CN104644164A - 一种基于危重病人的定位紧急医疗系统及多目标定位方法 - Google Patents

Abstract

本发明提供了一种基于危重病人的定位紧急医疗系统及多目标定位方法。系统包括人体无线传感器网络模块、无线传输模块、云服务模块以及授权服务模块。人体传感器网络模块包括移动设备模块、脑电图传感器模块、血氧浓度传感器模块、心电传感器模块、肌电信号传感器模块、四肢传感器模块；无线传输模块包括装载大量天线的大规模多输入多输出系统模块以及互联网模块；云服务模块包括服务交换应用模块、云控制器以及数据中心；授权服务模块包括医生、救护车以及医院。解决了对病人身体健康数据进行长期监控记录的问题，特别是在病人处于紧急状况有生命危险时，能够对病人的具体位置进行判断，能够第一时间让临近医院派出救护人员，挽救病人生命。

Description

一种基于危重病人的定位紧急医疗系统及多目标定位方法

技术领域

本发明涉及的是一种探测技术，具体的说是一种基于危重病人的定位紧急医疗系统及多目标定位方法。

背景技术

随着人体无线传感器网络和无线通信技术的迅速发展，远程诊断和监视已经成为电子医疗领域一个新兴的研究热点。主要的思想是通过布置不同种类的在人体表面和植入式的传感器来监控人体重要的生命体征信号。通过接收机(例如，手机、个人电脑等)接受的所有记录数据都会发送给医生和照料你的人。根据美国心脏协会的报告，大约836万美国人患有一种或者多种心血管疾病，每天有大约2150名死于心血管疾病。如果病人可以实现实时的监控和诊断，很多生命都会得到及时的挽救。因此人体无线传感器网络与远程的服务器之间的通信就成为了一个亟待解决的问题，构建一个紧急医疗救护系统并提供病人的具体位置信息就显得迫在眉睫。

经对现有文献检索发现，目前尚未利用云计算和5G链路进行紧急医疗系统的构建和利用Massive MIMO系统中的基站对病人进行定位方法，但是关于紧急医疗系统和病人定位等已有相关报道，相关文献如下：

1.2006年，叶俊昭等人在发明专利《紧急医疗系统》中首次提出紧急医疗系统的概念，其包含一个携带式医疗系统与一个固定医疗系统。但是该系统只是简单的系统模型，并没有引入远程监控，无线传感器网络等概念，所能实现的只是简单地本地病情诊断。

2.2011年，Vladimir Oleshchuk等人在《Remote patient monitoring within a future 5G infrastructure》中，将5G基础设施引入到远程病人监控中，同时考虑到紧急状况时的处理方法，但是并没有对病人的定位进行阐述。

3.2012年，张波等人首次在发明专利《病人定位追踪系统》中，提出一种利用GSM通信装置、GPS接收装置等对病人进行定位的方法，但是不能对病人的身体状况进行实时监控，

在病人在紧急状况下无法及时的将警报传送到医生或者亲属。

4.2013年，任赛林等人在发明专利《基于Zigbee的病人定位监护管理系统》中提出利用Zigbee对病人进行进行定位监护的系统，但是只能对病人的体温和位置进行监控，在一定范围内实现对病人的无线定位。

5.2013年，Jiafu Wan等人在《Cloud-enabled wireless body area networks for pervasive healthcare》中将移动云计算引入到普适医疗系统中，但是没有涉及在病人处于紧急情况下的对应响应机制，同时也没有对病人的定位进行详细讨论。

发明内容

近期在人体无线传感器网络和移动技术的进展促进了基于移动设备的健康监测和警报系统的发展。这样的系统目的是提供对病人的身体健康状况提供实时的反馈，在健康受到威胁的时候触发警报。根据有关报道，88％的美国成年人拥有手机，这些移动设备给“无 所不在的健康医疗”提供了新的机会，许多基于移动设备的医疗监控设备已经得到了开发。然而由于手机的处理能力和电池寿命的限制，使其不适于资源密集型的应用。移动云计算作为一个迅速发展的领域，已经成为了一个很有前途的技术，能够以较低的成本给密集计算、存储和软件服务提供弹性的、可视化的服务。

本发明的目的主要是构建紧急医疗系统的框架，挽救更多的生命，更准确的确定危重病人的位置，为救护车和急救人员提供更多的时间，及时抢救生命垂危的病人。

本发明提供了一种基于危重病人的定位紧急医疗系统，所述系统包括人体无线传感器网络模块、用于数据传输的无线传输模块、基于云端服务的云服务模块以及授权服务模块，

所述人体传感器网络模块包括：

用于与各个无线传感器进行通信和数据传输的移动设备模块；

用于监测脑电活动的脑电图传感器模块；

用于监测血压的血氧浓度传感器模块；

用于监测心电活动的心电图传感器模块；

用于监测肌电活动的肌电信号传感器模块；

用于检测身体运动的四肢传感器模块；

所述无线传输模块包括装载大量天线的Massive MIMO(Multiple-Input Multiple-Output)系统模块以及互联网模块；

所述基云服务模块包括服务交换应用模块、云控制器以及数据中心；服务交换应用模块与云控制器以及数据中心相互之间进行数据交换；

授权服务模块包括医生、救护车以及医院等，均通过5G链路与服务交换应用模块连接。

人体无线传感器网络模块中的若干传感器模块通过5G链路连接至Massive MIMO系统模块系统，再通过5G链路连接至互联网模块，所述互联网模块与云服务模块进行数据交换。

一种基于危重病人的多目标定位方法，利用上述系统，通过massive MIMO系统中的多个基站协同合作，利用交叉定位法对病人进行定位，具体步骤如下：

(a)、三个基站构成一组，在每个基站上采用智能天线，对接收到的求救信号进行波达方向估计，每个病人有自己唯一的ID，从信号中提取不同病人的ID信息，区分不同病人移动设备发射的求救信号；

(b)、若忽略求救信号仰角的波达方向估计，只考虑方位角估计问题，那么三个基站中的任意两个可以给出两个不同的病人求救信号方向；

(c)、在同一平面两个基站测量的信号方向的交叉点就是病人所在的具体位置。

所述步骤(a)中求救信号的波达方向的估计采用存在未知互耦时的混合信号波达方向估计方法，其具体步骤如下：

(1)、通过左乘选择矩阵去除互耦影响；

(2)、对中心阵列输出数据的协方差矩阵进行特征分解得到信号子空间；

(3)、将信号子空间划分成前后两个小的信号子空间，基于ESPRIT算法，利用两个小的子空间构造另一个矩阵；

(4)、对构造的矩阵进行特征分解，获得对应的特征值，通过硬阈值法区分不相关信号和相干信号，并求得不相关信号的波达方向；

(5)、利用估计得到的不相关信号的波达方向重新构造不相关信号的导向矢量，重写互耦矩阵与不相关信号导向矢量的乘积；利用噪声子空间与前面所述乘积之间的正交性构造包含互耦系数的方程组，进而得到对互耦系数的估计；

(6)、利用估计得到的互耦矩阵和不相关信号的波达方向构造斜投影算子，与协方差矩阵相乘从而删除互耦影响，从而保留相干信号的信息；

(7)、对相干信号的协方差矩阵进行特征分解得到包含相干信号的信号子空间，利用稀疏表示理论，最后求得相干信号的波达方向估计。

人体传感器网络模块中能反映人体生理状态的最重要的参数一般为ECG和血压，其他物理参数可以作为辅助的判别手段。如图1所示，像手机这样的移动设备可以与人体的物理传感器通过无限的方式进行连接，通过WLAN、蓝牙、5G等进行数据的收集。可穿戴或者可植入的人体传感器已经在监控病人和年纪大的人的身体健康状况中得到广泛的使用，是连接物理世界与电子系统的桥梁。这些可穿戴和可植入的传感器构成了人体传感器网络，血氧参数、EEG、ECG、EMG、血压等物理信号都可以被对应的物理传感器记录下来。

无线传输模块中的移动设备作为人体无线传感器网络的网关，通过5G链路或者WiFi接入互联网与应用服务器进行协调用以对“卸载”策略进行判断。移动设备可以将可以根据其判断结果决定是否将健康医疗任务传送到云端进行处理。作为5G的核心技术，massive MIMO(Multiple-Input Multiple-Output)会极大提高无线网络的性能，其基站装备了很大数量的天线，可能几十到几百个天线，在相同的频带同时与多个用户进行通信。

基于云端服务的云服务模块云端接收到移动设备的请求，云控制器会将健康医疗任务在虚拟机上进行安排，然后将结果再传送回移动设备。云端的服务器框架是基于强劲的虚拟机资源，可以提供“无所不在的健康医疗”例如自动诊断、警报、基于位置信息的服务、智能诊断机制服务等。不同的用户例如病人、医生、医院和研究者可以获取多样的云服务通过多样的界面例如个人电脑、手机和其他移动设备。

在移动云计算和5G无线链路的支持下，提出了适用于紧急医疗系统的系统架构，促进移动设备在健康医疗中的使用，因此机器学习技术、定位方法和其他一些具有较大计算复杂度的应用可以在云服务器上进行处理。紧急医疗系统可以提供病人实时的健康信息，特别是在紧急情况下做出迅速诊断。

附图说明

图1为基于移动云计算的紧急医疗系统框架图；

图2为Massive MIMO系统对移动设备定位的示意图；

图3为基站之间合作对病人进行定位示意图；

图4为信号多径传播示意图。

具体实施方式

如图1所示，本发明提供了一种基于危重病人的定位紧急医疗系统，所述系统包括人体无线传感器网络模块、用于数据传输的无线传输模块、基于云端服务的云服务模块以及授权服务模块，

所述人体传感器网络模块包括：

用于与各个无线传感器进行通信和数据传输的移动设备模块；

用于监测脑电活动的脑电图传感器模块；

用于监测血压的血氧浓度传感器模块；

用于监测心电活动的心电图传感器模块；

用于监测肌电活动的肌电信号传感器模块；

用于检测身体运动的四肢传感器模块；

所述无线传输模块包括装载大量天线的Massive MIMO(Multiple-Input Multiple-Output)系统模块以及互联网模块；

所述基于云端服务的模块包括服务交换应用模块、云控制器以及数据中心；服务模块包括医生、救护车以及医院等。

在绝大多数情况下，本系统用来处理紧急医疗状况，特别是病人在户外的情况下，同时身边没有人员看护。在绝大多数国家，包括中国在内，即使病人周围有很多人围观，他们也不会去救助病人，他们只是在旁边围观，其中不懂基本医疗常识的占绝大多数。

如图1所示，在移动云计算的框架下，可以提供更准确的异地个人化医疗诊断和治疗。在第五代移动通信中载波频率会很高，带宽很大，同时基站数量也会非常多，设备密度很大。因此在移动云计算和5G无线链路的支持下，提出了适用于紧急医疗系统的系统架构，促进移动设备在健康医疗中的使用，因此机器学习技术、定位方法和其他一些具有较大计算复杂度的应用可以在云服务器上进行处理。紧急医疗系统可以提供病人实时的健康信息，特别是在紧急情况下做出迅速诊断。利用多个基站的协同合作，可以利用交叉定位法对多个病人进行同时定位。

这些医学监控数据被传送到医生那里进行详细评估，或者通过具有智能诊断机制的程序自动的对这些数据进行检测，用以发现任何异常情况。这样警报会及时的发送给负责照料的人。数据绝大部分是通过无线的方式进行传输，因此5G网络给病人监控提供了更多可能的新方法。传输速率和信道容量在新技术的支撑下会得到极大的提高。实时地数据传输可以在未来得到实现，用来更有效的监控病人。

在近些年，机器学习技术已经被广泛的研究，可以用来从数量巨大的医疗数据中自动的比较和识别异常状况。这些机器学习方法需要训练数量巨大的数据以获得更优越的训练性能。然而机器学习方法不能直接有效的在移动设备中进行使用，因为这些算法在数据的 迭代训练处理上花费了大量的计算复杂度，因此必须提出其他代替的策略从而让这些算法能在移动设备上有效的执行。

在移动云计算中，移动设备不需要强大的硬件性能，例如高速的CPU，大的存储容量，因为数据和复杂的计算模式例如机器学习算法中的数据训练都可以在云端进行处理和存储。人体无线传感器网络与移动云计算的无缝连接(包括有线和无线方式)可以通过5G基础设施和互联网得以实现。

移动设备作为人体无线传感器网络的网关，通过5G链路或者WiFi接入互联网与应用服务器进行协调用以对“卸载”策略进行判断。移动设备可以将可以根据其判断结果决定是否将健康医疗任务传送到云端进行处理。一旦云端接收到移动设备的请求，云控制器会将健康医疗任务在虚拟机上进行安排，然后将结果再传送回移动设备。云端的服务器框架是基于强劲的虚拟机资源，可以提供“无所不在的健康医疗”例如自动诊断、警报、基于位置信息的服务、智能诊断机制服务等。不同的用户例如病人、医生、医院和研究者可以获取多样的云服务通过多样的界面例如个人电脑、手机和其他移动设备。

其中的交换服务应用的角色类似防火墙，用以连接网络和云服务器。所有病人的数据必须通过这个防火墙来接入云服务器。主要的功能是检测授权对象(医生，医院等)，非法的接入是不允许的。辅助功能是它允许传感器在局部存储数据同时进行预处理，换句话说，它在将数据发送到云端之前对数据进行了整合和分析。所有病人的ID都在云端进行了注册，用以进行未来的分析以及研究，因此医生和研究者可以方便的管理病人的信息。

当病人的健康状况在紧急情况下，病人很可能已经陷入昏迷。整个数据传输流程如图1所示。其中心电信号和血压传感器可以探测到异常，这些异常数据随之传送到病人的移动设备上。一些预处理技术和应用可以在移动设备上率先执行，然后这些经过处理的数据通过5G链路传送到基站进而传送到互联网。在这种紧急情况下，病人数据会绕开服务交换应用被直接传送到云端服务器，不再需要授权。所有的数据分析和处理工作都会在基于智能诊断机制的云服务器上迅速进行，随后告警会及时的发送到关心病人身体状况的人或机构那里，例如医生，医院等。医生可以通过执行移动设备上面的应用程序了解病人的身体状况，其中大规模的计算在基于移动云计算的背景条件下被“卸载”到云端来处理。医院可以迅速派出紧急医疗救护人员和救护车到事发地点。

整个紧急医疗系统中的核心问题是对病人位置的定位，如果病人的确切位置被确定，距离患者最近的医院会马上派出救护车，在医院的医生也可以为抢救病人做好充分准备。在传统的框架下，对病人的定位更多的依靠GPS，然而在5G技术迅猛发展的今天，massive MIMO已经被广泛的研究，其在基站上面配备了数量众多的天线，通过简单的线性处理，可以提高几个数量级的频谱效率和能耗，在多个基站协作的情况下，病人的位置可以得到。

一种基于紧急医疗系统的多目标定位方法，利用上述系统，通过massive MIMO系统中的多个基站协同合作，利用交叉定位法对病人进行定位，具体步骤如下：

(a)、如图2所示，三个基站构成一组，在每个基站上采用智能天线，对接收到的求 救信号进行波达方向估计，因为每个病人有自己唯一的ID，因此可以从信号中提取不同病人的ID信息，这样可以区分不同病人移动设备发射的求救信号。

(b)、若忽略求救信号仰角的波达方向估计，只考虑方位角估计问题，那么三个基站中的任意两个可以给出两个不同的病人求救信号方向；

(c)、如图3所示，在同一平面两个基站测量的信号方向的交叉点就是病人所在的具体位置。另外一个基站的功能是确保对病人位置定位的精度和稳定性。因此，即使没有全球卫星导航系统(Global Position System，GPS)，病人的位置同样可以得到精确的定位。在紧急医疗系统中，各个医院的位置信息及其相关的救护人员和急救车辆的信息已经提前存储在系统中，在得到病人的精确位置之后，可以在最短的时间内调派距离病人最近医院的救护车以及急救人员，并将病人第一时间转送到医院，在最大程度上挽救病人的生命。

上述步骤(a)中求救信号的波达方向的估计采用存在未知互耦时的混合信号波达方向估计方法，其具体步骤如下：

(1)、通过左乘选择矩阵去除互耦影响；

(2)、对中心阵列输出数据的协方差矩阵进行特征分解得到信号子空间；

(3)、将信号子空间划分成前后两个小的信号子空间，基于ESPRIT算法，利用两个小的子空间构造另一个矩阵；

(4)、对构造的矩阵进行特征分解，获得对应的特征值，通过硬阈值法区分不相关信号和相干信号，并求得不相关信号的波达方向；

(5)、利用估计得到的不相关信号的波达方向重新构造不相关信号的导向矢量，重写互耦矩阵与不相关信号导向矢量的乘积；利用噪声子空间与前面所述乘积之间的正交性构造包含互耦系数的方程组，进而得到对互耦系数的估计；

(6)、利用估计得到的互耦矩阵和不相关信号的波达方向构造斜投影算子，与协方差矩阵相乘从而删除互耦影响，从而保留相干信号的信息；

(7)、对相干信号的协方差矩阵进行特征分解得到包含相干信号的信号子空间，利用稀疏表示理论，最后求得相干信号的波达方向估计。

实施例：

假设N个由病人移动设备发射的来自不同方向的窄带远场信号入射到基站装配的均匀线阵上。为了简便起见，假设基站装配的为智能天线，均匀线阵包含的天线个数为M。阵元之间的距离为半波长。如图4所示，实际由于建筑物的反射等，在实际条件下信号一般为多径传播，混合信号是最为常见的情况，即不相关信号与相干信号并存的情况。N_u个不相关信号在单径传播的条件下传播，每个信号s_k(t)从方向θ_k以能量入射到阵列上，其中k＝1,K,N_u，其余N_c个信号是在多径传播条件下的相干信号。假设有P组相干信号，在第p组，来自θ_pl的相干信号s_pl(t)对应于能力为的信号s_p(t)的第l条多径；复衰落系数为ρ_pl，并且|ρ_pl|≤1，l＝1,K,L_p，p＝N_u+1,K,N_u+P，因此有N_c＝Σ_pL_p，这些相干信号可以表示为s_1,1(t),K,K,s_P,1(t),K,并且有s_p,l(t)＝ρ_p,ls_p(t)。假设不同组之间的相干信号互不相关，并且与不相关信号之间互不相关。因此M×1维阵 列输出向量x(t)可以写为

$\begin{array}{c}x\left(t\right)=\underset{k=1}{\overset{N_u}{\mathrm{\Σ}}}\mathrm{Ca}\left({\mathrm{\θ}}_k\right)s_k\left(t\right)+{\mathrm{\Σ}}_{p=N_u+1}^{N_u+P}\underset{l=1}{\overset{L_p}{\mathrm{\Σ}}}\mathrm{Ca}\left({\mathrm{\θ}}_{\mathrm{pl}}\right){\mathrm{\ρ}}_{\mathrm{pl}}{s}_p\left(t\right)+n\left(t\right)\\ =C{A}_u{s}_u\left(t\right)+C{A}_c\mathrm{\Γ}{s}_c\left(t\right)+n\left(t\right)\\ =\mathrm{CAFs}\left(t\right)+n\left(t\right)\end{array}$

式中a(θ)＝[1,e^-jπsinθ,...,e^{-j(M-1)πsinθ}]^T是M×1维导向矢量，A＝[A_u,A_c]是M×N维阵列流形矩阵，是M×N_u维不相关信号的阵列流形矩阵； 是M×N_c维不相关信号的阵列流形矩阵。  $s_u\left(t\right)={[s_1\left(t\right),s_2\left(t\right),...,s_{N_u}\left(t\right)]}^T$ 和 $s_c\left(t\right)={[s_{N_u+1}\left(t\right),s_{N_u+2}\left(t\right),...,s_{N_u+P}\left(t\right)]}^T$ 分别为N_u×1维和P×1维的不相关信号矢量和相干信号矢量。 Γ＝blkdiag{ρ₁,ρ₂,...,ρ_P}，n(t)是M×1维噪声向量，其中每个分量的功率为。其中(·)^-1和(·)^T分别代表矩阵的逆和转置。blkdiag{Z₁,Z₂}代表一个块矩阵，其对角线元素为矩阵Z₁和Z₂。C是M×M维互耦矩阵。其中s(t)和n(t)是零均值宽平稳随机过程，n(t)中的各个元素之间互不相关，并且与信号之间互不相关。两个阵元之间的互耦系数与它们之间的距离成反比。当距离足够大的时候，互殴系数值逼近零。互耦矩阵C可以构建为一个带状对称的拓普利兹矩阵，其第一行为  $c=[1,c_1,K,c_{M_0},0,K,0]$ 并且满足 $0<\left|c_{M_0}\right|<\left|c_{M_0-1}\right|<L<c_0=1.$ 阵元数和互耦系数的总和满足M＞2M₀。因此互耦矩阵可以表示为

$C=\mathrm{Toeplitz}\left(c\right)=\left[\begin{array}{cccc}1& c_1& L& c_{M-1}\\ c_1& 1& L& c_{M-2}\\ M& M& M& M\\ c_{M-1}& c_{M-2}& L& 1\end{array}\right]=\begin{array}{}\left[\begin{array}{cccccccc}1& c_1& L& c_{M_0}& 0& L& L& 0\\ c_1& 1& c_1& L& c_{M_0}& 0& L& 0\\ M& M& M& M& M& M& M& M\\ 0& L& L& 0& c_{M_0}& L& c_1& 1\end{array}\right]\end{array}$

基于阵列输出向量x(t)，阵列输出的协方差矩阵可以表示为

$\begin{array}{c}{R}_x=E\left\{x\left(t\right)x^H\left(t\right)\right\}=\mathrm{CAE}{R}_s{E}^H{A}^H{C}^H+{\mathrm{\&sigma;}}_n^2{I}_M\\ =C{A}_u{R}_u{A}_u^H{C}^H+{\mathrm{CA}}_c\mathrm{\&Gamma;}{R}_c{\mathrm{\&Gamma;}}^H{A}_c^H{C}^H+{\mathrm{\&sigma;}}_n^2{I}_M\end{array}$

式中 $R_u=E\left\{s_u\left(t\right)s_u^H\left(t\right)\right\},R_c=E\left\{s_c\left(t\right)s_c^H\left(t\right)\right\},$ I_M代表M×M维单位阵。根据假设有 $R_c=\mathrm{diag}\{{\mathrm{\&sigma;}}_{N_u+1}^2,{\mathrm{\&sigma;}}_{N_u+2}^2,...,{\mathrm{\&sigma;}}_{N_u+P}^2\}.$

通常C是非奇异矩阵，然而在C未知的情况下，很难估计求救信号的波达方向。因为A_u和A_c是Vandermonde矩阵，所以任意一个导向矢量不能写成其他导向矢量的线性组合。矩阵CAE的列线性独立，因此矩阵CAER_sE^HA^HC^H的秩为N_u+P。为了估计不相关信号的波达方向，互耦和相干信号的影响必须删除或者得到补偿。

为了删除互耦影响，在均匀线阵的前M₀和后M₀个阵元选作辅助阵元，新的均匀线阵阵元数为这种方法给人的第一印象是一个不合理的想法，因为要丢弃阵列接收数据的一部分信息，然而通过阵列孔径的牺牲，可以换来互耦影响的消除。定义 选择矩阵 $F=\left[0_{(M-2M_0)\&times;M_0}{I}_{M-2M_0}{0}_{(M-2M_0)\&times;M_0}\right],$ 中心阵列的输出可以写为

$\begin{array}{c}\stackrel{\&OverBar;}{x}\left(t\right)=\mathrm{Fx}\left(t\right)=\mathrm{FC}{A}_u{s}_u\left(t\right)+\mathrm{FC}{A}_c\mathrm{\&Gamma;}{s}_c\left(t\right)+F{N}_1\left(t\right)\\ =\stackrel{\&OverBar;}{C}{A}_u{s}_u\left(t\right)+\stackrel{\&OverBar;}{C}{A}_c\mathrm{\&Gamma;}{s}_c\left(t\right)+{\stackrel{\&OverBar;}{N}}_1\left(t\right)\end{array}$

式中 维新的互耦矩阵可以写为

$\stackrel{\&OverBar;}{C}=\mathrm{FC}=\left[\begin{array}{cccccccc}{c}_{M_0}& L& 1& L& c_{M_0}& 0& L& 0\\ 0& c_{M_0}& L& 1& L& c_{M_0}& L& 0\\ M& O& O& L& O& L& O& M\\ 0& L& 0& c_{M_0}& L& 1& L& c_{M_0}\end{array}\right]$

在互耦矩阵和导向矢量之间有一个重要的关系，可以写为

$\stackrel{\&OverBar;}{C}a\left({\mathrm{\&theta;}}_k\right)=\left[\begin{array}{c}{C}_1\\ C_2\\ M\\ C_{M_0-1}\\ C_{M_0}\end{array}\right]=C\left[\begin{array}{c}1\\ v_k\\ M\\ v_k^{M_0-1}\end{array}\right]=v_k^{M_0}D\stackrel{\&OverBar;}{a}\left({\mathrm{\&theta;}}_k\right)=c\left({\mathrm{\&theta;}}_k\right)\stackrel{\&OverBar;}{a}\left({\mathrm{\&theta;}}_k\right)$

其中

$C_1=c_{M_0}+L+c_1{v}_k^{M_0-1}+v_k^{M_0}+c_1{v}_k^{M_0+1}+L+c_{m_0}{v}_k^{{2M}_0}$

$C_2=c_{M_0}{v}_k+L+c_1{v}_k^{M_0}+v_k^{M_0+1}+c_1{v}_k^{M_0+2}+L+c_{M_0}{v}_k^{{2M}_0+1}$

$C_{M_0-1}=c_{M_0}{v}_k^{M-2M_0-2}+L+c_1{v}_k^{M-M_0-2}+v_k^{M-M_0-1}+c_1{v}_k^{M-M_0}+L+c_{M_0}{v}_k^{M-2}$

$C_{M_0}=c_{M_0}{v}_k^{M-2M_0-1}+L+c_1{v}_k^{M-M_0-1}+v_k^{M-M_0}+c_1{v}_k^{M-M_0+1}+L+c_{M_0}{v}_k^{M-1}$

$C=c_{M_0}+L+c_1{v}_k^{M_0-1}+v_k^{M_0}+c_1{v}_k^{M_0+1}+L+c_{M_0}{v}_k^{2M_0}$

$D=2{\mathrm{\&Sigma;}}_{m_0=1}^{M_0}{c}_{m_0}\cos (2m_0\mathrm{\&pi;}\cos \left({\mathrm{\&theta;}}_k\right)/\mathrm{\&lambda;})+1$

式中 是中心阵列(阵元M₀+1～M-M₀)的理想导向矢量，c(θ_k)是一个标量函数只与互耦系数和入射信号的方向θ_k有关，定义为

$c\left({\mathrm{\&theta;}}_k\right)=v_k^{M_0}D$

当D≠0时，有 $\stackrel{\&OverBar;}{C}{A}_u={\stackrel{\&OverBar;}{A}}_u{B}_u={\hat{A}}_u$ 和 $\stackrel{\&OverBar;}{C}{A}_c\mathrm{\&Gamma;}={\stackrel{\&OverBar;}{A}}_c{B}_c\mathrm{\&Gamma;}={\stackrel{\&OverBar;}{A}}_c\stackrel{\&OverBar;}{\mathrm{\&Gamma;}},$ 式中  ${\stackrel{\&OverBar;}{A}}_u=[\stackrel{\&OverBar;}{a}\left({\mathrm{\&theta;}}_1\right),\stackrel{\&OverBar;}{a}\left({\mathrm{\&theta;}}_2\right),...,\stackrel{\&OverBar;}{a}\left({\mathrm{\&theta;}}_{N_u}\right)],{\stackrel{\&OverBar;}{A}}_c=[\stackrel{\&OverBar;}{a}\left({\mathrm{\&theta;}}_{N_u+1}\right),\stackrel{\&OverBar;}{a}\left({\mathrm{\&theta;}}_{N_u+2}\right),...,\stackrel{\&OverBar;}{a}\left({\mathrm{\&theta;}}_N\right)],$ $B_u=\mathrm{diag}\{c\left({\mathrm{\&theta;}}_1\right),c\left({\mathrm{\&theta;}}_2\right),...,c\left({\mathrm{\&theta;}}_{N_u}\right)\}.$ B_c＝blkdiag{B₁,B₂,...,B_P}，  $B_p=\mathrm{diag}\{c\left({\mathrm{\&theta;}}_{p1}\right),c\left({\mathrm{\&theta;}}_{p2}\right),...,c\left({\mathrm{\&theta;}}_{p{L}_p}\right)\},$ 同时有 $\stackrel{\&OverBar;}{\mathrm{\&Gamma;}}=\mathrm{blkdiag}\{{\stackrel{\&OverBar;}{\mathrm{\&rho;}}}_1,{\stackrel{\&OverBar;}{\mathrm{\&rho;}}}_2,...,{\stackrel{\&OverBar;}{\mathrm{\&rho;}}}_P\},$ 式中 diag{z₁,z₂}代表一个对角矩阵，其中对角线元素为z₁和z₂。那么中心阵列输出可以写成另一种形式

$\begin{array}{c}\stackrel{\&OverBar;}{x}\left(t\right)=\stackrel{\&OverBar;}{C}{A}_u{s}_u\left(t\right)+\stackrel{\&OverBar;}{C}{A}_c\mathrm{\&Gamma;}{s}_c\left(t\right)+{\stackrel{\&OverBar;}{N}}_1\left(t\right)\\ ={\hat{A}}_s{s}_u\left(t\right)+{\stackrel{\&OverBar;}{A}}_c\stackrel{\&OverBar;}{\mathrm{\&Gamma;}}{s}_c\left(t\right)+{\stackrel{\&OverBar;}{N}}_1\left(t\right)=\stackrel{\&OverBar;}{A}\stackrel{\&OverBar;}{E}s\left(t\right)+{\stackrel{\&OverBar;}{N}}_1\left(t\right),\end{array}$

式中并且有因此互耦影响可以删除，相关信号可以用硬阈值方法加以分辨。

对中心阵列输出的协方差矩阵进行特征分解，可以得到

${\stackrel{\&OverBar;}{R}}_x=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i{e}_i{e}_i^H={\stackrel{\&OverBar;}{U}}_s{\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_s{\stackrel{\&OverBar;}{U}}_s^H+{\stackrel{\&OverBar;}{U}}_n{\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_n{\stackrel{\&OverBar;}{U}}_n^H$

式中λ_i和e_i分别代表第i个特征值和对应的特征向量。和分别代表对应特征向量构成的信号子空间和噪声子空间，特征向量分别对应于N_u+P个大特征值和M-2M₀-(N_u+P)个小特征值。和是由对应特征值构成的对角矩阵。

因为的列张成的N_u+P维空间与张成的列空间是同一个空间，那么存在一个(N_u+P)×(N_u+P)维满秩矩阵，满足

${\stackrel{\&OverBar;}{U}}_s=\stackrel{\&OverBar;}{A}\stackrel{\&OverBar;}{E}T$

基于ESPRIT算法，中心阵列可以划分成两个相同的子阵，对应的信号子空间U_s可以划分为两个(M-2M₀-1)×(N_u+P)维矩阵，可以表示为：

${\stackrel{\&OverBar;}{U}}_f={\stackrel{\&OverBar;}{U}}_s(1:M-1,:)={\stackrel{\&OverBar;}{A}}_1\stackrel{\&OverBar;}{E}T$

${\stackrel{\&OverBar;}{U}}_b={\stackrel{\&OverBar;}{U}}_s(2:M,:)={\stackrel{\&OverBar;}{A}}_2\stackrel{\&OverBar;}{E}T$

式中和分别对应阵列流形矩阵A的前(M-2M₀-1)行和后(M-2M₀-1)行。 和的关系可以表示为

${\stackrel{\&OverBar;}{A}}_1\mathrm{\&Phi;}={\stackrel{\&OverBar;}{A}}_2$

式中根据上述三式，可以得

${\stackrel{\&OverBar;}{U}}_b={\stackrel{\&OverBar;}{A}}_1\mathrm{\&Phi;}\stackrel{\&OverBar;}{E}T$

那么和之间的关系可以转换为

$\stackrel{\&OverBar;}{U}={\stackrel{\&OverBar;}{U}}_f^V{\stackrel{\&OverBar;}{U}}_b=T^{-1}{\stackrel{\&OverBar;}{E}}^V\mathrm{\&Phi;}\stackrel{\&OverBar;}{E}T$

式中是一个(N_u+P)×(N_u+P)维矩阵，(·)^V代表矩阵的伪逆。根据简单的数学推导，可得

${\stackrel{\&OverBar;}{E}}^V\mathrm{\&Phi;}\stackrel{\&OverBar;}{E}=\left[\begin{array}{cc}{\mathrm{\&Lambda;}}_u& 0\\ 0& {\mathrm{\&Lambda;}}_c\end{array}\right]=\mathrm{\&Lambda;}$

式中 ${\mathrm{\&Lambda;}}_u=\mathrm{diag}\{{\mathrm{\&eta;}}_1,...,{\mathrm{\&eta;}}_{N_u}\}$ 和 ${\mathrm{\&Lambda;}}_c=\mathrm{diag}\{{\mathrm{\&eta;}}_{N_u+1},...,{\mathrm{\&eta;}}_{N_u+1}\}$ 分别对应于不相关信号和相干信号的波达方向估计信息。的特征分解可以表示为

$\stackrel{\&OverBar;}{U}=G^{-1}\mathrm{\&Lambda;G}$

式中是矩阵对应的特征向量，它们对应的特征值为 G_u和G_c由对应于不相关和相干信号的特征向量构建而成。对角矩阵Λ中元素的性质满足下式：

$1=\left|{\mathrm{\&eta;}}_1\right|=\left|{\mathrm{\&eta;}}_2\right|=L=\left|{\mathrm{\&eta;}}_{N_u}\right|>\left|{\mathrm{\&eta;}}_{N_u+1}\right|\&GreaterEqual;\left|{\mathrm{\&eta;}}_{N_u+2}\right|\&GreaterEqual;L\&GreaterEqual;\left|{\mathrm{\&eta;}}_{N_u+P}\right|$

因此硬阈值方法可以用来区分不相关信号和相干信号。基于上式，不相关信号的波达方向估计可以有下式得到：

${\mathrm{\&theta;}}_k=\arcsin \left(\frac{\mathrm{angle}\left({\mathrm{\&eta;}}_k\right)}{\mathrm{\&pi;}}\right),k=1,...,N_u$

在得到不相关信号的波达方向估计之后，随之可以得到互耦系数的估计。矩阵CAER_sE^HA^HC^H的秩为N_u+P。对R_x进行特征分解，可以得到

$R_x=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_i{u}_i{u}_i^H=U_s{\mathrm{\&Sigma;}}_s{U}_s^H+U_n{\mathrm{\&Sigma;}}_n{U}_n^H$

式中γ_i和u_i分别代表第i个特征值和特征向量。U_s和U_n分别代表信号子空间和噪声子空间，由特征向量和分别构造而成，它们对应于N_u+P个大特征值和M-(N_u+P)个小特征值。由CA_c和CA_u张成的信号子空间与噪声子空间正交。因此有

$U_n^H\mathrm{Ca}\left({\mathrm{\&theta;}}_k\right)=0,k=\mathrm{1,2},...,N_u$

$U_n^{H}C{A}_{\mathrm{cp}}{\mathrm{\&rho;}}_p=0,p=N_u+1,...,N_u+P$

式中 $U_n=[u_{N_u+P+1},...,u_M].$ Ca(θ)可以表示为

$\begin{array}{c}\mathrm{Ca}\left(\mathrm{\&theta;}\right)=\left[\begin{array}{cccc}1& c_1& L& c_{M-1}\\ c_1& 1& L& c_{M-2}\\ M& M& M& M\\ c_{M-1}& c_{M-2}& L& 1\end{array}\right]\left[\begin{array}{c}1\\ e^{\mathrm{j\&tau;}\left(\mathrm{\&theta;}\right)}\\ M\\ e^{j(M-1)\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}\end{array}\right]\\ =\left[\begin{array}{ccccc}1& e^{\mathrm{j\&tau;}\left(\mathrm{\&theta;}\right)}& L& e^{j(M-2)\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}& e^{j(M-1)\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}\\ e^{\mathrm{j\&tau;}\left(\mathrm{\&theta;}\right)}& 1+e^{j2\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}& L& e^{j(M-1)\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}& 0\\ e^{j2\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}& e^{\mathrm{j\&tau;}\left(\mathrm{\&theta;}\right)}+e^{j3\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}& L& 0& 0\\ M& M& O& M& 0\\ e^{j(M-2)\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}& e^{j(M-3)\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}+e^{j(M-1)\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}& L& 1& 0\\ e^{j(M-1)\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}& e^{j(M-2)\mathrm{\&tau;}\left(\mathrm{\&theta;}\right)}& L& e^{\mathrm{j\&tau;}\left(\mathrm{\&theta;}\right)}& 1\end{array}\right]\end{array}$

式中T(θ)是两个M×(M₀+1)维矩阵的和。基于上式，和的估计值，可得

上式为互耦系数c的线性方程组。因此互耦矩阵可以定义为：

$Q=\left[\begin{array}{c}{U}_n^{H}T\left({\mathrm{\&theta;}}_1\right)\\ M\\ U_n^{H}T\left({\mathrm{\&theta;}}_{N_u}\right)\end{array}\right]$

上式可以写为：Qc＝0。式中Q为一个N_u(M-N_u-P)×(M₀+1)维矩阵，  $Q=[q_1,q_2,...,q_{N_u}].$ 因为c(1)＝1，所以有

$\mathrm{Qc}=[q_1,q_2,...,q_{M_0+1}]\left[\begin{array}{c}1\\ c_1\\ M\\ c_{M_0}\end{array}\right]=0$

当N_u(M-N_u-P)≥M₀-1时，利用最小均方误差解，互耦系数可以由下式计算得到：

$[c_1,c_2,...,c_{M_0}]=-[q_2,...,q_{M_0+1}{]}^V{q}_1$

为了估计相干信号的波达方向，不相关信号的信息必须从阵列输出的协方差矩阵中删除。相干信号的波达方向可以由孔径减小的中信阵列来实现，然而这样就损失了阵列孔径。为了解决这个问题，这里仍然用原始阵列。不相关信号的阵列流形矩阵A_u和互耦矩阵C可以分别由和的估计值进行构建。利用斜投影技术，相干信号的信息可以与不相关信号的信息分离开来。定义一个M×M维的斜投影算子

$P={\mathrm{CA}}_u{\left(A_u^H{C}^H{P}_{{\mathrm{CA}}_c\mathrm{\&Gamma;}}^{\&perp;}{\mathrm{CA}}_u\right)}^{-1}{A}_u^H{C}^H{P}_{{\mathrm{CA}}_c\mathrm{\&Gamma;}}^{\&perp;}$

式中代表由矩阵CA_cΓ的列张成空间的正交补空间。然而没有A_c的先验信息，斜投影算子P很难计算。这里利用一种替代方法来计算斜投影算子。当条件N_u+P≤M满足时，斜投影算子可以表示为另一种形式

$P={\mathrm{CA}}_u{\left(A_u^H{C}^H{R}_x^V{\mathrm{CA}}_u\right)}^{-1}{A}_u^H{C}^H{R}_x^V$

式中定义一个新的矩阵Z，利用斜投影的性质，可得

$Z=(I_M-P)R_Y{(I_M-P)}^H={\mathrm{CA}}_c\mathrm{\&Gamma;}{R}_c{\mathrm{\&Gamma;}}^H{A}_c^H{C}^H$

为了删除互耦影响，可以在矩阵Z的两端乘C^-1可以得到一个M×M维矩阵

${\stackrel{\&OverBar;}{R}}_c=C^{-1}Z{\left(C^{-1}\right)}^H=A_c\mathrm{\&Gamma;}{R}_c{\mathrm{\&Gamma;}}^H{A}_c^H$

对进行特征分解可得

${\stackrel{\&OverBar;}{R}}_c=U_{\mathrm{cs}}\stackrel{\&OverBar;}{\mathrm{\&Lambda;}}{U}_{\mathrm{cs}}^H=\left[U_{\mathrm{cs}}{U}_{\mathrm{cn}}\right]\left[\begin{array}{cc}{\mathrm{\&Lambda;}}_{\mathrm{cs}}& 0\\ 0& {\mathrm{\&Lambda;}}_{\mathrm{cn}}\end{array}\right]=U_{\mathrm{cs}}{\mathrm{\&Lambda;}}_{\mathrm{cs}}{U}_{\mathrm{cs}}^H+U_{\mathrm{cn}}{\mathrm{\&Lambda;}}_{\mathrm{cn}}{U}_{\mathrm{cn}}^H$

式中U_cs和U_cn由对应的P个大特征值和M-P个小特征值所对应的特征向量构建而成。A_cΓ张成信号子空间，Λ_cs和Λ_cn是对角矩阵，它们的对角线元素分别为P个大特征值和M-P个小特征值，协方差矩阵是秩亏的，N_c个大特征值所对应的N_c个相干信号的波达方向不能通过对进行特征分解得到。只有P个大特征值对应的P组相干信号可以得到。假设第p个特征值对应的特征向量为τ_p，p＝1,...,P，因此有

U_cs＝[τ₁,...,τ_P]

定义一个P×P非奇异矩阵U_cs和A_cΓ之间的关系可以表示为

$U_{\mathrm{cs}}=A_c\mathrm{\&Gamma;}\stackrel{\&OverBar;}{T}=A_c{G}_0$

式中是一个M×P维列满秩矩阵。基于稀疏表示理论，可得

$U_{\mathrm{cs}}=A_c{G}_0={\stackrel{\&OverBar;}{A}}_c{G}_{\mathrm{cs}}$

式中M×K维矩阵包含所有可能的信号入射方向。矩阵G_cs的每一列的稀疏度为N_c，并且具有相同的稀疏特性。，也就是矩阵G_cs的每一列具有相同的支撑。如果入射信号来自那么矩阵G_cs的第k行不等于零而等于s_k(t)，k＝1,...,N_c，从其他位置入射时，矩阵G_cs的第k行等于零。那么上式可以转换成一个求解l₁范数最小化的问题：

$\hat{H}=\arg \underset{H}{\min }{\left|\right|U_{\mathrm{cs}}-{\stackrel{\&OverBar;}{A}}_c{G}_{\mathrm{cs}}\left|\right|}_F^2+{\mathrm{\&lambda;}}_2{\left|\right|G_{\mathrm{cs}}\left|\right|}_{\mathrm{2,1}}$

从上式可以看出其是一个多重向量测量问题，然而当信号全部相干时，即P＝1时，信号子空间退化成一个M×1向量。那么上式就转化为一个单次测量向量问题，即

$U_{\mathrm{cs}}={\stackrel{\&OverBar;}{A}}_c{G}_s$

式中G_cs＝G_s是具有稀疏度N_c的K×1维向量。那么相干信号的波达方向最终得以估计。

Claims (4)

1. 一种基于危重病人的定位紧急医疗系统，其特征在于：所述系统包括人体无线传感器网络模块、用于数据传输的无线传输模块、基于云端服务的云服务模块以及授权服务模块，

所述无线传输模块包括装载天线的Massive MIMO系统模块以及互联网模块；

所述云服务模块包括服务交换应用模块、云控制器以及数据中心；所述服务交换应用模块与云控制器以及数据中心相互之间进行数据交换；

所述授权服务模块包括医生、救护车以及医院，均通过5G链路与服务交换应用模块连接；

所述人体无线传感器网络模块中的若干传感器模块通过5G链路连接至Massive MIMO系统模块系统，再通过5G链路连接至互联网模块，所述互联网模块与云服务模块进行数据交换。

2. 根据权利要求1所述的一种基于危重病人的定位紧急医疗系统，其特征在于：所述人体无线传感器网络模块包括：

用于与各个无线传感器进行通信和数据传输的移动设备模块；

用于监测脑电活动的脑电图传感器模块；

用于监测血压的血氧浓度传感器模块；

用于监测心电活动的心电图传感器模块；

用于监测肌电活动的肌电信号传感器模块；

用于检测身体运动的四肢传感器模块。

3. 一种基于危重病人的多目标定位方法，其特征是根据权利要求1-2所述的系统，通过massive MIMO系统中的多个基站协同合作，利用交叉定位法对病人进行定位，具体步骤如下：

（a）、三个基站构成一组，在每个基站上采用智能天线，对接收到的求救信号进行波达方向估计，每个病人有自己唯一的ID，从信号中提取不同病人的ID信息，区分不同病人移动设备发射的求救信号；

（b）、若忽略求救信号仰角的波达方向估计，只考虑方位角估计问题，那么三个基站中的任意两个可以给出两个不同的病人求救信号方向；

（c）、在同一平面两个基站测量的信号方向的交叉点就是病人所在的具体位置。

4.根据权利要求3所述的一种基于危重病人的多目标定位方法，其特征在于：所述步骤（a）中求救信号的波达方向的估计采用存在未知互耦时的混合信号波达方向估计方法，其具体步骤如下：

（1）、通过左乘选择矩阵去除互耦影响；

（2）、对中心阵列输出数据的协方差矩阵进行特征分解得到信号子空间；

（3）、将信号子空间划分成前后两个小的信号子空间，基于ESPRIT算法，利用两个小的子空间构造另一个矩阵；

（4）、对构造的矩阵进行特征分解，获得对应的特征值，通过硬阈值法区分不相关信号和相干信号，并求得不相关信号的波达方向；

（5）、利用估计得到的不相关信号的波达方向重新构造不相关信号的导向矢量，重写互耦矩阵与不相关信号导向矢量的乘积；利用噪声子空间与前面所述乘积之间的正交性构造包含互耦系数的方程组，进而得到对互耦系数的估计；

（6）、利用估计得到的互耦矩阵和不相关信号的波达方向构造斜投影算子，与协方差矩阵相乘从而删除互耦影响，从而保留相干信号的信息；

（7）、对相干信号的协方差矩阵进行特征分解得到包含相干信号的信号子空间，利用稀疏表示理论，最后求得相干信号的波达方向估计。