CN115865298B - 一种面向主动健康监测系统的传输时延优化方法 - Google Patents

Abstract

本发明公开了一种面向主动健康监测系统的传输时延优化方法，涉及健康监测技术领域，每个用户都配备了多个采集生理数据的传感器和一个网关节点，形成了独立的WBAN，在Intra‑WBAN阶段，传感器周期性的感知并采集生理信息数据，将传感器分为多个组以减少共信道干扰，每组占用一个子载波，然后传感器通过蜂窝链路将收集的数据传至网关节点；在Beyond‑WBAN阶段，网关利用速率分拆多址接入技术将接收到的生理数据转发至基站，基站利用串行干扰消除技术逐个解码数据，然后对数据进行处理，分析用户的健康情况，并判断是否需要为用户提供相应的医疗服务；本发明通过设计资源分配算法最小化传输时间消耗以便在最短时间内提供精准的医疗干预，避免用户健康状况恶化。

Description

一种面向主动健康监测系统的传输时延优化方法

技术领域

本发明属于健康监测技术领域，尤其涉及一种面向主动健康监测系统的传输时延优化方法。

背景技术

健康是促进人的全面发展的必然要求，是经济社会发展的基础条件。《“健康中国2030”规划纲要》强调“创新互联网+健康医疗服务模式，持续推进覆盖全生命周期的预防、治疗、康复和自主健康管理一体化的国民健康信息服务”。具有基础性疾病的人群，特别是老年人群，在无法定期体检的情况下可能导致慢性疾病的恶化。为积极应对人口老龄化，实时健康监测已经成为极具潜力的应用。

通过在用户体表或体内配置微型传感器，监测系统可以在不影响用户正常生活的前提下实现远端实时健康监测。当监测到出现异常信号时，可以及时对用户进行定位、追踪并在最短时间内提供精准的医疗保障服务。但是，当系统同时服务较多用户时，稀缺的频谱资源导致多个用户或者生物传感器必须共享相同的频谱资源。这使健康监测系统的发展面临三个技术挑战，总结如下：

1)健康监测系统包含内部无线体域网(Intra-Wireless Body Area Network，Intra-WBAN)和外部WBAN(Beyond-WBAN)，其中每个用户都是独立的WBAN。为了及时提供医疗服务，所设计的健康监测系统需要协调调度Intra-WBAN和Beyond-WBAN。相比于传统的物联网，健康监测系统将引入更多的资源分配变量，难以精准地分配资源。

2)在Intra-WBAN中，生物传感器通常放置在用户的体表或者体内，因此同一用户的传感器位置是相近的。当这些传感器使用相同的频谱资源块时，强共信道干扰导致传感器收集的生理数据无法及时传至网关节点或者传感器需要消耗更多的能量。然而，传感器的电池通常是不易更换的，因此将缩短整个监测系统的生命周期。

3)在Beyond-WBAN中，网关节点主要采用空分多址接入(Space DivisionMultiple Access,SDMA)技术将数据转发至基站以便进行进一步处理。但是SDMA同时调度多个用户时会造成传输速率饱和，即使可以无限制地增加发射功率，传输速率也无法增加。这可能导致当信息到达基站时已经过时，即数据丧失了时效性。非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术通过在接收端使用串行干扰消除技术实现更高的传输速率。然而，该技术的性能增益依赖于用户的信道状态并且要求基站必须先解码较强的信号，具有严格的解码顺序。

这三个挑战可以分别通过设计低复杂度的资源分配算法，传感器分组算法和利用速率分拆多址接入(Rate Splitting Multiple Access,RSMA)技术解决。上行RSMA将每个用户的数据拆分为一个公共部分和一个私有部分。发送端将其分别编码为一条公共信息流和一条私有信息流。通过合理分配两部分能量的占比，RSMA可以桥接SDMA和NOMA。

国内外研究现状

2020年，Zhaolong Ning等人在IEEE Joumal on Selected Areas inCommunications上发表的“Mobile Edge Computing Enabled 5G Health Monitoring forInternet of Medical Things：A Decentralized Game Theoretic Approach”中针对Intra-WBAN和Beyond-WBAN分别使用了正交频分多址接入技术(Orthogonal FrequencyDivision Multiple Access，OFDMA)和SDMA，并将其建模为非协作式博弈和协作式博弈模型，然后使用博弈理论方法设计了资源分配算法最小化系统总消耗。

2021年，Zeinab Askari等人在IEEE Internet of Things Journal上发表的“Energy-Efficient and Real-Time NOMA scheduling in IoMT-basedthree-tierWBANs”中提出了基于单天线NOMA技术的实时健康监测系统，并提出了资源分配算法优化监测系统的能量效率。

同年，JunaidAhmed等人在IEEE Journal Biomedical and Health Informatics发表的“On the Physical Layer Security ofFederated Learning based IoMTNetworks”中针对健康监测系统提出了基于联邦学习的资源分配算法增强医疗数据的安全性。

上述三种健康监测系统均无法保证医疗信息传输至基站时的信息时效性，难以为出现健康状况的用户及时地提供精准医疗服务。目前尚未有针对上行RSMA辅助的多天线实时健康监测系统的研究。

发明内容

本发明所要解决的技术问题是针对背景技术的不足提供一种面向主动健康监测系统的传输时延优化方法。

本发明为解决上述技术问题采用以下技术方案：

一种面向主动健康监测系统的传输时延优化方法，包含健康监测系统，所述健康监测系统包含N个WBAN用户和一个配备边缘服务器的基站；设每个用户都装备了K个生物传感器，WBAN用户和每个用户的传感器集合分别记为和/>用户的网关节点和传感器分别配置了单根发射和接收天线，基站具有M＞1根接收天线，从第(n，k)个传感器至第i个网关节点和从第n个网关至基站的信道增益分别被标记为/>和/>信道是平坦衰落的，其中(n，k)代表第n个用户的第k个传感器；

在Intra-WBAN中，总系统带宽被等分为K个正交的子载波，每个子载波可以同时服务来自不同用户的N个传感器，鉴于同一子载波的传感器服务于不同的用户，所有的传感器将使用最大的发射功率传输采集的数据以降低自身的传输时延，而不考虑其他传感器所承受的干扰，第n个网关节点在第k个子载波上接收到的信号表示为：

其中代表使用第k个子载波的传感器集合，p_th和/>分别是传感器(i，j)的最大传输功率阈值和传输的信号，/>是加性高斯白噪声，B_th是总带宽阈值，假设(n，k)占用第m个子载波，则相应的传输速率可以表示为：

其中传感器(n，k)收集的数据包大小标记为D_n，k，Intra-WBAN的传输时间为：

当所有传感器收集的数据已经传输至网关时，Beyond-WBAN转发阶段开始，为了提升转发数据时的传输速率，采用RSMA技术：基于RSMA传输准则，第n个用户的数据W_n被拆分为一个公共部分W_n，c和一个私有部分W_n，p，然后分别被编码为x_n，1和x_n，2，第n个用户发送的数据为其中P_n，k是为信号x_n，k分配的传输功率；进而可得基站接收到的信号为：

其中是加性高斯白噪声；

在所设计的健康监测系统中，基站配备了N层SIC用于解码公共信息流，相比于NOMA技术，RSMA通过调整信号的解码顺序使得基站可以灵活的管理干扰，解码第n个用户公共信息流和私有信息流数据的信干噪比分别为

其中是为解码信息流x_n，k设计的接收机向量，满足 收录了在信息流x_n，1之后解码的所有信号，其中π_n是x_n，1的解码顺序；使用高斯码本，则第n个用户的传输速率为

R_n＝B_thlog(1+γ_n，1)+B_thlog(1+γ_n，2). (7)

用户n的数据大小被标记为S_n，则转发时延为

当基站完全解码所有的信息流后，将处理所采集的数据包；由于所有用户共享总的计算资源，计算时间可以表示为：

其中ω_n和f_n分别为计算1比特用户n的数据所要求的CPU周期和为其分配的计算资源；计算用户n的数据所消耗的能量为：

其中κ为与CPU相关的固有常数；

该系统的目标是通过设计资源分配算法最小化总时间消耗，形成的问题可以表示为：

其中，P_th是用户的最大传输功率阈值，f_th和E_th为基站的最大计算资源和能量消耗阈值；

公式(11)具有非凸性、离散性和非平滑性，是NP-hard问题，为求解公式(11)，将其拆分为三个独立的子问题，分别为

(a)传感器分组以降低共信道干扰；

(b)解码顺序、能量分配及接收机联合设计算法以降低转发时间消耗；

(c)计算资源分配以降低处理时间消耗；

本发明通过设计低复杂度迭代优化算法解决问题(a)和问题(b)；

针对问题(c)，获得了最优资源分配和时间消耗的闭式解。

作为本发明一种面向主动健康监测系统的传输时延优化方法的进一步优选方案，所述传感器分组算法，具体如下：

计算出当每个传感器单独使用子载波时所要求的传输时间；

将传感器的传输时间消耗按降序排序，记为

在集合中的前K个元素分别占用一个子载波，剩余的传感器将等待被选择；当第k个子载波已经服务n-1个传感器后，将开始选择第n个需要被服务的传感器；子载波的目标是通过挑选合适的传感器降低传输时间消耗；在每个子载波服务的传感器集合中，时间消耗较大的传感器决定子载波的性能；决定第k个子载波性能的传感器被标记为(A_k，B_k)；传感器(A_k，B_k)将被子载波赋予权利从待选集合中挑选合适的传感器；第k个子载波挑选传感器的准则为：

其中是已经占用第k个子载波的传感器所属的用户集合，/>是已经被服务的传感器的集合，/>遵从一个用户的任意两个传感器无法占用相同的子载波；

下面将确定子载波的优先级，Intra-wBAN的性能依赖于所有子载波消耗时间的最大值；具有较长时间消耗的子载波应具有较高的优先级，子载波k的时间消耗记为T_k，可表示为：

作为本发明一种面向主动健康监测系统的传输时延优化方法的进一步优选方案，解码顺序、能量分配与接收机联合设计算法，具体如下：

设计解码顺序、能量分配与接收机的联合处理算法最小化转发时间消耗，问题(11)被简化为：

问题(14)仍然具有离散性和非凸性，通过轮换优化算法解决问题(14)。

作为本发明一种面向主动健康监测系统的传输时延优化方法的进一步优选方案，所述解码顺序更新算法用于获得全局最优的解码顺序；具体如下：

最初的解码顺序记为D＝[D₁，...，D_N]，其中D_n是第n个被解码的公共信息流，在已知能量分配、接收机和解码顺序的条件下，可以计算出系统所需的转发时间消耗，记为T＝[T₁，...，T_N]，T中的最大值元素被标记为T_n；通过下述理论判断解码顺序是否是全局最优的：

定理1：在已知D，w_n，k和P_n，k的条件下，根据等式(15)更新解码顺序并重新计算解码时间；下述两种情况可以获得全局最优的解码顺序D^*；

情况1)：如果则D^*＝D^u；

情况2)：如果则D^*＝D；

在定理1中，如果T_n中的n＝N，则更新后的解码顺序保持不变；

证明：RSMA可利用SIC剔除已经解码的公共信号，基站在解码第n个公共信息流时将未解码的N-n个公共信息流视为干扰，在根据等式(15)更新解码顺序后，D_n承受的干扰功率降低而将承受更强的干扰；需要重新计算解码时间，记为/>其中在更新解码顺序后，如果T^u中的最大值仍然是/>则表明系统的解码时间无法进一步降低，D^*＝D^u，情况2表明一旦D_n在D_n+1之后解码，解码公共信息流D_n+1所要求的解码时间将大于最初的最大值；最初的解码顺序已经是全局最优解；

然而，上述两种情况通常不会直接满足，为了获得全局最优的解码顺序，通过调整D_n的解码顺序最小化公共信息流{D_n，...，D_N}中的最大值；当最大值无法进一步降低时，相应的解码顺序被称为暂态最优顺序；重复上述寻找暂态最优的过程直至定理1成立，在经过第(i-1)次迭代更新后的解码顺序和时间消耗如(16)所示，是中具有最高时间消耗的公共信息流；/>是中的最大值；根据等式(16)第i次更新解码顺序并计算时间消耗；

值得注意的是，解码D_n的时间消耗在每次更新解码顺序后都需重新计算，但是其他公共信息流的解码时间只需计算两次；这是因为其他信息流遭受的干扰只存在两种情况，即是否遭受D_n的干扰；

定理2：在更新解码顺序后，出现三种情况；相应的结论总结如下：

情况1)：如果则D^t＝D^(i-1)；

情况2)：如果且时间消耗为/>的信息属于/>则D^t＝D⁽ⁱ⁾；

情况3)：如果但是时间消耗为/>的信息属于/>则无法确定暂态最优的解码顺序；

证明：情况1)表明如果D_n在之前解码，{D_n，...，D_N}时间消耗的最大值将会增加；只要D_n在/>之后解码，/>的时间消耗将无法进一步降低；D^(i-1)满足暂态最优解的条件，由此可得D^t＝D^(i-1)；情况2)表明在更新解码顺序后时间消耗的最大值可以降低，但是无法被进一步降低；这是因为如果D_n在/>之后解码，则/>当D_n更早解码时，时间消耗不变；在情况3)下，可能可以进一步降低解码时间消耗；

在定理2中，如果情况3)出现，则更新i←i+1并根据等式(16)和(17)重新更新解码顺序直到情况1)或者情况2)成立。

作为本发明一种面向主动健康监测系统的传输时延优化方法的进一步优选方案，通过二次转换方法构造代理函数设计了迭代优化算法获得问题(14)的次优解；将分式不等式的分子和分母解耦为相减的形式；

定理3：有用信号和干扰信号的功率分别被标记为s^H(w，P)s(w，P)≥0和I(w，P)＞0，其中w和P分别代表接收机和能量分配变量，s^H(w，P)s(w，P)I^-1(w，P)严格等价于max_yf(w，P，y)，其中

f(w，P，y)＝2Re(y^Hs(w，P))-y^HI(w，P)y. (18)

证明：首先f(w，P，y)关于y是二次凹函数，因此求解可获得max_yf(w，P，y)的解，由此可得y^*＝I^-1(w，P)s(w，P)，将其代入替代函数，可得定理3；

将定理3应用至γ_n，k，则所构造的代理函数如下所示：

其中

在移除最大值符号后，问题(14)可以重构为：

由于解码速率关于是增函数，因此接收机的等式限制被转化为问题(20)无法直接求解，但是易观察出当固定任意两个变量后，可得出另一变量的最优解，因此通过三层迭代优化算法，获得问题(20)的局部最优解，其中w_n，k和P_n，k通过CVX求解，而y_n，k可以通过闭式最优解求解，具体如下：

作为本发明一种面向主动健康监测系统的传输时延优化方法的进一步优选方案，计算资源分配，具体如下：

定理4：在最优的资源分配下，所有用户的计算时间消耗是相等的；

基于定理4，可得

由此可得限制(11d)和(11c)可分别转化为

结合不等式(22)和(23)可得最优的计算时间消耗和计算资源分配，分别如下：

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明中每个用户都配备了多个监测生理数据的传感器和一个网关节点，形成了独立的WBAN，在Intra-WBAN阶段，传感器周期性的感知并采集生理信息数据，包含血氧饱和度，血压，温度，呼吸频率和心电图等，为了避免强共信道干扰，需要将所有的传感器分为多个组，每组传感器占用一个子载波，然后，传感器通过蜂窝链路将收集的数据传输至网关节点；在Beyond-WBAN阶段，网关节点将接收到的生理数据转发至具有边缘服务器的基站，基站利用串行干扰消除技术逐个解码监测的数据，当基站接收到网关节点转发的数据时，将进行计算，分析用户的健康情况，并判断是否需要为用户提供相应的医疗服务。

2、本发明旨在通过设计资源分配算法降低时间消耗，避免用户健康状况恶化。然而，实现该目标存在三个技术挑战，分别是：如何对传感器进行分组以便降低共信道干扰，如何获得解码顺序、能量分配、接收机的最优设计降低转发时延；如何分配计算资源降低处理时间；

3、针对生物传感器分组问题，穷尽搜索方法在理论上可以获得最优的分组结果，但是该方法具有较高的复杂度，在实际场景中是不可行的，本发明基于传感器的信道增益和采集生理数据的大小设计了低复杂度的传感器分组算法；

4、本发明使用轮换优化的理念设计了迭代优化算法，具体地，提出了一个可获得最优解码顺序的更新算法，然后，在为目标函数构造等价的代理函数后，利用替代优化方法求解问题中的其余变量；

5、针对计算资源分配问题，本发明首先证明了所有用户的计算时延应是相等的，基于此，本发明获得了最优资源分配以及最小处理时间的闭式解。

附图说明

图1是本发明健康监测系统的模型图，其中，EEG、ECG、SaO2和Bloodpressure为传感器；

图2是本发明传输时间消耗与用户配备传感器数量之间的关系示意图；

图3(a)是本发明转发时间消耗与系统中用户数量的关系示意图；

图3(b)是本发明不可行的初始点数与用户数量之间的关系示意图；

图4是本发明计算时间与用户数量之间的关系示意图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明针对健康监测系统研究传感器分组方法和RSMA技术降低数据传输和处理时间以便及时为用户提供精准的医疗服务。健康监测系统的整体流程总结如下：

1)每个用户都配备了多个监测生理数据的传感器和一个网关节点，形成了独立的WBAN。在Intra-WBAN阶段，传感器周期性的感知并采集生理信息数据，包含血氧饱和度，血压，温度，呼吸频率和心电图等。为了避免强信道干扰，需要将所有的传感器分为多个组，每组传感器占用一个子载波。然后，传感器通过蜂窝链路将收集的数据传输至网关节点。传输时间记为T_t。

2)在Beyond-WBAN阶段，网关节点将接收到的生理数据转发至配备边缘服务器的基站。基站利用串行干扰消除技术逐个解码数据。转发时间记为T_f。

3)当基站接收到网关节点转发的数据时，将进行处理，分析用户的健康情况，并判断是否需要为用户提供相应的医疗服务。处理时间记为T_p。

为了阻止各个流程之间的相互干扰，步骤1)和2)分别占用不同的时间槽，因此数据从采集到分析完毕的总时间消耗为T_t+T_f+T_p。

本发明旨在通过设计资源分配算法降低时间消耗，避免用户健康状况恶化。然而，实现该目标存在三个技术挑战，分别是：如何对传感器进行分组以降低共信道干扰；如何获得解码顺序，能量分配，接收机的最优设计降低转发时延；如何分配计算资源降低处理时延。

为了克服以上三个挑战，本发明做出了以下贡献：

1)针对传感器分组问题，穷尽搜索方法在理论上可以获得最优的分组结果，但是该方法具有较高的复杂度，在实际场景中是不可行的。本发明基于传感器的信道增益和采集生理数据的大小设计了低复杂度的传感器分组算法。

2)针对第二个挑战，本发明使用轮换优化的理念设计了迭代优化算法。具体地，提出了一种可获得最优解码顺序的解码顺序更新算法。然后，在为目标函数构造等价的代理函数后，利用替代优化方法求解问题中的其余变量。

3)针对计算资源分配问题，本发明首先证明了所有用户的计算时延应是相等的。基于此，本发明获得了最优资源分配以及最小处理时间的闭式解。

具体实施例如下：

如图1所示，该系统包含N个WBAN用户和一个配备边缘服务器的基站。不失一般性地，假设每个用户都装备了K个生物传感器。WBAN用户和每个用户的传感器集合分别记为和/>在系统中，受限于传感器和网关节点的实体大小，他们分别配置了单根发射和接收天线，基站具有M＞1根接收天线。从第(n，k)个传感器至第i个网关节点和从第n个网关至基站的信道增益分别被标记为/>和/>信道是平坦衰落的，其中(n，k)代表第n个用户的第k个传感器。

在Intra-WBAN中，为了降低共信道干扰，每个用户的生物传感器使用OFDMA技术传输收集的数据。同时，传感器受限的通信覆盖范围使得用户遭受其他用户传感器的干扰相对较弱。为了提高频谱资源利用率，本发明设计的系统允许不同用户的传感器使用相同的频谱资源。因此，总系统带宽被等分为K个正交的子载波。每个子载波可以同时服务来自不同用户的N个传感器。由于每个子载波中的传感器服务于不同的用户，导致每个传感器都是自私且理性的。因此，所有的传感器将使用最大的发射功率传输采集的数据以降低自身的传输时延，而不考虑其他传感器所承受的干扰。由此可得，第n个网关节点在第k个子载波上接收到的信号可以表示为：

其中代表使用第k个子载波的传感器集合，p_th和/>分别是传感器(i，j)的最大传输功率阈值和传输的信号。/>是加性高斯白噪声，B_th是总带宽阈值。假设(n，k)占用第m个子载波，则相应的传输速率可以表示为：

其中传感器(n，k)收集的数据包大小标记为D_n，k。因此Intra-WBAN的传输时间为：

当所有传感器收集的数据已经传输至网关时，Beyond-WBAN转发阶段开始。为了提升转发数据时的传输速率，本发明设计的系统采用了RSMA技术。基于RSMA传输准则，第n个用户的数据W_n被拆分为一个公共部分W_n，c和一个私有部分W_n，p，然后分别被编码为x_n，1和x_n，2。因此，第n个用户发送的数据为其中P_n，k是为信号x_n，k分配的传输功率。进而可得基站接收到的信号为：

其中是加性高斯白噪声。

在所设计的健康监测系统中，基站配备了N层SIC用于解码公共信息流。相比于NOMA技术，RSMA通过调整信号的解码顺序使得基站可以灵活的管理干扰。因此，解码第n个用户公共信息流和私有信息流的信干噪比分别为

其中是为解码信息流x_n，k设计的接收机向量，满足 收录了在信息流x_n，1之后解码的所有信号，其中π_n是x_n，1的解码顺序。使用高斯码本，则第n个用户的传输速率为

R_n＝B_thlog(1+γ_n，1)+B_thlog(1+γ_n，2). (7)

用户n的数据大小被标记为S_n，则转发时延为：

当基站完全解码所有的信息流后，将分析所采集的数据包。由于所有用户共享总的计算资源，因此，计算时间可以表示为：

其中ω_n和f_n分别为计算1比特用户n的数据所要求的CPU周期和为其分配的计算资源。计算用户n的数据所消耗的能量为：

其中κ为与CPU相关的固有常数。

该系统的目标是通过设计资源分配算法最小化传输数据的总时间消耗，因此形成的问题可以表示为：

其中P_th是用户的最大传输功率阈值，f_th和E_th为基站的最大计算资源和能量消耗阈值。

优化问题(11)具有非凸性、离散性和非平滑性，是NP-hard问题。为求解问题(11)，本发明将其拆分为三个独立的子问题，分别为a)生物传感器分组以降低共信道干扰；b)解码顺序、能量分配及接收机联合设计算法以降低转发时间消耗；c)计算资源分配以降低处理时间。为求解前两个子问题，本发明设计了相应的低复杂度迭代优化算法。针对第三个子问题，本发明获得了最优资源分配和时间消耗的闭式解。具体如下：

传感器分组算法

首先，本发明观测到Intra-WBAN的性能取决于所有传感器完成数据传输所需时间的最大值。同时，传感器的自私性使得每个传感器使用最大的传输功率传输采集的数据。因此，可以计算出当每个传感器单独使用子载波时所要求的传输时间。然后，将传感器的传输时间消耗按降序排序，记为在集合/>中的前K个元素分别占用一个子载波，剩余的传感器将等待被选择。当第k个子载波已经服务n-1个传感器后，将开始选择第n个需要被服务的传感器。子载波的目标是通过挑选合适的传感器降低传输时间消耗。同时，在每个子载波服务的传感器集合中，时间消耗较大的传感器决定子载波的性能。决定第k个子载波性能的传感器被标记为(A_k，B_k)。因此传感器(A_k，B_k)将被子载波赋予权利从待选集合中挑选合适的传感器。由于相比于其他的传感器，信道增益较弱的传感器将造成较弱的干扰，因此(A_k，B_k)更偏好信道增益较弱的传感器。由上可得，第k个子载波挑选传感器的准则为：

其中是已经占用第k个子载波的传感器所属的用户集合。/>是已经被服务的传感器的集合。/>遵从一个用户的任意两个传感器无法占用相同的子载波。

下面的任务是确定子载波的优先级。Intra-WBAN的性能依赖于所有子载波消耗时间的最大值。因此，具有较长时间消耗的子载波应具有较高的优先级，子载波k的时间消耗记为T_k，可表示为：

综上所述，子载波的优先级可以被定义为：

定义1：如果满足以下任意一个条件，子载波k相比于子载波k′具有更高的优先级。

1)

2)且T_k＞T_k′

3)T_k＝T_k′且k＜k′。

条件1)旨在避免子载波一次性选择过多用户以确保子载波之间的公平性。如果不添加条件1)，在最高优先级的子载波挑选第n个传感器之后，每个传感器承受的干扰增加，因此传输数据所要求的时间将增加。根据条件2)和3)，该子载波的优先级仍然是最高的。因此，该子载波将继续挑选传感器直到已经服务N个传感器。条件3)是为了阻止已经服务了相同数量传感器的两个子载波具有相同的时间消耗。算法1总结了所提传感器分组算法的具体流程。

解码顺序、能量分配与接收机联合设计算法

本小节旨在设计解码顺序、能量分配与接收机的联合处理算法最小化转发时间消耗。问题(11)可以被简化为：

问题(14)仍然具有离散性和非凸性。为了求解该问题，本发明提出了一种迭代优化算法，包含解码顺序更新、能量分配与接收机联合优化两个子算法。

解码顺序更新子算法

本发明提出了一种解码顺序实时更新算法，可以获得全局最优的解码顺序。为了便于理解，首先定义一些符号。最初的解码顺序记为D＝[D₁，...，D_N]，其中D_n是第n个被解码的公共信息流。在已知能量分配、接收机和解码顺序的条件下，可以计算出系统所需的转发时间消耗，记为T＝[T₁，...，T_N]。T中的最大值元素被标记为T_n。通过下述理论可以判断解码顺序是否是全局最优的。

定理1：在已知D，w_n，k和P_n，k的条件下，根据等式(15)更新解码顺序并重新计算解码时间。下述两种情况可以获得全局最优的解码顺序D^*。

情况1)：如果则D^*＝D^u；

情况2)：如果则D^*＝D。

在定理1中，如果T_n中的n＝N，则更新后的解码顺序保持不变。

证明：RSMA可以利用SIC剔除已经解码的公共信号，因此基站在解码第n个公共信息流时将未解码的N-n个公共信息流视为干扰。在根据等式(15)更新解码顺序后，D_n承受的干扰功率降低而将承受更强的干扰。因此需要重新计算解码时间，记为其中/>在更新解码顺序后，如果T^u中的最大值仍然是/>则表明系统的解码时间无法进一步降低。因此，D^*＝D^u。情况2表明一旦D_n在D_n+1之后解码，解码公共信息流D_n+1所要求的解码时间将大于最初的最大值。因此最初的解码顺序已经是全局最优解。定理1得证。

然而，上述两种情况通常不会直接满足。为了获得全局最优的解码顺序，本发明试图通过调整D_n的解码顺序最小化公共信息流{D_n，...，D_N}中的最大值。当最大值无法进一步降低时，相应的解码顺序被称为暂态最优顺序。重复上述寻找暂态最优的过程直至定理1成立。因此，后续的主要工作是如何寻找暂态最优的解码顺序。在经过第(i-1)次迭代更新后的解码顺序和时间消耗如(16)所示，是/>中具有最高时间消耗的公共信息流。/>是/>中的最大值。然后，根据等式(17)第i次更新解码顺序并计算时间消耗。

值得注意的是，解码D_n的时间消耗在每次更新解码顺序后都需重新计算，但是其他公共信息流的解码时间只需计算两次。这是因为其他信息流遭受的干扰只存在两种情况，即是否遭受D_n的干扰。

定理2：在更新解码顺序后，可能出现三种情况。相应的结论总结如下：

情况1)：如果则D^t＝D^(i-1)；

情况2)：如果且时间消耗为/>的信息属于/>则D^t＝D⁽ⁱ⁾。

情况3)：如果但是时间消耗为/>的信息属于/>则无法确定暂态最优的解码顺序。

证明：情况1)表明如果D_n在之前解码，{D_n，...，D_N}时间消耗的最大值将会增加。同时，只要D_n在/>之后解码，/>的时间消耗将无法进一步降低。因此，D^(i-1)满足暂态最优解的条件，由此可得D^t＝D^(i-1)。情况2)表明在更新解码顺序后时间消耗的最大值可以降低，但是无法被进一步降低。这是因为如果D_n在/>之后解码，则/>此外，当D_n更早解码时，时间消耗不变。在情况3)下，可能可以进一步降低时间消耗。

在定理2中，如果情况3出现，则更新i←i+1并根据等式(16)和(17)再次更新解码顺序直到情况1)或者2)成立。算法2总结了所提解码顺序更新算法的具体流程。

能量分配与接收机优化子算法

在已知解码顺序的条件下，问题(14)由于涉及非凸性和离散性仍然难以直接求解。本发明通过二次转换方法构造代理函数设计了迭代优化算法获得问题(14)的次优解。该方法将分式不等式的分子和分母解耦为相减的形式。

定理3：有用信号和干扰信号的功率分别被标记为s^H(w，P)s(w，P)≥0和I(w，P)＞0，其中w和P分别代表接收机和能量分配变量。s^H(w，P)s(w，P)I^-1(w，P)严格等价于max_yf(w，P，y)，其中

f(w，P，y)＝2Re(y^Hs(w，P))-y^HI(w，P)y. (18)

证明：首先f(w，P，y)关于y是二次凹函数，因此是可获得max_yf(w，P，y)的解。由此可得y^*＝I^-1(w，P)s(w，P)。将其代入替代函数，可得定理3。

将定理3应用至γ_n，k，则所构造的代理函数如下所示：

其中

在移除最大值符号后，问题(14)可以重构为：

由于解码速率关于是增函数，因此接收机的等式限制被转化为问题(20)无法直接求解，但是易观察出当固定任意两个变量后，可以求得另一变量的最优解。基于此，本发明设计了一种三层迭代优化算法，获得问题的局部最优解，其中w_n，k和P_n，k通过CVX求解，而y_n，k可以通过闭式最优解求解，具体如下：

算法3总结了所设计的解码顺序、能量分配与接收机联合处理算法的具体流程。

计算资源分配

定理4：在最优的资源分配下，所有用户的计算时间消耗是相等的。

证明：可以通过反证法证明。

基于定理4，可得

由此可得限制(11d)和(11c)可分别转化为

结合不等式(22)和(23)可得最优的计算时间消耗和计算资源分配，分别如下：

仿真结果

仿真条件：用户独立随机的分布在半径为500米的圆内，传感器独立随机的分布在用户周围1米内。系统的总带宽为10MHz，传感器和网关节点的最大传输功率分别为3mW和100mW。图2是传输时间消耗与用户配备传感器数量之间的关系。图2仿真了本发明所设计的方法与随机分组方法、OFDMA机制以及其他两种方法的性能对比。仿真结果表明，相比于OFDMA机制，本发明设计的方法将传输时间消耗降低了5倍。相比于其他三种分组方法，本发明的方法也降低了传输时间消耗，特别是当用户配备较多的传感器时。仿真结果表明本发明的方法可以有效降低传输时间消耗。图3(a)是转发时间消耗与系统中用户数量的关系。图3(b)是不可行的初始点数与用户数量之间的关系。图3(a)仿真了本发明提出的方法与SDMA技术、半正定释放(SDR)算法和连续凸近似(SCA)算法在100次随机信道下的性能对比。图3(b)记录了四种方法在100次运行下给定随机初始点的不可行次数。结果表明相比于SDMA技术，RSMA可以有效降低转发时间消耗。同时，本发明设计的算法可以紧跟SDR和SCA算法的性能。图3(b)表明本发明设计的算法在任意的初始点下都可进行优化，但是两种对比算法对初始点的设置较为敏感。当用户数大于10时，SCA算法初始点不可行的概率已经超过35％。图4是计算时间与用户数量之间的关系。图4表明随着用户数量的增加，基站需要更长的时间处理数据，但是相比于传输和转发时间消耗，处理数据要求较少的时间。

Claims (6)

1.一种面向主动健康监测系统的传输时延优化方法，其特征在于：包含健康监测系统，所述健康监测系统包含N个WBAN用户和一个配备边缘服务器的基站；设每个用户都配备了K个生物传感器，WBAN用户和每个用户的传感器集合分别记为和用户的网关节点和传感器分别配置了单根发射和接收天线，基站具有M>1根接收天线，从第(n，k)个传感器至第i个网关节点和从第n个网关至基站的信道增益分别被标记为/>和/>信道是平坦衰落的，其中(n，k)代表第n个用户的第k个传感器；

在Intra-WBAN中，总系统带宽被等分为K个正交的子载波，每个子载波可以同时服务来自不同用户的N个传感器，鉴于同一子载波中的传感器服务于不同的用户，所有的传感器将使用最大的发射功率传输采集的数据以降低自身的传输时延，而不考虑其他传感器所承受的干扰，第_n个网关节点在第k个子载波上接收到的信号表示为：

其中代表使用第k个子载波的传感器集合，p_th和s_ij分别是传感器(i，j)的最大传输功率阈值和传输的信号，/>是加性高斯白噪声，B_th是总带宽阈值，假设(n，k)占用第m个子载波，则相应的传输速率可以表示为：

其中传感器(n，k)收集的数据包大小标记为D_n，k，Intra-WBAN的传输时间为：

当所有传感器收集的数据已经传输至网关时，Beyond-WBAN转发阶段开始，为了提升转发数据时的传输速率，采用RSMA技术：基于RSMA传输准则，第n个用户的数据W_n被拆分为一个公共部分W_n，c和一个私有部分W_n，p，然后分别被编码为x_n，1和x_n，2，第n个用户发送的数据为其中P_n，k是为信号x_n，k分配的传输功率；进而可得基站接收到的信号为：

其中是加性高斯白噪声；

在所设计的健康监测系统中，基站配备了N层SIC用于解码公共信息流，相比于NOMA技术，RSMA通过调整信号的解码顺序使得基站可以灵活的管理干扰，解码第n个用户公共信息流和私有信息流的信干噪比分别为：

其中是为解码信息流x_n，k设计的接收机向量，满足/> 收录了在信息流x_n，1之后解码的所有信号，其中π_n是x_n，1的解码顺序；使用高斯码本，则第n个用户的传输速率为

R_n＝B_thlog(1+γ_n，1)+B_thlog(1+γ_n，2). (7)

用户n的数据大小被标记为S_n，则转发时延为

当基站完全解码所有的信息流后，将分析所采集的数据包；由于所有用户共享总的计算资源，计算时间可以表示为：

其中w_n和f_n分别为计算1比特用户n的数据所需要的CPU周期和为其分配的计算资源；计算用户n采集数据所消耗的能量为：

其中κ为与CPU相关的固有常数；

该系统的目标是通过设计资源分配算法最小化总时间消耗，形成的问题可以表示为：

其中，P_th是网关节点的最大传输功率阈值，f_th和E_th为基站的最大计算资源和能量消耗阈值；

公式(11)具有非凸性、离散性和非平滑性，是NP-hard问题，为求解公式(11)，将其拆分为三个独立的子问题，分别为

(a)生物传感器分组以降低共信道干扰；

(b)解码顺序、能量分配及接收机联合设计算法以降低转发时间消耗；

(c)计算资源分配以降低处理时间消耗；

本发明通过设计低复杂度迭代优化算法解决问题(a)和问题(b)；

针对问题(c)，获得了最优资源分配和时间消耗的闭式解。

2.根据权利要求1所述的一种面向主动健康监测系统的传输时延优化方法，其特征在于：所述生物传感器分组算法，具体如下：

计算出当每个传感器单独使用子载波时所需要的传输时间；

将传感器的传输时间消耗按降序排序，记为

在集合中的前K个元素分别占用一个子载波，剩余的传感器将等待被选择；当第k个子载波已经服务n-1个传感器后，将开始选择第n个需要被服务的传感器；子载波的目标是通过挑选合适的传感器降低传输时间消耗；在每个子载波服务的传感器集合中，时间消耗较大的传感器决定子载波的性能；决定第k个子载波性能的传感器被标记为(A_k，B_k)；传感器(A_k，B_k)将被子载波赋予权利从待选集合中挑选合适的传感器；第k个子载波挑选传感器的准则为：

其中是已经占用第k个子载波的传感器所属的用户集合，/>是已经被服务的传感器的集合，/>遵从一个用户的任意两个传感器无法占用相同的子载波；

下面确定子载波的优先级，Intra-WBAN的性能依赖于所有子载波消耗时间的最大值；具有较长时间消耗的子载波应具有较高的优先级，子载波k的时间消耗记为T_k，可表示为：

。

3.根据权利要求1所述的一种面向主动健康监测系统的传输时延优化方法，其特征在于：解码顺序、能量分配与接收机联合设计算法，具体如下：

设计解码顺序、能量分配与接收机的联合处理算法最小化转发时间消耗，问题(11)被简化为：

问题(14)仍然具有离散性和非凸性，通过轮换优化算法解决问题(14)。

4.根据权利要求3所述的一种面向主动健康监测系统的传输时延优化方法，其特征在于：所述解码顺序更新算法，用于获得全局最优的解码顺序；具体如下：

最初的解码顺序记为D＝[D₁，...，D_N]，其中D_n是第n个被解码的公共信息流，在已知能量分配、接收机和解码顺序的条件下，可以计算出系统所需的转发时间消耗，记为T＝[T₁，...，T_N]，T中的最大元素被标记为T_n；通过下述理论判断解码顺序是否是全局最优的：

定理1：在已知D，w_n，k和P_n，k的条件下，根据等式(15)更新解码顺序并重新计算解码时间；下述两种情况可以获得全局最优的解码顺序D^*；

情况1：如果则D^*＝D^u；

情况2：如果则D^*＝D；

在定理1中，如果T_n中的n＝N，则更新后的解码顺序保持不变；

证明：RSMA可利用SIC剔除已经解码的公共信号，基站在解码第n个公共信息流时将未解码的N-n个公共信息流视为干扰，在根据等式(15)更新解码顺序后，D_n承受的干扰功率降低而将承受更强的干扰；需要重新计算解码时间，记为/>其中/>在更新解码顺序后，如果T^u中的最大值仍然是/>则表明系统的解码时间无法进一步降低，D^*＝D^u，情况2表明一旦D_n在D_n+1之后解码，解码公共信息流D_n+1所要求的解码时间将大于最初的最大值；最初的解码顺序已经是全局最优解；

然而，上述两种情况通常不会直接满足，为了获得全局最优的解码顺序，通过调整D_n的解码顺序最小化公共信息流{D_n，...，D_N}中的最大值；当最大值无法进一步降低时，相应的解码顺序被称为暂态最优顺序；重复寻找暂态最优顺序的过程直至定理1成立，在经过第(i-1)次迭代更新后的解码顺序和时间消耗如(16)所示，是中具有最高时间消耗的公共信息流；/>是中的最大值；根据等式(16)第i次更新解码顺序并计算时间消耗；

值得注意的是，解码D_n的时间消耗在每次更新解码顺序后都需重新计算，但是其他公共信息流的解码时间只需计算两次；这是因为其他信息流遭受的干扰只存在两种情况，即是否遭受D_n的干扰；

定理2：在更新解码顺序后，出现三种情况；相应的结论总结如下：

情况1)：如果则D^t＝D^(i-1)；

情况2)：如果且时间消耗为/>的信息属于/>则D^t＝D⁽ⁱ⁾；

情况3)：如果但是时间消耗为/>的信息属于/>则无法确定暂态最优的解码顺序；

证明：情况1)表明如果D_n在之前解码，信号{D_n，...，D_N}时间消耗的最大值将会增加；只要D_n在/>之后解码，/>的时间消耗将无法进一步降低；D^(i-1)满足暂态最优解的条件，由此可得D^t＝D^(i-1)；情况2)表明在更新解码顺序后时间消耗的最大值可以降低，但是无法被进一步降低；这是因为如果D_n在/>之后解码，则/>当D_n更早解码时，时间消耗不变；在情况3)下，可能可以进一步降低解码时间消耗；

在定理2中，如果情况3)出现，则更新i←i+1并根据等式(16)和(17)重新更新解码顺序直到情况1)或者情况2)成立。

5.根据权利要求4所述的一种面向主动健康监测系统的传输时延优化方法，其特征在于：通过二次转换方法构造代理函数设计了迭代优化算法获得问题(14)的次优解：将分式不等式的分子和分母解耦为相减的形式；

定理3：有用信号和干扰信号的功率分别被标记为s^H(w，P)s(w，P)≥0和I(w，P)>0，其中w和P分别代表接收机和能量分配变量，s^H(w，P)s(w，P)I^-1(w，P)严格等价于max_yf(w，P，y)，其中

f(w，P，y)＝2Re(y^Hs(w，P))-y^HI(w，P)y. (18)

证明：首先f(w，P，y)关于y是二次凹函数，因此求解可获得max_yf(w，P，y)的解，由此可得y^*＝I^-1(w，P)s(w，P)，将其代入替代函数，可得定理3；

将定理3应用至γ_n，k，则所构造的代理函数如下所示：

其中

在移除最大值符号后，问题(14)可以重构为：

由于解码速率关于是增函数，因此接收机的等式限制被转化为/>问题(20)无法直接求解，但是易观察出当固定任意两个变量后，可得出另一变量的最优解，因此通过三层迭代优化算法，获得问题(20)的局部最优解，其中w_n，k和P_n，k通过CVX求解，而y_n，k可以通过闭式最优解求解，具体如下：

6.根据权利要求5所述的一种面向主动健康监测系统的传输时延优化方法，其特征在于：计算资源分配，具体如下：

定理4：在最优的资源分配下，所有用户的计算时间消耗是相等的；

基于定理4，可得

由此可得限制(11d)和(11c)可分别转化为

结合不等式(22)和(23)可得最优的计算时间消耗和计算资源分配，分别如下：