[发明专利]面向可穿戴设备的快速压缩感知重构方法

说明书

本发明公开了一种面向可穿戴设备的快速压缩感知重构方法，属于信号处理领域。本发明通过构造的m*n维随机稀疏二值观测矩阵Ф，对原始心电信号x进行压缩测量，得到长度为m的观测向量y；再基于观测矩阵Ф和观测向量y，利用基于交替方向乘子法和块稀疏贝叶斯学习的压缩感知重构方法对原始信号进行重构，得到原始信号的估计向量。与现有块稀疏贝叶斯学习类压缩感知重构算法相比，本发明的优点在于在保证重构精度的前提下可以达到更快的重构速度。

技术领域

本发明属于信号处理领域，具体涉及一种适用于非稀疏信号的压缩感知重构方法，用于对可穿戴设备压缩后的非稀疏信号进行快速且精确的重构。

背景技术

随着远程医疗的逐步实用化，越来越多关于可穿戴的先进设备和技术都已经投入到了医疗诊断当中，对可穿戴远程健康监护系统中生理信号采样处理的理论技术主要有两类：一类是传统的基于信号带宽的奈奎斯特采样定理；另一类是要求信号具有稀疏性或者可压缩性的新兴的压缩感知(Compressed Sensing，CS)理论。压缩感知是2004年提出的一个全新的信号采样理论。其思想是对稀疏信号进行全局观测，然后通过适当的重构算法从观测信号中重构出源信号，由于可以对这种可压缩的生理信号进行压缩采样和后期的快速重构，理论上能有效弥补穿戴设备处理信号能力弱的缺点。但目前大多数原有的经典压缩感知算法对可穿戴设备采样的这种稀疏性差的生理信号的重构效果和速度都是不是非常理想，这些经典算法在重构的速度上并不能与精确度相互匹配，精度较高的算法往往重构的速度慢，速度快的算法在精度上达不到要求，并不能做到重构速度和精度都能达到高标准，不太适用于可穿戴设备的生理信号重构恢复。同时这些压缩感知算法对于生理信号中接近于零的元素无法准确重构恢复。事实上，这些无法准确重构恢复的生理信号中的接近于零的元素往往是重要的诊断指标。如果没有进行快速、精确地重构出源生理信号就会对诊断造成巨大影响，因此急需一种快速的、精度高的压缩感知重构算法。

发明内容

本发明的发明目的在于：针对现有的压缩感知算法应用于可穿戴设备采样的稀疏性差的生理信号重构恢复时速度很慢等技术问题,提出了一种基于交替方向乘子法和块稀疏贝叶斯学习的压缩感知重构方法。

本发明的一种面向可穿戴设备的快速压缩感知重构方法，包括以下步骤：

步骤1：构造m*n维随机稀疏二值观测矩阵Ф(mn)，该矩阵中每一行包含a个1，并且a小于n，其余位置都为0，非零元素的位置利用高斯分布随机产生，其中n为待重构的原始信号x(非稀疏信号)的长度；

步骤2：利用观测矩阵Ф对长度为n的原始信号x进行压缩测量，得到长度为m的观测向量y，即

y＝Φx (1)

步骤3：根据观测矩阵Ф和观测向量y，通过基于交替方向乘子法的块稀疏贝叶斯压缩感知方法进行信号重构，获得原始信号x的重构信号具体如下：

由于信号在传输过程中会产生噪声，因此式(1)的实际情况应为：

y＝Φx+v (2)

其中v为产生的加性噪声；

1)定义信号模型：将原始信号x按公式(3)所示划分为若干个大小相同的子块x_i，其中d为块长度，g为块的总数(g*d＝n)；

假设每个子块x_i都服从一个如(4)所示的参数化的多维高斯分布，并且每个子块之间是独立同分布的，其中γ_i为一个非负的参数，B_i为一个正定矩阵，用来对x_i的块内相关结构进行建模。