(2)为欠定状态，无法直接从y的M个测量值中解出x。基于信号的稀疏性，可以通过式(3)所示的优化问题得到方程(2)的最稀疏解。

综上所述，压缩感知稀疏采样得以实现的3个重要步骤为信号的稀疏表示、测量矩阵构建和信号重建;应用压缩传感理论的两个基本条件是信号的稀疏性和矩阵Θ满足RIP特性。整个过程将采样与压缩同时进行，在不影响数据质量的前提下大幅度降低数据量。

2 结果

2.1 用于心电信号的压缩感知处理算法与Zigbee稀疏采样 心电信号的信号源为心脏，信号特点与心脏的生理功能密切相关，心电波形反映了心房与心室的细胞动作电位变化，其波形具有显著的特点［6-8］。

图2 心电信号时域波形

设心电信号为x(n)，图2所示为一个周期的心电信号时域波形，具有典型的峰谷特性。可选择一个周期的信号x0(n)作为与x(n)每个周期作自相关的函数，由于二者在时域有明显的相似性，因此相关输出为明显的尖峰，从而可实现时域的稀疏化处理。信号的时域相关可表示为矩阵形式，则相关输出可表式为式(6)。

式中X为心电信号x(n)一个周期的向量表示，设长度为N×1;Rx为相关输出的向量表示，即稀疏后的信号;Ψ(x0，N)是由信号x0(n)形成的(2N－1)×N矩阵，为本文所采用的信号X的稀疏基，数学形式如式(7)所示。

式(6)所示的过程即为信号的稀疏化，当信号具有稀疏基时，可构建测量矩阵Φ与稀疏基Ψ(x0，N)形成测量系统，从而形成数据的低维投影，实现数据的稀疏采样，将采样与压缩合为一体。本文采用模拟信息转化测量框架实现数据的低维映射，图3所示为结构框图，其中m为小于x(n)维度N的整数，形成维数小的观测序列y(m)，即实现了心电信号的稀疏采样。

图3 模拟-信息转化测量系统基本结构

在通过测量系统得到观测值y(m)后，依据观测值、测量矩阵Φ与稀疏基Ψ(x0，N)，利用凸集优化算法对心电信号x(n)进行重建，即可得到与常规采样相同的数据形式，但系统的数据处理量大幅度减小。

2.2 心电信号的Zigbee稀疏采样系统 利用本文方法进行稀疏采样后，获取相同信息所需要的采集数据量大幅度降低，因此传送到数据中心的数据量较传统采样而言大幅度减小，适合用于Zigbee技术作为基本通信方式。可将Zigbee通信模块集成到相应的心电检测设备中，基本的实现框图如图4所示。

首先心电检测设备通过稀疏采样完成区域用户的心电信号采集，该过程实现了模拟信号的数字化，但在采样中并不是依据传统的奈奎斯特采样定理，而是基于本文的压缩感知稀疏采样方式，将采样与数据压缩融为一体，采集到的是少量低维数据，但是能够获取同样的信息量;完成数据采集后，通过Zigbee通信模块将数据传输到区域的汇聚节点，该通信过程开销低、传输量小且可靠性高;区域汇聚节点具有相对较强的处理能力，并与互联网相连，将收集到的用户低维心电数据联网，通过Internet发送到数据处理中心;数据处理中心具有强的运算处理能力，依据所设定的初始条件(包括稀疏基、测量矩阵及重建算法条件等)将获取的低维心电数据实现可靠的信号重建，从而得到完整的用户心电信号，并对数据进行分析与应用。

可见，本文系统通过压缩感知处理的稀疏采样有效降低了前端(用户设备)的采集处理压力，并利用Zigbee降低了设备的通信开销，使用户设备具有更高的能效利用率与可靠性。将复杂庞大的运算有效转移到处理能力强的数据处理中心服务器(后台)完成，提高了整个系统的效率与生存周期。

图4 Zigbee系统示意图

3 讨论

本节通过相应的仿真实验验证文中压缩感知稀疏采样算法的有效性，实验原始数据为实际测量的用户心电信号，数据为随机抽选的一个周期。

图5所示为实测心电信号一个周期的时域波形图，可见信号本身不具有稀疏特性，需要进行变换处理才能够满足压缩感知稀疏采样的基本条件。图6所示为利用本文中与特定周期进行时域相关后实现信号稀疏化的输出波形，可见通过相关处理后产生了明显的峰值，且信号占有的区间大幅度缩小，与原始信号相比，具有明显的稀疏特性，说明本文的稀疏化处理方法是有效的。

图7所示为利用稀疏采样的低维数据进行心电信号重建后的对比波形图。可见，重建曲线的整体趋势均与原始波形吻合。压缩比例越小，相应的重建误差会增大，但均可呈现原始波形的时域特点，因此算法具有可行性。

图5 心电信号时域波形

图6 时域相关后的稀疏变换输出波形

图7 稀疏采样下的重建心电信号

图8所示为随着数据压缩比例的变化，算法的重建误差曲线与运算时间曲线。图中反映出数据量越少，重建误差越大，但误差均集中在可接受的范围之内。当数据量为50%时，重建误差约为0.05，能够满足系统的需求。时间曲线在数据量很小的情况下，由于采集数据过于稀疏，不满足重建条件，因此消耗时间较多。当数据量到达原始数据30%时，即可完成信号的重建，但随着比例的增加，运算时间会上升。

图8 不同压缩比例下的重建误差与运算时间

综上所述，利用压缩感知稀疏采样技术将采样与压缩合为一体，降低了设备前端的采集压力，大幅度减小了数据传输量;利用Zigbee通信模式实现心电数据的可靠传输，大幅度降低了通信开销，能够解决心电设备的能耗问题。通过仿真实验验证了本文心电信号稀疏处理的有效性，并利用得到的少量观测数据实现了原始信号的可靠重建，在获得较小重建误差的前提下，大幅度降低数据处理量，为可穿戴式心电设备提供一种有效的实现方法。

［1］张方奎，张春业.短距离无线通信技术及其融合发展研究［J］.电测与仪表，2007，(10):48-52.

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

［3］周武斌.Zigbee无线组网技术的研究［D］.长沙:中南大学，2009.

［4］孙金超，曹继华，党婵娟.基于压缩感知对心电信号的降噪重构［J］.计算机应用，2013，(S2):325-327.

［5］周微.基于压缩感知的脑电信号压缩采样［D］.南京:南京理工大学，2011.

［6］苏丽.远程心电监护诊断系统心电信号处理方法研究［D］.哈尔滨:哈尔滨工程大学，2006.

［7］姚成.心电信号智能分析关键技术研究［D］.长春:吉林大学，2012.

［8］杜雷雷.高性能心电信号采集模块的搭建与应用验证［D］.北京:中国科学院大学，2013.