基于无线传感器网络的医学装备运行数据采集优化方法研究

陈克龙，仲建生，沈亚军

（如皋市人民医院医学装备科，江苏如皋 226500）

0 引言

随着远程通信技术的迅猛发展，远程电子医疗服务大大优化了现代化医疗服务的质量。在科技创新能力与科技生产力持续迭代、优化的趋势下，无线传感器网络能够实时获取医学装备的运行数据与状态诊断信息，医疗诊断和持续设备健康评估是其核心功能。当前，传感器网络已在医疗领域发挥了不可替代的作用：程蕾[1]设计多信道链路剔除干扰节点、设置负载均衡因子均衡优化网络负载，利用传输隶属关系建立信息汇聚模型，解决了数据传输过程中的损失率偏大问题；李倩等[2]提出一种基于激光通信的智慧医疗信息系统，通过医疗传感器模块采集医疗数据；陈剑等[3]提出一种医疗无线传感设备的服务质量（quality of service，QoS）评估方法，该方法基于时分复用和Reed-Solomon 编码的前向纠错（forward error correction，FEC）机制，在无线网络中提高了无线医疗技术的可靠性，降低了医学装备无线传感数据采集的延时，并加快了医学装备数据传输的响应速度。以上无线传感器网络在医学领域的应用并不完全针对医学装备运行数据的采集优化，为改善医学装备运行质量，本研究着眼于医学装备多维数据采集性能的优化，致力于医学装备运行状态数据融合及解除无线传感器网络数据传输的拥塞问题，提高数据采集传输的效率与流畅度。

1 医学装备无线传感器网络多维状态数据采集架构

本研究通过无线传感器网络获取医学装备运行的多维状态数据[4]，并基于蚁群优化算法实现多传感器数据的融合，进而对无线传感器网络进行优化布局，利用果蝇优化的路由算法和拥塞解除策略，提高多维状态数据采集效率，并降低无线传感器网络数据流的拥塞状况。

1.1 医学装备运行状态数据采集架构

医学装备运行状态数据采集架构如图1 所示。该架构使用32 位的STM32F 系列单片机作为主控芯片，包括传感器集群电路、信号放大电路、A/D 转换电路、多维数据同步电路、兼容性外部接口电路等外围电路。在主控芯片逻辑控制之下协调和管理各个外围电路，确保整个系统的有序和协同工作。

图1 基于无线传感器网络的医学装备运行状态数据采集架构图

医学装备运行状态数据上传到服务器端进行深度处理，并依托计算机程序采用周期性数据发送策略[5]，以提高数据传输的灵活性。针对医学装备类别繁多、控制系统丰富的现实需求，引入多维数据同步电路，以满足医学装备不同格式多维运行数据采集传输的适应性。为实现多类型无线数据同步的兼容性，此次研究采用了桥式整流滤波和光电耦合器组成一个接口电路。该电路可以兼容多种无线数据同步协议，从而确保不同类型的医学装备无线数据都能有效地进行同步传输。

1.2 多传感器网络数据融合

基于蚁群优化算法对多传感器数据进行融合，原理如下：蚁群开始寻找路径到达食物源的搜索过程中，蚂蚁倾向选择沿着信息素浓度较高的路径访问下一个节点（此处相当于传感器节点），且经过路径时留下信息素并以“梯度”模式保留在路径上。整个蚂蚁搜索过程完成信息素也会相应挥发一部分，全局信息素随之更新，那么梯度值的计算要根据更新的信息素浓度实现。下一个传感节点的选择就要依靠蚂蚁个体根据路径保留的信息量独立完成。

蚁群优化算法融合多传感器数据过程中改进了传统蚁群算法的弊端，形成精英蚁群算法。该算法融合数据的优势如下：（1）基于蚁群优化算法自组织能力，规律性重组医学装备多维差异性数据[6]；（2）基于蚁群优化算法的并行计算能力，提取并融合计算多维差异性数据的特征，同时呈现正反馈机制修正融合误差[7]。

基于精英蚁群算法融合多传感器数据，定义蚂蚁个体k选择节点j的概率，则蚂蚁个体启发值μij的表达式如下：

式中，w（i，j）表示稀疏权重矩阵。在蚁群算法中，蚂蚁个体的邻居一定程度上影响精英蚂蚁个体信息素的挥发函数，当t表示挥发率时，信息素挥发函数τij的表达式如下：

式中，ρ 表示信息素衰减系数。

式中，φij表示节点i与j间的信息素；p、q为调整蚂蚁行为的参数，其中p表示蚂蚁选择之前走过路径的倾向性，q表示蚂蚁探索新路径的倾向性；表示区间中的任一点。

最优路径信息素调整方式如公式（4）所示，即采用合理的信息素增加参数得到信息素函数更新后的表达式：

2 医学装备无线传感器网络优化设计

结合无线传感器网络的基本结构，研究确定了如图2 所示的医学装备无线传感器网络架构。在该架构中，传感器节点负责感知医学装备的运行状态信息，并通过模型信号转换器将这些信息转换为数字格式，这种设计有助于实现高效、准确的医学装备状态监测。图中，传感器节点、基站、用户终端是医学装备无线传感器网络的主要构成[8-9]，传感器节点是连接网络拓扑结构的关键基础。医学装备内置了大量的传感器节点，传感器节点第一时间感知医学装备的运行状态信息，模型信号转换器将采集的数据信息转为数字信息形式，通过数字信息生成数据报文并融合，再以网关通信节点为载体传递到医学装备技术管理人员的智能终端。

图2 医学装备无线传感器网络架构图

2.1 果蝇优化的路由算法

路由算法对于提高医学装备无线传感器网络数据采集效率至关重要。为了确保无线传感器网络的高效运行，首要任务是优化路由算法[10]。因此，本研究采用基于自适应寻优果蝇算法来优化网络的路由策略。这种策略不仅保障了网络数据的传输性能，而且成功缩短了医学装备运行数据采集的时间，进一步提升了整体效率。

传统果蝇优化算法忽略了寻优步长的灵活调整特性，均使用固定的步长进行迭代寻优，该算法的主要缺陷是寻优能力差、寻优误差提升[11]。为此，对果蝇算法进行自适应寻优步长优化，以果蝇所处位置和目标位置之间的距离为依据实施动态性设计：（1）在果蝇远离寻优目标的情况下，延长果蝇的搜索半径；（2）在果蝇趋近寻优目标的情况下，缩短果蝇的搜索半径。公式（5）为自适应步长的计算方法：

式中，ε 为果蝇优化算法的原始步长；ε'为优化后的算法应用步长；e-t、k分别为减量因子与算法迭代次数；smell（i）为味道浓度判定值；bsmell 表示果蝇算法浓度参数中最优果蝇浓度；ϑ 为整数常量。

自适应寻优步长的优势是令果蝇算法随着寻优过程线性递减，避免了固定步长带来的局部最优以及盲目缩短寻优步长导致寻优误差的提升。因此，果蝇算法较好地优化了医学装备无线传感器网络节点路由策略，使其高效率地采集医学装备的运行数据。

2.2 拥塞解除策略

医院医学装备种类多、数据庞大，部署的医疗传感器网络具有大规模、密集性的特征，当多个医学装备同时出现故障时，会产生巨大的数据流甚至是拥塞现象，对传感器节点的缓存能力、处理性能、能量储备均产生较大影响。为此，使用基于虚拟队列的拥塞控制算法（congestion control algorithm based onvirtual queue，CCVQ）进行拥塞处理，从速率调整、主动丢包层面缓解拥塞状况[12]。CCVQ 的目的在于解除低优先级数据流的拥塞，因为高优先级数据流并不会导致网络拥塞，且其仅占数据总量的20%左右。因此，CCVQ 算法的应用能够有效地减轻网络拥塞，提升医学装备无线传感器网络的整体性能。该策略具体分为检测与调整2 个方面，前者以列队长度与变化率检测拥塞情况，后者负责调整拥塞部分的发送速率，调整依据是虚拟列队变化情况、节点优先级、数据拥塞水平3 个变化量。此外，辅以主动丢包策略避免传感器节点缓存溢出[13-14]，具体实施步骤如下：

第一步：Sink 节点广播任务请求包，邻居节点根据请求包接收结果确定是否为重复任务，舍弃重复任务，标记崭新任务并存储，然后广播新任务。

第二步：向Sink 方向广播请求包，前提是收到任务包的源节点感知到与任务要求相关事件。请求包由邻居节点获得后创建初始路由表，存储有关信息后向Sink 方向广播请求包。

第三步：Sink 接收请求包后根据事件源的优先级生成确认包并产生下一跳，下一跳的选择以初始的路由表为范围，根据确认包的优先级以及邻居节点的剩余能量确定。路由表创建成功后Sink 采用相同方法继续执行，直到源节点事件执行完毕。

第四步：由源节点发送感知的医学装备监测数据。

上述医学装备传感器网络拥塞解除过程中，使用果蝇算法进行路由建立与优化布局。

3 实验与分析

为了明确本文提出的医学装备数据采集方法的有效性及优越性，以医疗机构的医学装备为对象，依托OPNET 仿真平台营造传感器网络模拟环境，展开医学装备数据采集测试。同时引用基于无线传感器网络的医学装备数据采集方法（方法1）、基于蚁群无线传感器网络的医学装备数据采集方法（方法2）进行对比测试，以突出本文方法的优势。实验从丢包率、时延2 个方面评估各方法采集医学装备数据的性能。

3.1 医学装备数据采集丢包率分析

丢包率往往出现在网络拥塞的状态下，因此丢包率可以描述数据采集的拥塞情况，该变量为医学装备无线传感器网络节点丢包数量与节点发送数据量的比值。3 种方法采集医学装备运行状态数据的丢包率见表1。

表1 3 种方法在不同采样速率下的丢包率对比单位：%

分析表1 可知，随着医学装备无线传感器网络源节点采样速率的变化，3 种方法的丢包率变化差异较大。3 种方法的初始丢包率均较低，范围为2.1%～2.3%。当源节点的采样速率增加到20 Kibit/s 时整个网络出现拥塞现象，但拥塞程度较低，此时本文方法的丢包率增加幅度较小，仅增加了0.4%，而方法1 和方法2 的丢包率则分别增加至10.8%和4.9%。分析原因是：方法1 基于传统的无线传感器网络采集医学装备数据，没有进行网络拥塞解除与控制行为，当采样速率持续增加时，其网络拥塞的现象更加显著；方法2 的路由算法设计中使用缓冲区队列信息检测网络中的拥塞情况，对网络拥塞进行调控，因此数据采集的丢包率相对较低。当采样速率增加到50 Kibit/s时3 种方法的丢包率出现新的变化，方法1 丢包率增加至39.7%、方法2 丢包率增加至32.7%，但方法2 的弊端更为突出，整体上方法2 对网络拥塞的情况已经失控，拥塞控制的效果不明显，最高丢包率达到47.8%，仅次于方法1。而本文方法的数据采集丢包率在采样速率达到80 Kibit/s 时仅为8.6%，呈现了理想的拥塞解除状态。这是因为本文方法一方面使用CCVQ 策略控制医学装备无线传感器网络的数据流拥塞情况，依据队列的变化率与占用情况进行速率调整，使得主动丢包情况仅出现在队列占用率较大的情况下，降低了丢包率；另一方面，基于自适应步长的果蝇优化算法改进无线传感器网络的路由策略，有效平衡了节点负载均衡问题，提高了数据流传输路径的合理性，一定程度上降低了网络拥塞情况。

综上可知，本文方法的丢包率始终较低，因而具有较优的网络拥塞控制性能，提高了医学装备无线传感器网络的整体性能。

3.2 医学装备数据采集时延分析

平均时延计算公式如下：

平均时延=

基于公式（6）求取测试过程中3 种方法的平均时延，结果如图3 所示。

图3 3 种方法的数据采集平均时延

分析图3 可知，随着传感器节点数量的持续增加，3 种方法的平均时延均处于下降的态势，其中本文方法的平均时延比方法1、方法2 低。具体而言，当传感器节点数量为500 个时，本文方法的平均时延约为0.115 s，而方法1 和方法2 的平均时延高达0.129、0.125 s。实验过程中，对比方法的时延曲线始终位于本文方法的上方，说明本文方法在降低医学装备无线传感器网络的时延方面发挥了作用。这是因为本文方法采用精英蚁群策略进行多传感器数据融合，选用合理的信息素增加参数来更新蚁群算法的信息素函数，以确定数据融合的下一个传感器节点。本文方法由Sink 节点根据事件源的优先级生成确认包并产生下一跳，减少了大量传感信息缓存。方法2 虽然也使用蚁群算法采集数据，但其信息素更新策略较为传统，导致选择节点下一跳的用时较大，增加了该方法采集医学装备运行数据的时延。同样的，方法1 基于无线传感器网络采集医学装备数据，采用中心点融合算法虽然易于实现且无需维护网络拓扑结构以及路由计算，但是算法准备工作与实现过程复杂，导致数据融合延迟较大，增加了医学装备数据采集的时延。

4 结语

医学装备的正常运行是提高医疗机构运行效率、保障正常诊疗活动开展的基础。本文提出的医学装备数据采集方法为远程监测医学装备运行状态提供了有效参考，具体表现在以下2 个方面：（1）使用无线传感器网络获取医学装备运行的多维状态数据，设计了无线传感器网络的医学装备运行数据采集机制，在此基础上基于蚁群优化算法融合多传感器数据，降低了数据采集时延。（2）对医学装备无线传感器网络进行优化设计，嵌入高效率、高性能的数据流拥塞解除策略，使用自适应步长果蝇算法建立路由机制，降低了医学装备数据采集的丢包率，采集的数据更加全面。

本研究在医学装备数据采集方面取得了初步成果，但在数据融合的精细度上仍需进一步优化，以形成智能化的医学装备管理体系，支撑医学装备多维运行数据采集水平的提升。