CN111145896B - 一种分布式的5g医疗物联网健康监测方法 - Google Patents

Abstract

本发明属于医疗物联网下的健康监测技术领域，公开了一种分布式的5G医疗物联网健康监测方法，将边缘计算与医疗物联网相结合，研究医疗物联网中资源分配和任务调度的优化问题，以最小化系统开销为目标给出分布式健康监测方法。考虑医疗物联网的特性，系统开销定义为关于健康监测数据的医疗重要性，新鲜度和能耗的函数。由于优化问题受到多个变量约束，且变量之间相互耦合，本发明根据医疗物联网的两个子网络将原优化问题分解为两个子优化问题，即无线人体局域网内部网络资源分配问题IWS和无线人体局域网外部网络任务调度问题BWS。本发明提供了医疗物联网下的分布式健康监测的一种新方法。

Description

一种分布式的5G医疗物联网健康监测方法

技术领域

本发明属于医疗物联网下的健康监测技术领域，尤其涉及边缘计算支持的5G分布式室内健康监测方法。

背景技术

物联网(IoT)将众多的设备与人类联系在一起，其中一个重要分支就是提供无处不在的室内医疗保障。医疗物联网(IoMTs)的迅速发展促进了室内健康监测网络的普及。现代社会人们生活承受着巨大的压力，很难及时接受医疗检查并及时寻求医疗建议，从而增大了慢性病(例如心脏病或肺部疾病)恶化的风险。此外，频谱资源的稀缺和大量的医疗数据导致过高的延迟和能耗，限制了IoMTs的进一步发展。为了减轻医疗保健基础设施的负担，避免疾病恶化，更高效的室内健康检测方法有待于研究人员的进一步探索。

发明内容

本发明的目的主要针对现有研究的一些不足之处，以最小化系统开销为目标，提出IoMTs下分布式的室内5G医疗物联网健康监测方法。我们将IoMTs划分为两个子网络：无线人体局域网内部网络(intra-WBANs)和无线人体局域网外部网络(beyond-WBANs)。结合IoMTs不同于传统IoT的特征，系统开销与被监测数据的医疗重要性，新鲜度和分析原始数据的能耗有关。对于intra-WBANs，本发明将其转化为合作博弈，利用纳什讨价还价解得到最优信道资源分配。对于beyond-WBANs，本发明考虑到用户的个人理性和潜在的自私性，提出了一种基于潜博弈的分布式非合作博弈方法，以最小化系统开销。

本发明的技术方案：

一种分布式的5G医疗物联网健康监测方法，步骤如下：

(1)构建IoMTs网络模型，包括intra-WBANs和beyond-WBANs下被监测数据的医疗重要性、新鲜度和分析原始数据的能耗模型；

考虑边缘计算支持的室内健康监测WBANs，其中部署在患者身上的传感器监测各种类型的原始医疗数据，然后将它们传输到附近的边缘服务器进行医学分析；

构建的IoMTs健康监测模型包含N个患者，每位患者全身部署了M个传感器，此外K个边缘服务器提供医疗分析计算服务；用τ_i,m＝{d_i,m,c_i,m,s_i,m}表示部署在患者i身上的传感器m监测到的原始医疗信息，其中d_i,m表示数据大小，c_i,m表示完成医疗分析任务需要的CPU周期数，s_i,m表示该数据的医疗重要性等级；

IoMTs健康监测模型内的资源调度分为两个子阶段：intra-WBANs调度(IWS)和beyond-WBANs调度(BWS)；对于IWS，传感器以正交频分多址接入(OFDMA)方式传输健康监测数据包；由于IoMTs中的医疗信息高度延迟敏感，因此传输到医疗中心的数据包不能过时(新鲜度过低)。因此，IWS的目标是保证所有受监测医疗信息的新鲜度；对于BWS，所有健康监测数据包(即原始数据)被传输到医疗中心之前都需要经由本地设备(本地计算)或边缘服务器(边缘计算)处理；非正交多址接入(NOMA)和OFDMA技术被用于5G beyond-WBANs传输；BWS利用边缘服务器的计算资源和本地计算资源来处理由传感器采集的健康监测数据包，旨在最小化IoMTs的系统开销；

定义监测数据的医疗重要性、新鲜度和能耗三个因素共同决定系统开销；第一个因素是健康监测数据包的医疗重要性，它从医学的角度反映了监测数据的健康严重性指标；WBANs可协助医疗系统远程实时监测患者；为了全面监测患者的健康状况，每位患者身上部署了多个异构传感器，以收集各种数据进行健康状况评估；例如，ElectroCardioGram(ECG)传感器负责心率，血压和术后监测，而陀螺仪胰岛素监测器则负责监测血糖。一般来说，以上两种医疗数据的医疗重要性不同，即健康监测数据包需要根据其医疗关键性分为几个等级，IEEE 802.15.6标准中提供了相应的分级参考；

健康监测数据包按照医疗重要性划分为S个离散的医疗重要性等级，用

表示；对于由患者i生成的健康监测数据包，定义二进制变量x_i,m,s指示其医疗重要性等级，其中x_i,m,s＝1表示健康监测数据包医疗重要性等级为s，否则x_i,m,s＝0；令C_i,m表示部署在患者i身上的传感器m监测到的所有数据包的累计医疗重要性，计算公式如下：

其中，β_i,m,s∈[0,∞)表示重要性相关系数。对于任意两个医疗重要性等级s和s'，如果等级s的健康监测数据的重要性高于等级s'，那么β_i,m,s＞β_i,m,s′；

决定系统开销的第二个因素是数据的新鲜度；传感器监测的任何医疗信息都是时间敏感的，过时的数据会影响医疗中心对于患者健康状况的评估；理想情况下，传感器能够实时监测患者的各项指标，并将最新的数据实时传输到边缘服务器进行分析；然而，由于无线通信资源和服务器计算能力的限制，实时更新监测信息是难以实现的。因此，健康监测方法考虑了监测数据的新鲜度，通信和计算资源将在数据新鲜度的约束下按需分配；传感器m最近一次传输监测数据的时间记为

在时隙t时，传感器m监测的数据的新鲜度表示为：

能耗是影响系统开销的第三个因素；由于可穿戴设备(例如人体传感器和本地设备)没有稳定的电源，因此长时间工作带来的过多能耗缩短了这些设备的寿命，限制了WBANs的发展。Intra-WBANs和beyond-WBANs的能耗是影响整个健康监测系统寿命的重要因素；

对于intra-WBANs，传感器消耗电能来进行健康监测，并将监测数据传输到网关；信道带宽以OFDMA的方式分配给传感器，用ω_i,m表示分配给传感器m的带宽；其传输速率通过以下公式计算：

其中，p_i,m表示传输功率，h_i,m表示信道增益，σ²表示噪声功率；相应的，健康监测数据的传输延迟和能耗通过以下公式计算：

从传感器接收到健康监测数据后，网关选择通过本地设备或边缘服务器处理这些数据；所有患者的策略集用a＝{a₁,a₂,…,a_N}表示；由于每位患者的决策是相互关联的，因此本方法定义I(k＝a_i),k∈K,i∈N指示患者i是否选择边缘服务器k，I(k＝a_i)＝1表示患者i将健康监测数据上传到边缘服务器k进行处理，否则I(k＝a_i)＝0；类似的，I(a_j＝a_i),i,j∈N可以指示患者i和j的策略是否相同(选择本地设备或同一边缘服务器处理数据)，I(a_j＝a_i)＝1表示两者策略相同，反之I(a_j＝a_i)＝0；给定策略集a，患者i的上传速率通过如下公式计算：

其中，p_i表示患者i的网关的传输功率；B表示边缘服务器占用的信道带宽；h_j,k表示除患者i以外其他患者的信道增益；

由于边缘服务器和医疗中心通过高速光缆通信，与拥塞的无线通信相比，其能耗和延迟可以忽略不计。Beyond-WBANs内的能耗开销主要来源于患者上传数据的传输能耗，以及数据处理能耗。基于传输速率R_i(a)，患者i的传输能耗由以下公式计算：

本地设备和边缘服务器都可以处理健康监测数据；令

和

分别表示本地设备和边缘服务器的计算能力。边缘服务器的总计算资源表示为F^e；占用同一边缘服务器的患者均等地共享计算资源，每个人获得的计算能力通过如下公式计算：

其中，n^e(a)表示与患者i占用同一边缘服务器的人数；本地设备和边缘服务器的数据处理能耗分别通过如下公式计算：

其中，c_i表示完成患者i的全部传感器监测的医疗分析任务需要的CPU周期数；p_i和p_e分别表示本地设备和边缘服务器的任务处理功率；

基于传感器和网关的传输能耗，以及本地设备和边缘服务器的数据处理能耗，IoMTs内的总能耗通过如下公式得到：

(2)根据步骤(1)中的IoMTs网络模型，以最小化系统开销为目标，描述优化问题；根据IoMTs的两个子网络，将优化问题分解为两个子问题，第一个子问题求解intra-WBANs下的信道资源分配；第二个子问题求解beyond-WBANs下的传输决策；

2.1)根据(1)中的IoMTs网络模型，以最小化系统开销为目标，描述优化问题：

本方法定义

和

三个[0,1]区间内的变量分别作为医疗重要性、新鲜度和能耗相关系数；系统开销表示为三个因素的线性组合，优化问题描述如下：

s.t.

C1:

C2:

C3:

C4:

C5:

C6:

其中，C1约束所有传感器所监测数据的新鲜度都不能超过阈值

从而确保所有医疗信息都能及时更新；C2约束患者共享的边缘服务器的计算能力不超过其总量；C3限制分配给传感器的带宽不能超过阈值ω^max；C4，C5和C6约束几个变量的取值范围；

2.2)根据IoMTs的两个子网络，将优化问题分解为两个子问题：

通过观察步骤2.1)的系统开销函数发现，将健康监测数据上传到边缘服务器时，每个患者的开销不仅取决于自己的决策，还取决于其他人的策略；如果过多的患者占用同一边缘服务器，相应的传输和计算速率会下降，导致数据的上传和处理开销增加。在这种情况下，本地计算更适合这些患者。为了解决步骤(2.1)的优化问题内部的变量耦合问题，本方法根据IoMTs的两个子网络，将原优化问题分解为两个子问题，即Intra-WBANs调度(IWS)问题和Beyond-WBANs调度(BWS)问题。

在intra-WBANs内，传感器将健康监测数据发送给网关，系统开销主要取决于监测数据的医疗重要性、新鲜度以及相应的传输能耗。IWS问题表述为：

s.t.

C1:

C2:

C3:

在beyond-WBANs内，最小化系统开销等价于最小化网关到边缘服务器的传输能耗以及本地计算或边缘计算带来的数据处理能耗。BWS问题表述为：

s.t.

C1:

C2:

C3:

(3)构建合作讨价还价博弈求解第一个子问题

将步骤(2.2)中的IWS问题建模为合作博弈；传感器通过调整自身策略ω_i,m来竞争信道资源；该博弈表述如下：

其中，ω_i,-m表示除传感器m之外其他传感器的决策；利用纳什讨价还价解来求解上述博弈的纳什均衡解；

(4)构建基于潜博弈的非合作博弈求解第二个子问题

将步骤(2.2)中的BWS问题建模为非合作博弈，并提出了基于潜博弈的分布式健康监测(DIGTAL)方法求解纳什均衡。

本发明的有益效果：本发明基于边缘计算构建了IoMTs下的5G健康监测模型，协同考虑了监测数据的医疗重要性，新鲜度和能耗，能够最小化系统开销。本发明将IoMTs分为两个子网络，即intra-WBANs和beyond-WBANs。对于intra-WBANs，本发明构建了一个合作博弈，并利用纳什讨价还价解求解博弈的帕累托最优解。对于beyond-WBANs，考虑到患者的个体理性和潜在的自私性，本发明构建了一个非合作博弈，并提出了一种基于潜博弈的分布式健康监测方法来求解博弈的纳什均衡。实验结果证明了本发明所提出的算法的高效性。

附图说明

图1为本发明构建的边缘计算支持的5G分布式室内健康监测模型。各类传感器部署在患者身上进行远程健康监测。传感器将监测到的数据发送给网关(本地设备可作为网关)，网关选择利用本地计算或边缘计算进行数据处理。最后健康监测信息被传回给医疗中心

图2为健康监测流程。首先，利用纳什讨价还价解分配intra-WBANs内无线信道资源，然后患者广播自身的待处理的数据的信息，基于潜博弈的分布式方法求解beyond-WBANs内的任务调度的最优策略，最后将医疗信息传输到的医疗中心。

图3为患者策略的动态更新图。所有患者的最初策略都是本地计算。经过一段时间，策略集收敛到一个稳定点，患者之间到达纳什均衡。

图4比较了本发明提出的DIGTAL和集中式算法的时间复杂度。与集中式算法相比，DIGTAL的收敛时间平均减少了78％。

图5展示了健康监测数据大小对系统开销的影响。与本地计算方案相比，DIGTAL方法可以降低44％的系统开销。且DIGTAL方法能够逼近集中式算法的性能。

图6比较了不同类型的IoMTs的系统开销。在常规的IoMTs中，将相同的权重分配给三个系数，即

与全本地计算和全边缘计算方案相比，DIGTAL方法分别降低了32％和24％的系统开销。在时间敏感的IoMTs中，系数设置为

在这种情况下，能耗可以忽略。与全本地计算方案相比，DIGTAL方法降低了58％的系统开销。在能耗受限的IoMTs中，由于传输能量消耗的增加，全边缘计算的系统开销增加。另外，与集中式算法相比，三种情况下DIATAL方法的平均性能损失为12％。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。

本发明实例提供了一种分布式的5G医疗物联网健康监测方法，该方法包括：

步骤1：基于纳什讨价还价解求解IWS问题。

1.1)初始化新鲜度阈值

和总的可分配带宽ω^max。

1.2)每个传感器根据如下公式计算谈判破裂点

1.3)定义传感器的效用函数等于其开销的负值：

基于新鲜度阈值计算效用函数的下界，公式如下：

1.4)基于纳什讨价还价解求出帕累托最优解

公式如下。

步骤2：基于潜博弈的分布式健康监测(DIGTAL)方法求解BWS问题。

2.1)初始化所有患者的策略集为零集合，即所有患者默认选择本地计算进行数据处理。

2.2)所有患者计算当前策略集下遭受的干扰

以及可承受的干扰的阈值Ψ_i，公式如下：

2.3)如果遭受的干扰大于阈值，即

患者将维持当前策略不变；否则，患者i根据以下公式计算当前策略集下的最佳应对a_i′，并将策略更新请求发送给服务器。

2.4)服务器随机选择一名患者更新其策略，其他发送请求的患者的策略保持不变。重复进行步骤2.2)和2.3)，直到没有患者提出策略更新请求。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (1)

1.一种分布式的5G医疗物联网健康监测方法，其特征在于，步骤如下：

(1)构建IoMTs网络模型，包括intra-WBANs和beyond-WBANs下被监测数据的医疗重要性、新鲜度和分析原始数据的能耗模型；

考虑边缘计算支持的室内健康监测WBANs，其中部署在患者身上的传感器监测各种类型的原始医疗数据，然后将它们传输到附近的边缘服务器进行医学分析；

构建的IoMTs健康监测模型包含N个患者，每位患者全身部署了M个传感器，此外K个边缘服务器提供医疗分析计算服务；用τ_i,m＝{d_i,m,c_i,m,s_i,m}表示部署在患者i身上的传感器m监测到的原始医疗信息，其中d_i,m表示数据大小，c_i,m表示完成医疗分析任务需要的CPU周期数，s_i,m表示该数据的医疗重要性等级；

IoMTs健康监测模型内的资源调度分为两个子阶段：intra-WBANs调度IWS和beyond-WBANs调度BWS；对于IWS，传感器以正交频分多址接入方式传输健康监测数据包；对于BWS，所有健康监测数据包即原始数据被传输到医疗中心之前都需要经由本地设备即本地计算或边缘服务器即边缘计算处理；非正交多址接入和正交频分多址接入被用于5G beyond-WBANs传输；BWS利用边缘服务器的计算资源和本地计算资源来处理由传感器采集的健康监测数据包，旨在最小化IoMTs的系统开销；

定义监测数据的医疗重要性、新鲜度和能耗三个因素共同决定系统开销；第一个因素是健康监测数据包的医疗重要性，它从医学的角度反映了监测数据的健康严重性指标；WBANs可协助医疗系统远程实时监测患者；为了全面监测患者的健康状况，每位患者身上部署了多个异构传感器，以收集各种数据进行健康状况评估；以上两种医疗数据的医疗重要性不同，即健康监测数据包需要根据其医疗关键性分为几个等级，IEEE 802.15.6标准中提供了相应的分级参考；

健康监测数据包按照医疗重要性划分为S个离散的医疗重要性等级，用

表示；对于由患者i生成的健康监测数据包，定义二进制变量x_i,m,s指示其医疗重要性等级，其中x_i,m,s＝1表示健康监测数据包医疗重要性等级为s，否则x_i,m,s＝0；令C_i,m表示部署在患者i身上的传感器m监测到的所有数据包的累计医疗重要性，计算公式如下：

其中，β_i,m,s∈[0,∞)表示重要性相关系数，对于任意两个医疗重要性等级s和s'，如果等级s的健康监测数据的重要性高于等级s'，那么β_i,m,s＞β_i,m,s′；

决定系统开销的第二个因素是数据的新鲜度；传感器m最近一次传输监测数据的时间记为

在时隙t时，传感器m监测的数据的新鲜度表示为：

能耗是影响系统开销的第三个因素；Intra-WBANs和beyond-WBANs的能耗是影响整个健康监测系统寿命的重要因素；

对于intra-WBANs，传感器消耗电能来进行健康监测，并将监测数据传输到网关；信道带宽以OFDMA的方式分配给传感器，用ω_i,m表示分配给传感器m的带宽；其传输速率通过以下公式计算：

其中，p_i,m表示传输功率，h_i,m表示信道增益，σ²表示噪声功率；相应的，健康监测数据的传输延迟和能耗通过以下公式计算：

从传感器接收到健康监测数据后，网关选择通过本地设备或边缘服务器处理这些数据；所有患者的策略集用a＝{a₁,a₂,…,a_N}表示；由于每位患者的决策是相互关联的，因此本方法定义I(k＝a_i),k∈K,i∈N指示患者i是否选择边缘服务器k，I(k＝a_i)＝1表示患者i将健康监测数据上传到边缘服务器k进行处理，否则I(k＝a_i)＝0；类似的，I(a_j＝a_i),i,j∈N可指示患者i和j的策略是否相同，I(a_j＝a_i)＝1表示两者策略相同，反之I(a_j＝a_i)＝0；给定策略集a，患者i的上传速率通过如下公式计算：

其中，p_i表示患者i的网关的传输功率；B表示边缘服务器占用的信道带宽；h_j,k表示除患者i以外其他患者的信道增益；

Beyond-WBANs内的能耗开销主要来源于患者上传数据的传输能耗，以及数据处理能耗；基于传输速率R_i(a)，患者i的传输能耗由以下公式计算：

本地设备和边缘服务器都可处理健康监测数据；令f_i ^l和f_i ^e分别表示本地设备和边缘服务器的计算能力；边缘服务器的总计算资源表示为F^e；占用同一边缘服务器的患者均等地共享计算资源，每个人获得的计算能力通过如下公式计算：

其中，n^e(a)表示与患者i占用同一边缘服务器的人数；本地设备和边缘服务器的数据处理能耗分别通过如下公式计算：

其中，c_i表示完成患者i的全部传感器监测的医疗分析任务需要的CPU周期数；p_i和p_e分别表示本地设备和边缘服务器的任务处理功率；

基于传感器和网关的传输能耗，以及本地设备和边缘服务器的数据处理能耗，IoMTs内的总能耗通过如下公式得到：

(2)根据步骤(1)中的IoMTs网络模型，以最小化系统开销为目标，描述优化问题；根据IoMTs的两个子网络，将优化问题分解为两个子问题，第一个子问题求解intra-WBANs下的信道资源分配；第二个子问题求解beyond-WBANs下的传输决策；

2.1)根据(1)中的IoMTs网络模型，以最小化系统开销为目标，描述优化问题：

本方法定义

和

三个[0,1]区间内的变量分别作为医疗重要性、新鲜度和能耗相关系数；系统开销表示为三个因素的线性组合，优化问题描述如下：

s.t.

C1:

C2:

C3:

C4:

C5:

C6:

其中，C1约束所有传感器所监测数据的新鲜度都不能超过阈值

从而确保所有医疗信息都能及时更新；C2约束患者共享的边缘服务器的计算能力不超过其总量；C3限制分配给传感器的带宽不能超过阈值ω^max；C4，C5和C6约束几个变量的取值范围；

2.2)根据IoMTs的两个子网络，将优化问题分解为两个子问题：

通过观察步骤2.1)的系统开销函数发现，将健康监测数据上传到边缘服务器时，每个患者的开销不仅取决于自己的决策，还取决于其他人的策略；如果过多的患者占用同一边缘服务器，相应的传输和计算速率会下降，导致数据的上传和处理开销增加；在这种情况下，本地计算更适合这些患者；为了解决步骤(2.1)的优化问题内部的变量耦合问题，本方法根据IoMTs的两个子网络，将原优化问题分解为两个子问题，即Intra-WBANs调度(IWS问题和Beyond-WBANs调度BWS问题；

在intra-WBANs内，传感器将健康监测数据发送给网关，系统开销主要取决于监测数据的医疗重要性、新鲜度以及相应的传输能耗；IWS问题表述为：

s.t.

C1:

C2:

C3:

在beyond-WBANs内，最小化系统开销等价于最小化网关到边缘服务器的传输能耗以及本地计算或边缘计算带来的数据处理能耗；BWS问题表述为：

s.t.

C1:

C2:

C3:

(3)构建合作讨价还价博弈求解第一个子问题

将步骤(2.2)中的IWS问题建模为合作博弈；传感器通过调整自身策略ω_i,m来竞争信道资源；该博弈表述如下：

其中，ω_i,-m表示除传感器m之外其他传感器的决策；利用纳什讨价还价解来求解上述博弈的纳什均衡解；

(4)构建基于潜博弈的非合作博弈求解第二个子问题

将步骤(2.2)中的BWS问题建模为非合作博弈，并提出了基于潜博弈的分布式健康监测方法求解纳什均衡。

Images