体域网BSN的研究进展及面临的挑战
计算机研究与发展ＩＳＳＮ１０００—１２３９１ＣＮＩＩ一１７７７／ＴＰＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ４７（５）：７３７—７５３，２０１０体域网ＢＳＮ的研究
计算机研究与发展ＩＳＳＮ１０００—１２３９１ＣＮＩＩ一１７７７／ＴＰＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ４７（５）：７３７—７５３，２０１０体域网ＢＳＮ的研究进展及面临的挑战
宫继兵１’乳３王睿１崔莉１
１（中国科学院计算技术研究所北京１００１９０）
２（燕山大学计算机科学与工程系河北秦皇岛０６６００４）
３（中国科学院研究生院北京１００１９０）
（ｇｏｎｇｊｉｂｉｎｇ＠ｉｃｔ．ａｃ．ｃｎ）
ＲｅｓｅａｒｃｈＡｄｖａｎｃｅｓａｎｄＣｈａｌｌｅｎｇｅｓｏｆＢｏｄｙＳｅｎｓｏｒＮｅｔｗｏｒｋ（ＢＳＮ）
ＧｏｎｇＪｉｂｉｎ９１・２”，ＷａｎｇＲｕｉｌ，ａｎｄＣｕｉＬｉｌ
１（ＩｎｓｔｉｔｕｔｅｏｆＣｏｍｐｕｔｉｎｇＴｅｃｈｎｏｌｏｇｙ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１００１９０）
２（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＹａｎｓｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｑｉｎｈｕａｎｇｄａｏ，Ｈｅｂｅｉ０６６００４）
３（ＧｒａｄｕａｔｅＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１００１９０）
ＡｂｓｔｒａｃｔＡｓｏｎｅｂｒａｎｃｈｏｆＷＳＮａｎｄｉｍｐｏｒｔａｎｔｐａｒｔｏｆｔｈｅＩｎｔｅｒｎｅｔｏｆＴｈｉｎｇｓ，ＢｏｄｙＳｅｎｓｏｒＮｅｔｗｏｒｋ（ＢＳＮ）ｉｓｕｔｉｌｉｚｅｄｔｏｉｍｐｒｏｖｅｐｅｏｐｌｅ’ＳＨｅａｌｔｈｃａｒｅａｎｄＭｅｄｉｃｉｎｅｂｙｐｅｒｖａｓｉｖｅｃｏｍｐｕｔｉｎｇ，ｉｎｔｅｌｌｉｇｅｎｔｉｎｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇ，ｎｅｗｎｅｔｗｏｒｋｔｅｃｈｎｏｌｏｇｉｅｓａｎｄｓｅｒｖｉｃｅｓ．Ｓｏ，ｉｔｉｓｐａｉｄｍｏｒｅａｎｄｍｏｒｅａｔｔｅｎｔｉｏｎｔｏｂｙｒｅｓｅａｒｃｈｅｒｓａｎｄｅｎｔｅｒｐｒｉｓｅｓ．ＥｘｉｓｔｉｎｇｓｕｒｖｅｙｒｅｓｅａｒｃｈｅｓｈａｖｅｇｉｖｅｎｆｕｌｌｄｉｓｃｕｓｓｉｏｎｏｎｔｈｅａｄｖａｎｃｅｓａｎｄｃｈａｌｌｅｎｇｅｓｏｆＢＳＮ’Ｓｂｉｏｓｅｎｓｏｒ，ｗｉｒｅｌｅｓｓｃｏｍｍｕｎｉｃａｔｉｏｎａｒｃｈｉｔｅｃｔｕｒｅａｎｄｄａｔａｓｅｃｕｒｉｔｙ．Ｈｏｗｅｖｅｒ，ｆｏｃｕｓｅｄｏｎｉｎｔｈｉｓｐａｐｅｒａｒｅＢＳＮ’Ｓｄａｔａｆｕｓｉｏｎ，ｃｏｎｔｅｘｔ—ａｗａｒｅｓｅｎｓｉｎｇ，ａｎｄｓｙｓｔｅｍｔｅｃｈｎｏｌｏｇｉｅｓｆｒｏｍｐｅｒｓｐｅｃｔｉｖｅｓｏｆｔｅｃｈｎｏｌｏｇｙｃｈａｌｌｅｎｇｅｓ，ｒｅｓｅａｒｃｈａｄｖａｎｃｅａｎｄｄｅｖｅｌｏｐｍｅｎｔｔｒｅｎｄ．ＩｔｉｎｔｒｏｄｕｃｅｓｂａｓｉｃｃｏｎｃｅｐｔｓａｎｄｒｅｓｅａｒｃｈｓｉｔｕａｔｉｏｎｏｆＢＳＮａｒｅｉｎｔｒｏｄｕｃｅｄ．Ｂｅｓｉｄｅｓ。ＢＳＮ’Ｓｓｙｓｔｅｍａｒｃｈｉｔｅｃｔｕｒｅ，ｒｅｐｒｅｓｅｎｔａｔｉｖｅａｐｐｌｉｃａｔｉｏｎｓａｎｄｒｅｓｅａｒｃｈｐｒｏｊｅｃｔｓａｒｅｉｎｔｒｏｄｕｃｅｄ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ｆｕｔｕｒｅｒｅｓｅａｒｃｈａｎｄａｐｐｌｉｃａｔｉｏｎｐｒｏｓｐｅｃｔｓｏｆＢＳＮａｒｅｇｉｖｅｎ．ＳｏｍｅｐｒａｃｔｉｃａｌｐｒｏｂｌｅｍｓａｂｏｕｔｒｅｓｔｒｉｃｔｉｏｎｏｎＢＳＮｒｅｓｅａｒｃｈａｎｄｄｅｖｅｌｏｐｍｅｎｔａｒｅａｌｓｏｐｒｅｓｅｎｔｅｄ．ＴｈｅｃｏｎｔｒｉｂｕｔｉｏｎｓａｒｅｔｏｐｒｏｐｏｓｅｔｈｅＢＳＮａｒｃｈｉｔｅｃｔｕｒｅ，ａｎａｌｙｚｅｔｈｅｃｈａｌｌｅｎｇｅｓｏｆＢＳＮ，ａｎｄｐｏｉｎｔｏｕｔｔｈｅｐｒａｃｔｉｃａｌｐｒｏｂｌｅｍｓｒｅｓｔｒｉｃｔｉｎｇＢＳＮ’ｓｄｅｖｅｌｏｐｍｅｎｔ．Ｔｈｒｏｕｇｈｓｔｕｄｙｉｎｇａｂｕｎｄａｎｔｒｅｆｅｒｅｎｃｅｓａｎｄｄｅｓｉｇｎｉｎｇｅｆｆｅｃｔｉｖｅｉｎｔｒｏｄｕｃｔｉｏｎｓｔｒｕｃｔｕｒｅ，ｔｈｅｈｏｔａｎｄｋｅｙｓｃｉｅｎｔｉｆｉｃｉｓｓｕｅｓａｂｏｕｔＢＳＮａｒｅｇｉｖｅｎｃｌｅａｒｌｙａｎｄｔｈｕｓｈｅｌｐｓｏｔｈｅｒｒｅｓｅａｒｃｈｅｒｓ，ｅｓｐｅｃｉａｌｌｙｂｅｇｉｎｎｅｒｓ，ｔｏｋｎｏｗＢＳＮ’Ｓｓｉｔｕａｔｉｏｎｗｅｌｌ．Ａｔｌａｓｔ，ａｌｔｈｏｕｇｈｌｏｔｓｏｆｃｈａｌｌｅｎｇｅｓｓｔｉｌｌｅｘｉｓｔ，ｔｈｅｄｅｖｅｌｏｐｉｎｇｔｒｅｎｄｏｆＢＳＮｗｉｌｌｂｅｔｈａｔｍｕｌｔｉ—ｔｅｃｈｎｉｑｕｅｓａｒｅｉｎｔｅｇｒａｔｅｄｔｏａｃｈｉｅｖｅｉｎｔｅｌｌｉｇｅｎｃｅ，ｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄｕｓａｂｉｌｉｔｙｏｆｉｔ．Ａｎｄ．ＢＳＮｗｉｌｌｂｅｃｏｍｅａｎｉｎｅｖｉｔａｂｌｅｃｈｏｉｃｅｆｏｒｆｕｔｕｒｅｈｅａｌｔｈｃａｒｅｍｏｎｉｔｏｒｉｎｇｓｅｒｖｉｃｅ．
Ｋｅｙｗｏｒｄｓｂｏｄｙｓｅｎｓｏｒｎｅｔｗｏｒｋ（ＢＳＮ）；ｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎ；ｃｏｎｔｅｘｔ－ａｗａｒｅｓｅｎｓｉｎｇ；ｓｙｓｔｅｍｔｅｃｈｎｏｌｏｇｉｅｓｏｆＢＳＮ；Ｉｎｔｅｒｎｅｔｏｆｔｈｉｎｇｓ
摘要作为ＷＳＮ的分支和物联网的重要组成部分，ＢＳＮ通过应用泛在计算、智能信息处理和新型网络化等技术来提高人民医疗保健的水平，并因此日益受到研究人员和企业的关注．已有的研究综述分别在ＢＳＮ的生物传感器、无线通信架构和数据安全等方面给出了充分讨论．将着重在数据融合、情景感知收稿日期：２００９—１２—１１；修回日期：２０１０－０３－２５
基金项目：国家。十一五”科技支撑计划重点项目（２００６ＢＡｌ０８８０１－０２）；国家“九七三”重点基础研究发展计划基金项目（２００６ＣＢ３０３０００），国家
“八六三”高技术研究发展计划基金项目（２００７ＡＡ０１２２Ａ９）；中国科学院“低成本全民健康工程”专项基金项目；北京市自然科学基金项目（４０９２０４５）
万方数据
,ｙｃａｖｉｒＰｉ。ｒｕｃｅＳ
７３８计算机研究与发展２０１０，４７（５）
和系统技术这３个方面总结ＢＳＮ领域的技术挑战、研究现状和发展趋势．并给出了ＢＳＮ基本概念和研究状况分析，讨论了ＢＳＮ系统架构、代表性应用及项目研究，阐述了ＢＳＮ未来研究展望和应用前景，提出了限制ＢＳＮ发展的实际问题．虽然ＢＳＮ还面临诸多挑战，但必然会朝着多种技术相结合的智能化方向发展，并成为未来医疗健康监护的必然选择．
关键词体域网；信息融合；情景感知；ＢＳＮ系统技术；物联网
中图法分类号ＴＰ３９３
助残方面，应用的领域还可扩展到娱乐业（如动漫产
Ｏ
引言
ｓｅｎｓｏｒ
业、舞蹈设计和训练）Ｌ８｛］、体育运动（如击剑教学模拟及分析）［１０‘、其他工业（如汽车发动机和机床的状态监控及故障检测），甚至是军事领域（如战士生理状态监控及救助）【１１Ｊ和社会公共领域（如大规模突发事件的监控和心理救助等）［１
２。．
作为无线传感器网络（ｗｉｒｅｌｅｓｓ
ｎｅｔｗｏｒｋｓ，
ＷＳＮ）［１卅的一个分支［５３和在生物医疗等领域内的应用［６］，体域网（ｂｏｄｙ
ｓｅｎｓｏｒ
ｎｅｔｗｏｒｋ，ＢＳＮ）是一
种重要的公众应用网络，并在远程医疗保健、特殊人群监护和社区医疗等服务领域有着巨大的应用意义和需求，并日渐成为研究和应用的热点．首先，随着全世界老龄化人口的不断增加，由于医疗资源（预算支出、医生、护士和病床等）相对不足，使得医疗保健系统的发展成为全球需求Ｈ］．其次，中国作为１３亿人口的大国，对于能够切实解决广大社区（特别是偏远山区）看病难、看病贵的ＢＳＮ技术更是需求迫切．此外，传统的医疗方法多为病发后治疗，不能很好地作到预防和实时诊疗，而ＢＳＮ代表的新技术则能通过对已有生理参数数据的分类学习、对实时信号或数据进行分析从而对发病进行预警，或在发病时采取及时的报警，并将发病过程中重要的生理信息保存下来，以供后续的诊断治疗．
ＢＳＮ技术不仅用于医疗保健、健康恢复和助老
当前，ＢＳＮ仍处在初级发展阶段，多数研究都集中在建立系统架构和服务平台上【ｌ引，仍面临诸多关键技术挑战，如图１所示．在用于减少冗余并获得特征和决策的数据融合方面，包括轻量级数据融合算法的设计及实现【１４Ｊ和生理信号的实时处理Ｌｌ副等；在用于提高识别精度和实现自动感知的情景感知方面，包括上下文计算、环境感知及监控［１６］和特征提取及降维技术等；在用于防止入侵的数据安全和隐私数据保护方面，包括数据安全协议、数据加密算法设计及隐私保护机制等；在用于搭建ＢＳＮ应用的系统技术方面，包括低能耗的无线通信［１川、身体上及身体周围的无线传输Ｌ５Ｊ、体上传感器节点的可穿戴性［１ｓ，１７］、传感器（特别是植人体内）的尺寸大小及低能耗问题【ｌ“１８ｑ¨等．这些关键技术都是构建完整ＢＳＮ系统所必须涉及到的，不仅有研究价值，还具有重要的实际应用价值．
ｓｉｇ眺ｎａｌ
Ｃ，ｏ吲ｌｌｅ衄ｃｔｉ∞Ｈｌ陬Ｓｉ螂ｇｎａ旧ｌＣ。ｏ。ｌｌｅｓｃ—ｔｉｏｎ，ａＮｎｄｏａｅｏｅｔｅＲｅｃｔｉｓｉｓ。ｔａ。ｎ。ｃｅ‰ａｎｄ；辩Ｉ陋Ｄａｔａ№Ｆｕｓ蛔ｉｏｎ
＜多
Ａｗａｒｅｎｅｓｓａｎｄ
Ｄａ删ｔａＦｕｓ。。ｉｏｎ
ＤＡａ．ｔ印ａＦ。ｕｓｍｉｍｏｎ
Ｈ恒到。一Ｃｏｎｔｅｘｔ妙
ＰｒｏｔｅｃｔｉｏｎＤａｔａ厂］ｌｕｒｉｔｌ
ＩｄｅｎｔｉｆｉｃａｔｉｏｎＭｏｎｉｔｏｒｉｎｇ
ａｎｄ
Ｍｏｎｉｔｏｒｉｎｇ
ｏｆ
ＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅａｓｏｎｉｎｇ
ＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎａｎｄ
ｏｆＢｅｈａｖｉｏｒＤｉｍｅｍｉｏｎ
Ｓｕｒｒｏｕｎｄｉｎｇｓ
ａｎｄＡｃｔｉｖｉｔｙ
Ｒｅｄｕｃｔｉｏｎ
Ｕｌ］ｌＤａｍＰｒｏｔｏｃｏ母ｌ
Ｉ‘
ＤｅｓｉｇｎｆｏｒＤａｔａＥｎｃｒｙｐｔｉｏｎＡｌｇｏｒｉｔｈｍ
Ｉ
Ｍｅｃｈａｎｉｓｍ
ｆｏｒＰｒｉｖａｃｙＰｒｏｔｅｃｔｉｏｎ
Ｋｅｙ
Ｍｅｃｈａｎｉｓｍｆｏｒ
Ｅｓｔａｂｌｉｓｈｍｅｎｔ
Ｍｅｃｈａｎｉｓｍｆｏｒ
ＯｐｅｒａｔｉｏｎＣｏｎｔｒ０１．
ａｎｄＤｉｓｔｒｉｂｕｔｉｏｎ
七多
Ｔ∞Ｓｙ‰ｓｔｅ－ｍ啊Ｈｌ觚Ｎｎｅｔｉｗ钯。一ｒｋ
ＳｅｎｓｏｒＮｏｄｅＧａｔｅｗａｙＮｏｄｅ
ｌＴｅｃｈｎｏｌｏｇｙａｎｄＰｒｏｔｏｃｏｌ
ｆｏｒ
ＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎ
Ｗｅａｒａｂｉｌｉｔｙ
Ｔｅｃｈｎｏｌｏｇｙｆｏｒ
ａｎｄ
Ｍｏｂｉｌｉｔｙ
ＭａｎａｇｅｍｅｎｔＳｙｓｔｅｍａｎｄ
Ｄａｔａｂａｓｅ
Ｆｉｇ．１
ＯｖｅｒｖｉｅｗｏｆＫｅｙｔｅｃｈｎｏｌｏｇｉｅｓｉｎＢＳＮ．
图１ＢＳＮ关键技术点概况
万方数据
,宫继兵等：体域网ＢＳＮ的研究进展及面临的挑战７３９
已有的研究综述分别就ＢＳＮ的生物传感器设号（如温度、血糖，血压和心电信号等）、人体活动或动计和自动感知Ｌ２叫、无线通信架构¨］、情景感知心¨、医作信号以及人体所在环境信息，处理这些信号／信息疗保健领域的发展趋势【ｌ引、数据安全【２２３和无缝系统并将它们传输到身体外部附近的本地基站Ｌｌ８。．ＢＳＮ整合技术Ｌｌ刚给出了充分讨论．本文将着重在数据融还有其他的称呼，分别是生物医疗传感器网络合、情景感知和系统技术方面总结ＢＳＮ领域的技术（ｂｉｏｍｅｄｉｃａｌｓｅｎｓｏｒｎｅｔｗｏｒｋ）ｃ２５］和无线体域传感网挑战、最新进展和发展趋势，还就ＢＳＮ系统架构展（ｗｉｒｅｌｅｓｓｂｏｄｙａｒｅａｓｅｎｓｏｒｎｅｔｗｏｒｋ，ＷＢＡＳＮ或开讨论．．ＢＡＮ）［２引．
根据相对予人体所在位置可将ＢＳＮ中传感器
１ＢＳＮ概念与研究状况分析节点分为３类：１．可植入体内的传感器节点，包括可
植入的生物传感器和可吸人的传感器（如摄像药
１．１体域网的概念丸）［１８’２阳；２．可穿戴在身体上的传感器节点，如葡萄
体域网（ｗｉｒｅｌｅｓｓｂｏｄｙｓｅｎｓｏｒｎｅｔｗｏｒｋ，ＷＢＳＮ糖传感器、非入侵血压传感器、血氧饱和度传感器和或ＢＳＮ）是基于无线传感器网络（ＷＳＮ）的［１引，是人温度传感器等Ｅ６，８，２６－２８］；３．在身体周围并距离身体很体上的生理参数收集传感器或移植到人体内的生物（较）近的用于识别人体活动或行为的周围环境节传感器共同形成的一个无线网络Ｉｔ３］，它不仅是一种点［ｚ“２９］．在以上分类的基础上，根据传感器节点的新的普适医疗保健、疾病监控和预防的解决方案，还监控／检测目标，可将ＢＳＮ网络分为：１．仅包含第１是物联网（Ｉｎｔｅｒｎｅｔｏｆｔｈｉｎｇｓ）∞４Ｊ的重要感知及组成类传感器节点的植入式ＢＳＮ网络（ｉｍｐｌａｎｔｅｄⅨＮ）［１砌；部分．其目的是提供一个集成硬件、软件和无线通信２．仅包含第２类传感器节点的可穿戴式ＢＳＮ（ｗｅａｒａｂｌｅ技术的泛在计算平台，并为普适的健康医疗监控系统ＢＳＮ）Ｅ６，８，ｚ６－２７，３０－３４３；３．以上３类传感器节点任意组合的未来发展提供必备的条件．它特别强调可穿戴或可的混合式ＢＳＮ（ｈｙｂｒｉｄＢＳＮ）［２“３１’３引．图２示意了植入生物传感器的尺寸大小及它们之间的低能耗无ＢＳＮ中所包含的传感器节点及其所在人体上（内）线通信．这些传感器节点能够采集身体重要的生理信的大致位置：
Ｆｉｇ．２ＡｐｐｒｏｐｒｉａｔｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｓｅｎｓｏｒｓｉｎＢＳＮ．
图２ＢＳＮ中传感器节点示意图
ＢＳＮ中传感器节点（或设备）所要监控的人体觉传感器瞄］、心动电流仪‘３７１、心电图仪‘３０，３３，３８－３９】、（生理）信号分为３类：１．连续型时变生理信号，一般ＰＶＤＦ压电脉象传感器嘲］、心脏起搏器‘刎和吸入式为各种波形居多，如肌电图‘６３和脉搏波嘲３等，对应的药丸摄像机Ⅲ３；２．离散型时变生理信号，如体温‘引、
血压‘２７１和血氧饱和度‘４０３等生理参数值，对应的传感
万方数据传感器（设备）包括脑电图扫描仪‘孙３、视觉传感器、听
,７４０
器（设备）包括吸入式药丸温度测量仪ｎ１１、胰岛素泵［２６］、肺功能传感器‘“］、葡萄糖检测传感器Ｌ２６］、出汗量检测传感器［札］、指环式心率感知器［４引、血氧饱和度传感器【２２“引、体温传感器ｍ］、非入侵血压监测仪［１７，２７３和脉搏率检测传感器【２２３；３．人体活动及动作信号，用于监控病人的日常活动或人体活动，对应的传感器（设备）包括人体活动传感器［２“３１‘、加速度传感器ｍ“舶’３ｈ４５］、动作传感器［３引、耳戴式活动识别传感器［３５］和螺旋仪［８“引．
１．２
ＢＳＮ研究状况及分析
由于ＢＳＮ的重要性及对未来医疗保健和助老
助残等社会问题的深远影响，越来越多的人员投入到ＢＳＮ的研究中．其中，英国帝国理工大学对ＢＳＮ中情景感知和周围环境感知的研究［３２，３５，３８，４６１；美国加州大学和伯克利大学等重点对ＢＳＮ可穿戴性、可扩展性和资源优化等进行研究ｍ９’”’２争３０’３７“７３；中国香港中文大学等基于多种通信方式构建混合的ＢＳＮ，并对移动ＢＳＮ中跟踪和能量感知ＭＡＣ进行了相关研究［２７，４１－４２，４８］；韩国信息通信大学等从低能耗和通信的角度构建新型的ＢＳＮ系统Ｌ６，４９－５１］；新加
坡国立大学等对ＢＳＮ的架构展开了深入研究【５删；
中国科学院计算技术研究所构建了新型的ＢＳＮ平台并对ＢＳＮ中数据融合技术展开了研究［１４，３６３；中国科学院自动化研究所研究ＢＳＮ对人体活动的监
控［３１，５２１；此外，中国台湾阻５引、东南大学‘５５３以及世界
的其他地方如加拿大ＤｈＳ６］、德国［２８，５７］、爱尔兰‘盯、巴西。诣］、比利时［５９３和瑞士‘３４３等国家在ＢＳＮ的自适应性和可调节性、中间件、信号处理算法、健康及活动监控和网络可靠性等方面的研究也取得了进展．
本文分别从研究角度（关键技术）和应用领域对ＢＳＮ研究状况进行了统计分析（分别如图３和图４所
。Ｆｉｇ．３
ＳｔａｔｉｓｔｉＣｓｏｆｋｅｙｔｅｃｈｎｏｌｏｇｉｅｓｉｎＢＳＮ．
‘图３ＢＳＮ研究角度（关键技术）统计
万方数据
计算机研究与发展２０１０，４７（５）
示），所用参考文献是从ＩＥＥＥ检索、ＳｐｒｉｎｇＬｉｎｋ检索以及ＡＣＭ检索获得，日期从２００４年到２００９年．
Ｆｉｇ．４
Ｓｔａｔｉｓｔｉｃｓｏｆｍｏｎｉｔｏｒｉｎｇ
ｏｂｊｅｃｔｓｉｎＢＳＮ．
图４ＢＳＮ应用领域（监控目标）统计
从图３可以看出，不同的研究实体对于设计和实现新型的、供自己研究和使用的ＢＳＮ研究平台给予了更多关注．ＢＳＮ的关键技术研究热点依次是数据融合技术、情景感知技术和ＢＳＮ能量控制．由于基于加速度计的传感器易用性和实现方便，图４说明ＢＳＮ用于“人体活动／动作”领域的研究比例最大，“心电”、“血压”和“体温／温度”的应用也与此类似．特别指出，图４中“人体活动／动作”和“环境感知及行为状态”的应用领域比例大，这与图３中“新型ＢＳＮ”和“情景感知”技术热点是一致的，并从不同侧面说明了同一个事实：研究者们提出新的ＢＳＮ系统架构将人体活动／动作和“环境感知及行为状态”相结合，实现情景感知和智能识别，进而达到长期的实时病人监控和医疗保健的目的．
２
ＢＳＮ系统架构的代表性应用及研究项目
２．１
ＢＳＮ系统架构
ＢＳＮ应用系统或服务平台都会有自己的系统
架构，目前多采用先分布式采集或感知、再集中式处理的方式．考虑到ＢＳＮ的网络规模较小，并且每对传感器节点之间的通信也不是必须的，因此分布式采集部分经常采用星形拓扑结构［６引．为了更好地概括和总结各种已有的ＢＳＮ系统架构，通过兼容性地整合这些结构［６’１３，２锄“３¨ｈ５“６１。６３］，本文给出一种全面的架构形式，如图５所示．该图表示了ＢＳＮ的物
理模型，不仅兼顾到已有不同种类ＢＳＮ系统架构，
还更好地突出了ＢＳＮ系统的特点．
,宫继兵等：体域网ＢＳＮ的研究进展及面临的挑战
７４１
／：ＩｍｐｌａｎｔｅｄＳｅｎｓｏｒＮｏｄｅｓ
Ｗ：ＷｅａｒａｂｌｅＳｅｎｓｏｒＮｏｄｅｓＡ：ＡｍｂｉｅｎｔＳｅｎｓｏｒＮｏｄｅｓ胃：ＢＳＮＨｅａｄ
Ｆｉｇ．５
ＡｒｃｈｉｔｅｃｔｕｒｅｏｆＢＳＮ．＋
图５ＢＳＮ系统架构
图５所示ＢＳＮ的系统架构包含３个层次［６４］：第１层包含一组具有检测功能的传感器节点或设备，由于受资源限制，它们的功能经过了简化设计．在医疗领域，传感器能够测量和处理人体的生理信号或所在环境信息，然后将这些信息传送给外部控制节点或头节点，还可以接收外部命令以触发动作．在非医疗领域，可穿戴的设备（如耳机、ＭＰ３播放器和游戏控制器等）都可以包含进来．第２层是具有完全功能设计的移动个人服务器（ｍｏｂｉｌｅ
ｐｅｒｓｏｎａｌ
向这些用户、医务人员和护理人员提供相应服务．
人们通常认为ＢＳＮ中只需有基站和各节点通信就可以了．但在一个拥有较多传感器节点的混合ＢＳＮ中，由于其网络架构同ＷＳＮ类似，就要有
ＢＳＮ
Ｈｅａｄ来集合从所管辖节点所搜集到的生理参
数或周围环境数据，并用Ｓｉｎｋ节点来和各ＢＳＮＨｅａｄ进行通信和收集数据．这种情况下，Ｓｉｎｋ节点也可以看作是一个基站，它具有全局性．ＢＳＮ
Ｈｅａｄ
可以是普通的ＢＳＮ节点，也可以是便携式的带有充分计算能力的ＰＤＡ或Ｃｅｌｌｐｈｏｎｅ，仅具有局部性，能够进行本地数据分析、检测病人生理状况的异常，执行相关的安全任务以及及时发出警报．它还可以充当节点和服务器之间的路由器，连接短距离网络（Ｂｌｕｅｔｏｏｔｈ／ＺｉｇＢｅｅ／ＷｉＦｉ）和远程网络（ＧＳＭ／ＧＰＲＳ／
３Ｇ）ｔ５“．２．２
ｓｅｖｅｒ）［６４Ｊ或ＢＳＮ头节点（ＢＳＮＨｅａｄ）［－５４］或主节点
（ｍａｓｔｅｒ（ｂａｓｅ
ｎｏｄｅｓ）［６引，进一步还包括Ｓｉｎｋ节点或基站
ｓｔａｔｉｏｎ）．它负责和外部网络进行通信，并临
时存储从第１层收集上来的数据．它以低能耗的方式管理各个传感器节点或设备，接收和分析感知数
据以及执行规定的用户程序［６５。．基站可以是资源相
对丰富的移动电话，能够上网的ＰＤＡ或其他手持设备Ｌｌ引．一般情况下，当ＢＳＮ网络节点个数不多时，图５所示架构中“Ｈ节点”部分与Ｓｉｎｋ／ＢａｓｅＳｔａｔｉｏｎ部分是合二为一的，只有在ＢＳＮ网络节点较多的情况下会存在多个ＢＳＮ头节点，此时就需要一个Ｓｉｎｋ节点或基站来负责收集由这些头节点发送的信息，并作为路由器与外部网络进行连接．第３层是包括提供各种应用服务的远程服务器的外部网络，例如，医疗服务器保留注册用户的电子医疗记录，并
ＢＳＮ代表性应用及研究项目
体域网（ＢＳＮ）有着广阔的应用前景，应用领域
包括医疗保健、身体康复、助残助老、军事、体育运动、目击者救护、娱乐业，建筑业和工业等［６’１“２““］．以下仅列出其中几个代表性应用为例，包括医疗健
康监测［…、身体活动运动监控脚。３１’６７删、人体活动姿
态识别［３５’‘５’５纠、老人生命体征家庭监控［３９。、Ｈ－ｓｈｉｒｔ实时测量血压［２７，３３］、结合体温和加速度传感器检查心脏状态［６］、交互式舞蹈表演［８。９］、Ｃｅｌｅｒｉｔａ可穿戴
万方数据
,７４２
计算机研究与发展２０１０，４７（５）
无线交互舞蹈表演系统Ｉｓ－ｇ］、婴儿监控［９Ｉ、战士生理状态监控及救助［１¨、医院／家庭术后病人康复监控【３２Ｊ、智能识别和辅助身体康复［３州、用于非入侵健康监测的“ＳｍａｒｔＣｌｏｔｈｅｓ巩３引、真实环境下防跌倒监测【４５］和提供普适监控的“智能家庭，，［６９］等等．
代表性的ＢＳＮ研究项目包括用于中医脉象信息收集及分析的无线网络远程医疗系统［１４’３６１、医疗护理的ＣｏｄｅＢｌｕｅ项目１７０３、远程健康保健的ＭｏｂｉＨｅａｈｈ［７１。、制造可穿戴传感器的ＭＩＴｈｒｉｌ项目［７引、“智能衣服”研究的欧洲ＭｙＨｅａｒｔ项目［３４］和ＡＮＧＥＬ项目［５７］等等．其中，中医脉象信息收集及分析无线网络远程医疗系统［１“３６］通过搭建一种新的ＢＳＮ网络，应用无线通信技术，轻量级的数据融合模型以及一系列处理、分析和识别算法，能够采集中医脉象信息、抽取脉搏波波形特征点，智能处理和分析特征点信息，并给出诊断结果（如高血压和冠心病等）．
３
射方法．推理方法常被应用在决策融合中，基于对周围情况的感知所获得的知识来采取决策，包括贝叶斯推理、ｎＦ推理、模糊逻辑、神经网络、溯因推理和语义数据融合；从估计方法角度，ＢＳＮ中数据融合技术包括极大似然估计、最大后验估计、最小二乘估计、移动平均滤波、卡尔曼滤波和粒子滤波；对有些ＢＳＮ应用而言，直接使用原始的未经处理的传感器数据是不可行的．这种情况下可以将表示环境各方面的特征抽取出来，通过评估和推理的融合方法产生一个特征映射，常用的特征映射类型为Ｏｃｃｕｐａｎｃｙ
Ｇｒｉｄ和ＮｅｔｗｏｒｋＳｃａｎｓ［７引．３．１．２面临挑战
ＢＳＮ应用系统在收集和处理生理数据时具有以下特点［１引：１．人体的不规则呼吸或突然的动作而产生低信噪比的不规则信号；２．由于节点的通信、计算和存储能力受限于硬件资源，从而不能进行复杂的处理；３．在电子和信息化社会中，人们所处环境中常包含其他的电子仪器和设备，对无线通信造成严重干扰，从而使ＢＳＮ系统的噪音增大．ＢＳＮ中数据融合技术面临以下挑战［１４’３“５２’７引：
１）节点信号处理．这里的“信号处理”含义包括信号分析、抗干扰，信号分离以及滤波等技术．这些技术有两种实现方式：节点上实现和基站（服务器或ＰＤＡ）上实现．前者是值得特别提倡的，其优点是具有实时性，减少了不必要的数据流量和传输过程中能量的消耗．但由于节点资源受限，在节点上实现将面临要求低算法复杂度的挑战，而在资源丰富的服务器（基站或ＰＤＡ）上实现则能够处理较复杂的信号，还可以进行分类学习或模式识别，信号处理效果会更好，而面临挑战则是如何减少网内数据流量以及传输过程中的能量消耗，并尽可能降低由服务器存在而增加的网络成本．
２）生理感知数据特征提取．生理感知数据特征提取是从ＢＳＮ采集到的感知数据（如ＥＣＧ和ＥＥＧ）中找到具有生理意义或代表状态的特征点，如人体脉搏波中的主峰峰值点和重搏前波峰值点等［１４‘，因此设计和实现满足具体应用的特征提取算法成为ＢＳＮ数据融合的又一个挑战．其困难在于：（１）由于人体自身活动及生理因素（如呼吸或心跳）而使感知设备产生无法避免的噪音．（２）ＢＳＮ系统所在的家庭或医院环境中存在大量的电器或电子设备，会对ＢＳＮ系统中的感知设备产生干扰．这些因素都会导致在ＢＳＮ医疗或监控过程中所采集到信号质量差，从而大大增加了提取特征点的难度．
ＢＳＮ面临的技术挑战、研究现状和发展趋势
３．１信号采集及数据融合
由于在实际应用中ＢＳＮ将会产生大量的用于处理、传递和访问的生理参数数据，传感器节点如何操作这些数据就成了一个基本问题．数据融合技术的意义在于不仅能够提高传感器节点处理数据过程中的反应速度，如果考虑这些数据之间的协同操作，数据融合还能够减少数据流量，进而提高节点（特别是植入式生物节点）和ＢＳＮ网络生命周期，还可以过滤噪音成分并对所监控对象作出预测和推理．
信息／数据融合（ｉｎｆｏｒｍａｔｉｏｎ／ｄａｔａｆｕｓｉｏｎ）是一个多级的、多方面的、将来自于多个数据源（或多个传感器）的数据进行处理的过程．它能够获得比单独一个传感器更高的准确率、更有效和更易理解的推论．同时，它又是一个包含将来自不同节点数据进行联合处理的方法和工具的架构．关于数据融合模型（如ＪＤＬ模型和ＤＦＤ模型）及其分类的专门讨论请详见参考文献［７３］．３．１．１技术概述
无论是在研究还是应用上，ＢＳＮ都是ＷＳＮ的一个分支或子集，因此很多ＷＳＮ中的数据融合技术同样适用于ＢＳＮＣ引．ＷＳＮ中已有的数据融合方法、模型及其分类都为ＢＳＮ中数据融合的研究提供了重要的参考和理论依据．ＢＳＮ中数据融合技术／方法包括３个方面Ｕ３］：推理方法、估计方法和特征映
万方数据
,宫继兵等：体域网ＢＳＮ的研究进展及面临的挑战
３）轻量级数据融合算法．同ＷＳＮ一样，ＢＳＮ中传感器节点中的资源（包括存储能力、计算能力、无线通信能力和能量等）往往也是受限制的，因此要构造可穿戴的、简单易用和低成本的ＢＳＮ应用系统，就必须考虑内嵌式轻量级的数据融合算法的设计和实现，以解决有限资源处理大量传感器所产生数据的问题．特别是对于植人体内的传感器，轻量级算法所减少的能量消耗的意义更加明显，甚至关系到ＢＳＮ应用系统可行性和可用性．此外，ＢＳＮ中数据传输比数据处理的能量消耗要大得多，因此通过传感器节点上的轻量级数据融合算法使得待传输的数据量变为最小就能够从根本上降低整个系统的能耗‘５
０｜．
３．１．３研究现状及发展趋势
ＢＳＮ数据融合的研究取得了丰硕的成果，在数据融合技术方面，除了已有的分段聚合逼近（ＰＡＡ）、整合平均值（ＩＡＶ）和主成分分析法（ＰＣＡ）等方法可以抽取有效的特征外［７引，常见的数据约简分类技术还包括高斯混合模型、贝叶斯网络和Ｍａｒｋｏｖ模型（ＨＭＭ）［２引．已有的传感网络数据融合技术依赖于分类器的推理能力Ｅ４３］，往往先采用一些数据融合技术对多传感器产生的数据进行融合或者（预）处理，然后再应用贝叶斯网络对感知的数据进行分类，或者采用Ｋａｌｍａｎ滤波和Ｍａｒｋｏｖ模型来识别一连串的动作或活动［５２’７副．有的ＢＳＮ应用则先进行降维操作（如主成分分析），然后再进一步使用前面的分类技术Ｌ３ｓ］；在数据融合模型方面，一般应用比较成熟的ＷＳＮ／ＢＳＮ数据融合模型［７３］对多个源产生的数据进行融合．针对ＢＳＮ应用系统具体的需求，从系统任务或输入输出的角度建立数据融合架构，为保证获得实时的数据融合解决方案，需要在架构中给出一系列轻量级的数据融合算法，所提出的数据融合架构不仅要能够更精确地描述该ＢＳＮ应用系统中数据特点及其处理过程，还要清晰地体现出轻量级数据融合算法和不同数据融合过程之间的关
系【ｌ４‘．源信号分离（ｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎ）也可以看作
是一种数据融合方式，为达到分离信号数据的目的，先应用一些线性或非线性的“盲数据”【７６１分离模型或工具（“盲数据”是指感知信号中混入了未知的其他感知数据或噪音），然后用数据融合技术评估该模型，最后计算对比并输出被分离的有用数据，被分离的数据可以用于进一步的处理＂川，如将ＩＣＡ模型
（ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔ
ａｎａｌｙｓｉｓ）作为数据分离的工
具，对跑步和呼吸活动数据进行分离，并用极大似然
万方数据
７４３
模型来估计该模型口盯．在大多数ＢＳＮ应用中，使用多个传感器来推断信号特征和收集这些信号所在的情景环境信息，应用ＩＣＡ技术能明显地简化随后的分类处理过程［７８。．此外，数据融合技术还被用在数据安全中，如在组安全ＢＳＮ（ｓｅｃｕｒｉｔｙ
ｇｒｏｕｐ
ＢＳＮ）中
它的角色很重要，不但节省了带宽和能量，还可以识别网络中可疑的活动和潜在的攻击，从而提高网络安全性Ｌｌ引．多传感器融合还在临床相关事件起到重要的作用，如通过抽取生理及其相关情景信息来准确识别临床病情的变化［７副．
ＢＳＮ中数据融合技术主要发展趋势为：１．设计和实现能够在节点上运行的轻量级数据融合算法［３引，此类算法可以进行维数约简、特征选择或直接的信号处理．２．发展协作式数据融合策略，不能依赖单个节点进行数据融合任务，通过协作的方式达到减少数据传输量和提高识别精度的目的．比如在监控人体多个生理参数（如体温、心率和脑电波）的ＢＳＮ应用中，正常状态下每个节点以低采样率和低功耗进行工作，而一旦某个传感器发现异常（如心率超过某个阈值），则通知其他节点调高采样率和功率以进行更全面细致的检测，确保及时发现疾病．３．提高周围环境传感器鲁棒性学习能力［３引，在轻量级算法的基础上，结合与Ｓｉｎｋ节点或基站的交互，对周围环境传感器的学习结果进行比对和校正，进而调整学习模型的参数，以确保ＢＳＮ鲁棒性的学习能力．
由于情景感知能够解释来自于ＢＳＮ中的物理信号和生物化学信号，对外界不同事件作出决策以及调整自身的监控行为，因此已成为在实现健康保健监控ＢＳＮ应用系统中不可或缺的一部分［２１’韶］．ＢＳＮ中情景感知的重要性还在于将用户生理活动和周围环境信息结合起来以形成被感知的信号，这种情景信息可以被用在普适医疗、特别是用于精确病情检测【２１。．最后，情景感知能让ＢＳＮ中的一些数据处理以低能耗方式在本地的资源受限的传感器节点上执行，从而让整个网络的能耗和通信带宽最小化【６引．
情景是能够描述当前实体情况的任何信息，这里，实体可以是一个人、地方或者是物理对象．情景
ｓｅｎｓｉｎｇ，ＣＡＳ）能被定义为探
知或监测用户的内部或外部状态［２１｜．情景感知计算
（ｃｏｎｔｅｘｔａｗａｒｅ
ｃｏｍｐｕｔｉｎｇ，ＣＡＣ）描述了一个可穿
戴可移动的、传感器能够感知到用户状态和周围环９。．情景信息可以是周围传感器获得的信息［２引，
３．２情景感知
感知（ｃｏｎｔｅｘｔ－ａｗａｒｅ境、并在任务中利用这些信息来改变其行为的计算Ｌ７
,７４４
也可以是身体活动信息，还可以是血压、周围环境温度、体温或大脑活动等［２６‘．情景感知技术就是利用这些情景信息来检测或监控目标生理参数（如ＥＣＧ）是
否出现异常［２０２．
３．２．１技术概述
对ＢＳＮ中情景信息进行推理主要包含３种方法［２１３：人工神经网络、贝叶斯网络和Ｍａｒｋｏｖ模型．人工神经网络作为一个稳定的分簇算法被用于ＢＳＮ的情景感知中，原因在于它能够表现良好却不需要对输入数据进行监管训练，但会在底层传感器产生一些无可避免的噪音．自组织映射（ｓｅｌｆ－ｏｒｇａｎｉｓｉｎｇｍａｐｓ，ＳＯＭ）［８妇是属于人工神经网络方法的一种，除了具有人工神经网络的特性外，它还提供了使数据可视化和分簇的高效方法［６引，该特性决定它不但能够保持连续工作，与其他方法结合则更有利于日常活动识别［２９，３１，４５，６７３；贝叶斯网络被用来将ＢＳＮ中感知数据的情景进行分类，因此是一个十分合适的用于情景感知的推理方法．贝叶斯网络遵循图中各顶点之间严格独立的假设，当独立假设成立的情况下它能获得最高的准确率；为了能够在真实世界的ＢＳＮ中应用情景感知技术，需要一个持续时间段而非某个确切时间点上的连续识别，由此将隐Ｍａｒｋｏｖ模型（ＨＭＭｓ）引入到监督层以获得情景转换的模型．由于系统能够识别一连串的动作或活动，因此应用隐Ｍａｒｋｏｖ模型是能够对人的行为实现精确建模的情景识别技术．３．２．２面临挑战
ＢＳＮ中情景感知仍然面临着一些分类学习及推理、情景感知架构、环境感知及监控等方面的技术挑战，具体表现如下［２１ｌ：
１．分类学习及推理．这包含３个方面的挑战：１）在平滑约束和自适应学习方面，人类活动包括自然持续的身体动作，如果在情景中也引入这种平滑约束特性，那么对人体自然行为识别精度将会变得更高［８１１．此外，既然实际的ＢＳＮ应用需要长期的连续时间工作，这就要求系统具有自适应性，不仅能够学习新出现的情景信息，而且还能忘记以前发生过并已经学习的情景信息，这样它就不必重新学习［ｚＵ．２）在分类器设计方面，传统的传感器融合技术主要依赖于分类器的推理能力，如用于活动识别的朴素贝叶斯分类器、用于日常活动跟踪的分级Ｍａｒｋｏｖ模型和用于识别心率紊乱的基于贝叶斯框架的人工神经网络分类器［４３。．因此分类器设计是至关重要的，其目的是基于所有感知数据来产生最优的结果，
万方数据
计算机研究与发展２０１０，４７（５）
而不考虑分类结果的相关性，从而更好地对目标进行分类．３）在训练数据方面，训练数据是分类器准确率的重要保障，因此也是在情景感知中的另一个挑战．一方面在很多场景中，要求病人进行一些特定活动以获得足够大训练数据集合是不现实的．另一方面，大量使用传感器来获得真实的训练数据将会面临实际的部署困难¨６。．
２．情景感知架构建立．用于医疗健康监控的ＢＳＮ系统，特别是真实的健康医疗的ＢＳＮ应用将会涉及到设计、开发、部署和管理上下文信息及各项系统任务的需求．这要从架构的角度进行考虑，必须设计一个通用合理的情景感知架构来解决以上问题．建立这样的情景感知架构的挑战在于¨引：１）架构中需要考虑的因素多且关系复杂，这些因素包括情景感知系统的模拟、安装、调试、维护以及加入新感知设备或节点，移除旧的感知设备或节点，更新系统组件等；２）合理的情景感知架构不仅要能够高效地获取上下文信息，还要有效地将它们进行融合和推理．
３．ＳＯＭ的不稳定性和训练数据依赖性．自组织映射（ＳＯＭ）的不稳定性表现在它是基于神经元输人属性或特征的快照进行匹配的，准确性极易受特征变化的影响．在一些情景应用中，每个活动可以包含一系列的子活动，受其影响，这种情况下的结果活动模式不再受到本地神经元簇的限制，它往往会跨过大片区域的映射而和其他活动的神经元产生重叠，这将对ＳＯＭ总的识别精度起到相反的影响效果［６引．ＳＯＭ依赖性表现在受过训练映射的神经元活动模式高度依赖训练数据的分布［８３。．如果输入空间的某个区域包含频繁激励，它会被ＳＯＭ大片区域所表示，并因此会出现依赖于训练数据中类的记录个数的偏差．由于动态和静态混合激励的存在，因此控制分类识别率是困难的，类误匹配也无法避免［６８１．３．２．３研究现状及发展趋势
情景感知在ＢＳＮ应用中所处的位置非常重要，因此其研究成果也比较丰富．代表性的应用大致分为３类：第１类是在已有的ＢＳＮ系统基础上，通过整合已有的情景感知技术或提出算法来构建新的具有情景感知能力的ⅨＮ系统．如基于情景感知ＱＲＳ检测的ＢＳＮ系统［２阳和用于家庭护理和健康监护的非入侵情景感知ＢＳＮ系统［８４３等．第２类是应用情景感知技术识别人体活动，进而实现医院或家庭中对病人护理监控目的．如通过佩戴加速传感器识别病人的活动［３１’８５｛７。，提出基于隐Ｍａｒｋｏｖ的行为模
,宫继兵等：体域网ＢＳＮ的研究进展及面临的挑战
型方法以高效监控家庭中病人的日常活动［４６｜，以及通过将耳戴式活动识别传感器（ｅ－ＡＲ）和基于Ｂｌｏｂ的周围环境传感器相结合，以提高活动识别精度［３阳等．在此类应用中都需要建立用于识别的模型架
构［８８ｌ、定义活动模式和设计学习算法［８啦９０］．第３类
是直接或间接应用自组织映射（ＳＯＭ）技术来实现情景感知功能的ＢＳＮ应用，如将ＳｏＭ与Ｋ近邻方法相结合对不同的人体活动进行分类［８们；基于ＳＯＭ提出了对复杂病症进行分类的方法以检测病人心率不齐【８６。、建立自适应机制的ＳＯＭ架构以解决ＢＳＮ中类分离和节点扩展问题【６８。，以及建立基于时空自组织映射（ＳＴ—ＳＯＭ）的分布式推理模
型‘９１１等．
当前情景感知技术一般应用加速度传感器来识别病人的日常活动并提供情景信息［２６。，理由是考虑到生理参数不断发生变化是任何用于监控的ＢＳＮ系统的必然现象，而加速度传感器却能够显示当病人出现异常情况（如心率上升）时活动状态，使得ＢＳＮ通过情景感知技术能够更精确地判断病人的“正常”和“非正常”信息［３２１．总之，考虑将周围环境和可穿戴感知设备相结合，使得开发一个高效的能够监控家庭中日常活动的可视化架构才有可能［４引．
ＢＳＮ中情景感知技术主要发展趋势为：１．研究灵活配置和自适应的统一情景感知模型或架构以指导ＢＳＮ设计，该架构能够提供统一的接口和服务．具体的ＢＳＮ应用只需提供情景相关参数，选择恰当的分类识别技术，最后即可获得决策级的反馈结果．２．情景感知将是分布式协作的进一步发展，是对情景感知计算的充分表达，因此情景感知未来的另一个发展趋势是和无线通信技术、数据融合技术以及数据安全技术更好地结合在一起，构造出功能强且安全的ＢＳＮ应用系统．３．自动情景感知也是一个发展趋势，因为传统的获得用户情景信息的方法既费时又不可靠，通过专业设备和试验条件下的临床观察又不能准确反映病人的行为，这些问题都促进了对自动情景识别系统的需求和发展【６引．
３．３系统技术３．３．１
网络架构
ＢＳＮ网络架构（ｎｅｔｗｏｒｋａｒｃｈｉｔｅｃｔｕｒｅ）是本文
上述系统架构的重要组成部分，它是系统中通信设备（如传感器节点）的逻辑组织．一般的网络架构包括星形拓扑、网状拓扑，环形拓扑和总线拓扑．网络架构的选择受系统特性的影响，并能够影响系统的很多性能，如能耗、流量负载处理能力、节点失败鲁
万方数据
７４５
棒性和ＭＡＣ协议选择等ＥｓＪ．选择ＢＳＮ网络架构的目的就是为了更好地保证无线通信低能耗及可靠性数据传输，架构的选择需要考虑以下因素Ｌｓ］：能量消耗、传输延迟、用户间干涉、节点失败和移动性．
一般情况下，星形拓扑网络结构对应一跳无线通信方式，而网状拓扑结构则对应着多跳无线通信方式．传统的ＢＳＮ网络拓扑一般采用简单的星形拓扑结构，但也会存在网状或混合拓扑结构的情况，比如当节点远离身体或被身体挡住时就需要多跳的通信方式，在（较）大规模ＢＳＮ网络中也是如此．网络架构的选择依据不是单一的．从实际应用的角度而言，一般情况下ＢＳＮ网络的规模和复杂程度是架构选择的主要依据．节点少功能简单的ＢＳＮ应用会首选一跳无线通信方式的星形拓扑架构［１７，ｇＺ－ｇａ］．也有根据ＢＳＮ应用目标选择来星形拓扑结构的情况，如用于监控病人健康为目标的ＢＳＮ生理数据采集系统口ｊ、基于超带宽通信的医疗保健监控ＢＳＮ应用架构［６７］和用于实现低能耗或轻量级的无线通信协议的ＢＳＮ系统Ｌｌ乳９４］．相对而言，对于节点较多或大规模ＢＳＮ网络就要选择网状拓扑结构或混合拓扑结
构‘５’５９］．
－带有网状或混合拓扑结构的ＢＳＮ网络会具有更多的研究价值，在这种网络中有很多工作要做，一方面，在多跳的ＢＳＮ网络中提出概率连接模型，而不使用圆形覆盖模型考虑无线通信连接问题［ｓ引．此外，在多跳通信架构中每两个实体间可能会有多个通信链路，因此网状拓扑结构可提高系统的可靠性［６］．另一方面，网状或混合拓扑结构对应的多跳通信方式还便于将可穿戴传感器和周围传感器相结合，再利用分布式推理的方法或策略实现智能识别和监控Ｌ９¨，多跳无线通信另一个作用是还能够构建针对ＢＳＮ网络的控制系统［５引．３．３．２传感器节点和网关
ＢＳＮ网络具有很强的异质（或异构）性［７引，所包含的几乎都是不同种类的，完成某个具体感知功能的传感器节点．ＢＳＮ中传感器节点一般由各类传感器、处理器、内存，收发器和能量单元构成［２引，其基本功能包括生理信号检测、信号处理和无线通信Ｌｌ３‘，并具有能量低、内存受限，计算能力低和通信速率低的限制Ｌ２引．生物传感器被植入人体用于健康监控、诊断或者成为人工器官，当其所在环境出现生理上的变化时它可以检测、记录和传输这些变化信
息【ｌ８。．ＢＳＮ传感器节点的无线电辐射及其相应能耗
必须保证降低到最小程度，以避免对人体产生潜在
,７４６
的危害．而对于植入体内的生物传感器节点，其体积还必须保证很小，因此生物传感器节点设计是ＢＳＮ在医疗保健应用中的挑战之一“３。，，其内容包括天线设计、无线电接口设计、收发器设计、转发器设计以及超低能耗设计．难点在于传感器节点大小及其低能耗设计［１钊．
目前已有很多不同用途和功能的传感器节点，如用于测量温度和脉搏率的传感器口］、感知脉搏压力的ＰＶＤＦ压阻式脉象传感器Ｌ３６］、监控人体动作的活动传感器Ｌ３０Ｊ、报告人体运动方向的三维加速度和陀螺仪传感器【６刊、基于超带宽通信协议的超低能耗传感器Ｌｌ９｜、超紧密可扩展的Ｅｃｏ节点［９］和可穿戴的生理信号传感器节点ｎ叼等．针对以上节点设计中所面临的技术挑战，可以从节点的电子电气特性以及功能最优化设计等方面考虑，还可以考虑到增加电池寿命来应对植人体内的传感器节点长期工作（一般为１０＂－－１５年），而不需要更换电池的能量消耗问题凹引．另一个考虑是设计低功率低电压，高集成度和高性能的转发器（ｔｒａｎｓｍｉｔｔｅｒ）［９５］来应对以上传感器节点低能耗的挑战．此外，面对植入式节点能量消耗必须减少到１００弘Ｗ的需求，无线电接口也是一个挑战ｕ引，一个好的无线电接口及其优化策略的设计也能很好地促进传感器节点操作上低能耗的性
能‘９５。．
．
考虑到ＢＳＮ实际应用，天线设计是其中一个重
要问题［４６。，是ＢＳＮ医疗保健系统中可靠和高能效
无线通信链路的一个决定性因素，还是迷你型植入体内的生物传感器进行长期监控的保证，天线设计具有挑战性的原因在于天线体积必须要小、低能耗和高能效，并且还不能受到身体的影响［９引．ＢＳＮ应用中需要的可穿戴天线要应该尽可能体积小和扁平曲引，而体积小的天线却难以使用较低的频率，因此有的天线被设计成紧贴在电路板上围绕的环形线状‘７‘，或者是迷你化的平面压缩天线结构Ｌ９引．还有人专门比较ＢＳＮ中不同类型的天线在人体各部位性能表现，以此说明天线与其所处的人体位置也有很大关系［９
６。．
作为ＢＳＮ系统重要组成部分，网关（ｇａｔｅｗａｙ）也是一种节点，主要用来以多种接入方式（如ＵＳＢ线缆、ＴＰ双绞线，无线通信和Ｂｌｕｅｔｏｏｔｈ等）将感知数据转发或传递到外部有线网络、无线网络或互联网中．在图５系统架构中，ＢＳＮＨｅａｄ，Ｓｉｎｋ节点或
Ｂａｓｅ
Ｓｔａｔｉｏｎ都可充当网关．对于大多数ＢＳＮ网络
而言，网关与一般传感器节点不同之处在于它只用
万方数据
计算机研究与发展２０１０，４７（５）
来收集数据，而不进行数据采集，因此网关节点不包含采集模块，但包含两个通信模块，一个是与一般传感器节点通信的无线模块（ｗｉｒｅｌｅｓｓｍｏｄｕｌｅ），另一个就是连接外部网络的通信模块，例如，在无线中医远程医疗ＢＳＮ系统［３６］中，Ｓｉｎｋ节点通过无线收集由传感器节点发来的人体脉搏波数据，同时又将这些生理数据通过ＵＳＢ线缆导人ＰＣ机中，以供进一步的诊断或远程医疗．３．３．３无线通信技术
常见的ＢＳＮ无线通信技术包括ＣＣｌ００００［９８‘、
无线射频（ＲＦ）ＣＺＴ－ＺＳ］、ＢｌｕｅｔｏｏｔｈＬ９９Ｊ、ＩＥＥＥ
８０２．１５．４
（ＺｉｇＢｅｅ）ｔ１００３和红外线通信（ＩｒＤａ）［１０１］，此外还有超带宽（ＵｌｔｒａＷｉｄｅＢａｎｄ，ＵｗＢ）［１０２］和无线ＵＳＢｃｌ６］，而体上通信（ｏｎ－ｂｏｄｙｃｏｍｍｕｎｉｃａｔｉｏｎ）【９４］和体内通信（ｉｎｔｒａ—ｂｏｄｙｃｏｍｍｕｎｉｃａｔｉｏｎ，ＩＢＣ）［１０１１则是新兴的人体生物信道通信技术．在同一个ＢＳＮ网络中，可以根据具体应用来使用一种或多种通信技术［２７１．此外，涉及ＢＳＮ中的无线通信技术也称作医疗信息通信技术（ｍｅｄｉｃａｌ
ｉｎｆｏｒｍａｔｉｏｎａｎｄｃｏｍｍｕｎｉｃａｔｉｏｎ
ｔｅｃｈｎｏｌｏｇｙ。ｍｅｄｉｃａｌＩＣＴ）Ｄｚ，１０２３．
在选择公开的ＢＳＮ无线通信技术时，ＺｉｇＢｅｅＬ６矗∞３１’３３’４０’９３］最受青睐，原因在于其低速率（最大数据传输率为２５０Ｋｂｐｓ）和低功耗的特性，同时也是新出现的工业应用标准，不但可以满足智能健康监控传感器的需求，在家庭自动化、工业控制和个人医疗保健也极具应用潜力Ⅲ］．Ｂｌｕｅｔｏｏｔｈ［３４“０３］
和ＵｌｔｒａＷｉｄｅｂａｎｄ（ＵＷＢ）【１９’６７’１０２ｊ则是ＢＳＮ无线
通信技术的第２个选择，虽然相对ＺｉｇＢｅｅ而言，Ｂｌｕｅｔｏｏｔｈ能耗较高并对自组织网络的特性支持较少［１０３］，但其也是商业上广泛应用的成熟技术，较高数据传输率（最大数据传输率为７２０Ｋｂｐｓ）对于那些智能传感器而育已经足够［１６‘，能够更好地满足一些特定的应用，并且ＢＳＮ应用网络一般是非自组织的．超带宽通信（ＵＷＢ）的吸引力在于其脉冲极短而且频谱宽，它能够保证高数据传输率通信、高精确测距和低能耗接收转发能力等，可以作为ＢＳＮ网络和
ＭｅｄｉｃａｌＩＣＴ系统的物理层技术ｎ０２］．ＢＳＮ有时也采用
人体生物通道（ｂｏｄｙｃｈａｎｎｅｌｃｏｍｍｕｎｉｃａｔｉｏｎ）［２“１０４］进
行通信，与前面无线射频技术相比，生物信道通信技术的最大好处是低能耗并提供更安全数据传输路径，同时也不需要有线技术作为外部连接，但生物信道通信难于像无线技术那样能在拥挤环境中使用不同的通信模式［２引．３．３．４无线通信协议
ＢＳＮ中设计能量高效的无线通信协议［１３’１７’１０５］