王天舒，楊曦晨，胡孔法＊＊，胡晨駿

（1. 南京中醫(yī)藥大學(xué)人工智能與信息技術(shù)學(xué)院 南京 210023；2. 南京師范大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 南京210042）

隨著傳感器、無線通信、人工智能等技術(shù)的不斷發(fā)展，以及人們對生活水平要求的日益提高，國內(nèi)外各大儀器制造廠商紛紛投入可穿戴設(shè)備的制造，并已逐步融入到人們的生產(chǎn)與生活之中。例如，2012 年谷歌公司研發(fā)的首個可穿戴設(shè)備谷歌眼鏡具有和智能手機(jī)一樣的功能，可以通過聲音完成拍照、視頻通話以及導(dǎo)航等工作[1]；蘋果、Fitbit以及小米等公司研發(fā)的智能手環(huán)具有實(shí)時(shí)采集心率與監(jiān)測睡眠的功能[2]。近年來，國家對中醫(yī)藥領(lǐng)域高度重視，先后發(fā)布了《中醫(yī)藥發(fā)展戰(zhàn)略規(guī)劃綱要（2016—2030 年）》[3]《“健康中國2030”規(guī)劃綱要》[4]和《中醫(yī)藥法》[5]，并將中醫(yī)藥發(fā)展提升至國家戰(zhàn)略。而與中醫(yī)藥密切相關(guān)的可穿戴設(shè)備，可以實(shí)時(shí)采集與監(jiān)測人體的健康信息，幫助醫(yī)生對病人進(jìn)行診斷與治療。例如，脈象儀具有體積小易攜帶特點(diǎn)，可以實(shí)時(shí)采集人體脈搏信號。因此，中醫(yī)藥可穿戴設(shè)備大量引入并應(yīng)用至各大中醫(yī)院是今后中醫(yī)藥發(fā)展的必然趨勢。

中醫(yī)藥可穿戴設(shè)備節(jié)點(diǎn)可以實(shí)時(shí)采集患者的脈搏等體征信息，并將這些信息發(fā)送至下一跳節(jié)點(diǎn)。然而，這些設(shè)備均通過電池供電，具有有限的續(xù)航時(shí)間[6]。因此，降低可穿戴設(shè)備節(jié)點(diǎn)的能耗是延長續(xù)航時(shí)間的有效途徑。實(shí)驗(yàn)表明將可穿戴設(shè)備節(jié)點(diǎn)組織成簇并進(jìn)行數(shù)據(jù)傳輸?shù)姆绞娇梢詢?yōu)化數(shù)據(jù)傳輸路徑，有效減少節(jié)點(diǎn)的能量消耗[7]。

圖1 中醫(yī)可穿戴設(shè)備網(wǎng)絡(luò)

國內(nèi)外許多學(xué)者致力于研究傳感器設(shè)備節(jié)點(diǎn)的高效分簇算法，以最大化網(wǎng)絡(luò)的生存周期[8-9]。Heinzelman 等[10]提出的LEACH（Low-Energy Adaptive Clustering Hierarchy，低能耗自適應(yīng)分簇層次算法）是最著名的基于分簇的層次路由協(xié)議。該協(xié)議將網(wǎng)絡(luò)生存時(shí)間分成多個等長的時(shí)間段，每個時(shí)間段稱之為輪。在每一輪內(nèi)，所有節(jié)點(diǎn)通過一個概率來判斷自己是否成為簇頭節(jié)點(diǎn)。成為簇頭的節(jié)點(diǎn)通過廣播自己的信息來通知周圍節(jié)點(diǎn)加入其所在的簇集。有些學(xué)者在LEACH 方法的基礎(chǔ)上針對網(wǎng)絡(luò)拓?fù)鋄11]與簇頭選取策略[12]進(jìn)行改進(jìn)。Neto 等[13]提出一種多跳簇頭模型，采用從下到上的策略，依次為每一層生成相應(yīng)的簇頭，最終得到一個多層結(jié)構(gòu)的網(wǎng)絡(luò)。Batr 等[14]提出一種基于MAC（Medium Access Control，媒體訪問控制）層消息的簇頭選擇算法LEACH-MAC，該算法根據(jù)MAC 層消息將所有傳感器設(shè)備節(jié)點(diǎn)按剩余能量大小排序，剩余能量大的節(jié)點(diǎn)具有更高概率被選舉成為簇頭。然而，這種算法只考慮剩余能量，忽略了節(jié)點(diǎn)的地理位置因素。

本文提出一種基于G-Means算法[15]的中醫(yī)藥可穿戴設(shè)備分簇方法，通過G-Means 算法對可穿戴設(shè)備節(jié)點(diǎn)進(jìn)行分簇，使節(jié)點(diǎn)的采集數(shù)據(jù)按照高效成簇的方式傳輸，并將剩余能量更高的節(jié)點(diǎn)作為簇頭收集簇成員節(jié)點(diǎn)信息，優(yōu)化設(shè)備節(jié)點(diǎn)的能量儲備，從而延長節(jié)點(diǎn)的生存時(shí)間。

1 方法

1.1 中醫(yī)可穿戴設(shè)備網(wǎng)絡(luò)的構(gòu)建

在部署有可穿戴設(shè)備節(jié)點(diǎn)的中醫(yī)院內(nèi)，節(jié)點(diǎn)通過自身傳感器采集病人的體征信息，并發(fā)送至相應(yīng)醫(yī)生?？纱┐髟O(shè)備之間能夠互相傳輸數(shù)據(jù)，構(gòu)成一個可穿戴設(shè)備的無線體感網(wǎng)絡(luò)。圖1給出了某中醫(yī)院內(nèi)由可穿戴節(jié)點(diǎn)組成的無線體感網(wǎng)絡(luò)。中醫(yī)醫(yī)生一般依靠“望、聞、問、切”的手段來實(shí)現(xiàn)診斷。因此，在圖1中醫(yī)院為病人配備了采集病人圖像數(shù)據(jù)、病人聲音與氣味信號、病人身體情況的語音數(shù)據(jù)、脈搏信息的可穿戴設(shè)備。在同一時(shí)間，醫(yī)院可能會有多位病人前來看病，醫(yī)院可以在這些病人身上同時(shí)部署可穿戴設(shè)備。圖1 的中醫(yī)院內(nèi)被部署大量可穿戴設(shè)備節(jié)點(diǎn)，這些節(jié)點(diǎn)被分割成多個簇集。每個簇集內(nèi)部有一個節(jié)點(diǎn)被選舉為簇頭節(jié)點(diǎn)，負(fù)責(zé)管理所在的簇集。網(wǎng)絡(luò)中所有可穿戴設(shè)備節(jié)點(diǎn)采集相關(guān)數(shù)據(jù)，并將采集到的數(shù)據(jù)發(fā)送至對應(yīng)簇頭節(jié)點(diǎn)。簇頭節(jié)點(diǎn)收集簇內(nèi)所有節(jié)點(diǎn)的數(shù)據(jù)，通過數(shù)據(jù)融合算法對這些數(shù)據(jù)進(jìn)行處理，并匯聚至相應(yīng)中醫(yī)醫(yī)生所使用的觀測平臺。

在中醫(yī)可穿戴設(shè)備網(wǎng)絡(luò)中，設(shè)備節(jié)點(diǎn)是由電池供電的。因此，中醫(yī)可穿戴設(shè)備網(wǎng)絡(luò)具有有限的生存周期。在本文中，有限的網(wǎng)絡(luò)時(shí)間被等分成多個輪次，在每一輪時(shí)間內(nèi)，提出的高效分簇方法將所有可穿戴設(shè)備節(jié)點(diǎn)劃分成多個簇集，并選舉出合適的簇頭節(jié)點(diǎn)。在不同的時(shí)間輪次內(nèi)，網(wǎng)絡(luò)的分簇方案會根據(jù)所有設(shè)備節(jié)點(diǎn)的剩余能量與地理位置而產(chǎn)生變化。所有節(jié)點(diǎn)按照分簇方法所計(jì)算出的分簇方案進(jìn)行數(shù)據(jù)采集與傳輸。

1.2 節(jié)點(diǎn)分簇方案

本文采用G-Means 算法對中醫(yī)藥可穿戴設(shè)備節(jié)點(diǎn)進(jìn)行分簇，以保證所有簇集均服從正態(tài)分布。假設(shè)網(wǎng)絡(luò)中有m 個節(jié)點(diǎn)，節(jié)點(diǎn)集合標(biāo)記為N={n1, n2, …ni,…,nm}，節(jié)點(diǎn)ni的地理坐標(biāo)為ni=(xi,yi)。網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)的分簇步驟如下：

1）計(jì)算集合N 中所有元素的初始中心集。將中心集C初始化為空集，通過公式（1）計(jì)算N內(nèi)所有元素的坐標(biāo)中心，得到中心元素nc，并將nc加入C。

2）通過K-Means 更新中心集C，即C = K-Means(C,N)，如算法1 所示。第2-4 行偽碼依次初始化變量r、Er與g 為1、0 與|C|。其中，r 代表循環(huán)次數(shù)，Er為循環(huán)停止條件，g 代表簇集數(shù)目。初始化工作完成后，從第5 行偽碼開始進(jìn)入主體循環(huán)。第6 行偽碼更新循環(huán)的次數(shù)r，每循環(huán)一次，r 的值累加1。第7-9 行偽碼將g個簇集（Clusteri,1≤i≤g）初始化為空集，其中Clusteri的中心為C[i]。第10-12 行偽碼將N 中每個設(shè)備節(jié)點(diǎn)ni分配至與ni最近的中心所在的簇集。第13-15 行偽碼對中心集C 進(jìn)行更新。第16 行偽碼計(jì)算所有設(shè)備節(jié)點(diǎn)至其中心的距離的平方和，并將和值賦值給循環(huán)的停止變量Er。第17 行偽碼判定是否滿足循環(huán)停止條件：若Er較Er-1沒有變化，結(jié)束循環(huán)；否則，繼續(xù)返回第5行偽碼。最后，第18行偽碼返回最終的中心集C與g個簇集（Cluster1, Cluster2, …, Clusteri, …, Clusterg）。其中，C的第i個元素C[i]是第i個簇集Clusteri的中心。

算法1 中心集C的更新

3）采用高斯分布測試算法，對每個簇集Clusteri進(jìn)行依次檢測，判定其是否都服從高斯分布，具體過程如下：

?將簇集Clusteri中的第j 個設(shè)備節(jié)點(diǎn)記為nj，j=1,2,…,|Clusteri|。其中，nj的坐標(biāo)為nj=(xnj,ynj)。

?設(shè)定臨界值δ=0.0001。

?設(shè)簇集Clusteri的初始中心集為IC，從Clusteri中隨機(jī)選取兩個元素作為初始中心，記為ic1與ic2，則IC = {ic1, ic2}。調(diào)用算法1（K-Means(IC, Clusteri)）更新初始中心集，返回的中心集記為CC={c1,c2}。

?設(shè)中心節(jié)點(diǎn)c1的坐標(biāo)為c1=(xc1,yc1)，中心節(jié)點(diǎn)c2的坐標(biāo)為c2=(xc2,yc2)，計(jì)算連接c1與c2的向量v。

? 通過公式（3）依次計(jì)算Clusteri中每個節(jié)點(diǎn)nj到向 量v 的 投 影nj’。其 中Clusteri′ = {n1′, n2′, …, nj′,…,n|Clusteri|′}。

? 將Clusteri’轉(zhuǎn) 化 為 集 合O = {o1, o2,…, oi, …o|Clusteri|}，O符合均值為0，方差為1的標(biāo)準(zhǔn)正態(tài)分布；

4）若中心集C 未更新，判定此時(shí)的|C|個簇集Cluster1, Cluster2, …, Cluster|C|為最終的分簇結(jié)果；否則若C有任意更新，則跳至第（2）步，繼續(xù)對C進(jìn)行更新。

1.3 簇頭選舉算法

通過節(jié)點(diǎn)分簇方案，可穿戴設(shè)備網(wǎng)絡(luò)已被劃分為多個規(guī)模不等的簇集，并且簇集內(nèi)的所有設(shè)備節(jié)點(diǎn)地位平等。由圖1 可知，在網(wǎng)絡(luò)的每個簇集內(nèi)均存在一個簇頭節(jié)點(diǎn)，用來管理所在的簇集。合適的簇頭節(jié)點(diǎn)可以提高網(wǎng)絡(luò)的能效性。因此，本文結(jié)合節(jié)點(diǎn)的地理位置與剩余能量，提出一個高效的簇頭選舉方法。

算法2 簇頭選舉

簇頭選舉方法的具體過程如算法2 所示。Cluster是存儲網(wǎng)絡(luò)分簇結(jié)構(gòu)的二維數(shù)組，數(shù)組的每一行代表一個簇集，行內(nèi)的數(shù)據(jù)為該行對應(yīng)簇集內(nèi)所有設(shè)備節(jié)點(diǎn)的ID。圖2 給出簇頭選舉方法的示例，圖中Cluster數(shù)組共有4行數(shù)據(jù)，表明對應(yīng)可穿戴設(shè)備網(wǎng)絡(luò)被分成4個簇集。Cluster 第一行內(nèi)的數(shù)據(jù)為：（3，9，21，6，13，8），表明網(wǎng)絡(luò)的第1 個簇集內(nèi)的節(jié)點(diǎn)為：（3，9，21，6，13，8）。

圖2 簇頭選舉

首先，算法2 的第2 行偽碼將Cluster 中每個簇集的設(shè)備節(jié)點(diǎn)進(jìn)行重新排序。重新排序后首個節(jié)點(diǎn)與簇內(nèi)所有節(jié)點(diǎn)距離最短，末位節(jié)點(diǎn)與簇內(nèi)所有節(jié)點(diǎn)距離最長。例如，假設(shè)圖2中的Cluster已排完序，可知節(jié)點(diǎn)3與簇內(nèi)所有節(jié)點(diǎn)（3，9，21，6，13，8）的總距離最大，節(jié)點(diǎn)8 與簇內(nèi)所有節(jié)點(diǎn)的總距離最小。然后，從第3行偽碼開始進(jìn)入循環(huán)，遍歷Cluster的每一行，從第5行偽碼開始進(jìn)入第二層循環(huán)，遍歷Cluster 的每一行中的每一個節(jié)點(diǎn)，從而計(jì)算網(wǎng)絡(luò)內(nèi)所有設(shè)備節(jié)點(diǎn)成為簇頭的權(quán)重值w。第6 行偽碼將Cluster 的第i 個簇集的第j個節(jié)點(diǎn)的權(quán)重值w[j]設(shè)置為j。例如，圖2 中此時(shí)Cluster中第一行節(jié)點(diǎn)的權(quán)重為w={1,2,3,4,5,6}。第7-9行偽碼根據(jù)節(jié)點(diǎn)之前已成為過簇頭的次數(shù)調(diào)整權(quán)重值：如果節(jié)點(diǎn)在過去的 m 輪內(nèi)未成為過簇頭（節(jié)點(diǎn)的count屬性等于0），提高其權(quán)重值。第10-15行偽碼根據(jù)節(jié)點(diǎn)剩余能量調(diào)整權(quán)重值：如果節(jié)點(diǎn)剩余能量低于平均水平，降低其權(quán)重值；如果其剩余能量低于平均水平的一半，進(jìn)一步降低其權(quán)重。例如，設(shè)圖2中所有設(shè)備節(jié)點(diǎn)的能量平均值為1，節(jié)點(diǎn)3的剩余能量為0.75，那么可知節(jié)點(diǎn)3 的權(quán)重值需要從1 降至0.5。第16-17行偽碼根據(jù)當(dāng)前簇集中節(jié)點(diǎn)的權(quán)重值得到數(shù)組wc。例如，圖2 中節(jié)點(diǎn)3 的權(quán)重值w[1]為0.5，而w[1]<1，故3 不被添至數(shù)組wc 中；節(jié)點(diǎn)9 的權(quán)重值w[2]為2，則將其ID：9添至wc中2次。在遍歷完Cluster的第i個簇集后，第20 行偽碼從wc 中隨機(jī)選取一個數(shù)作為第i個簇集的簇頭。

2 方法評估

2.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

實(shí)驗(yàn)采用MATLAB 對本文所提出的可穿戴設(shè)備節(jié)點(diǎn)分簇方法進(jìn)行仿真，并將該方法與LEACH 方法[10]、LEACH-MAC 方法[15]進(jìn)行對比。實(shí)驗(yàn)假設(shè)在某個中醫(yī)院分別部署50 個可穿戴設(shè)備節(jié)點(diǎn)（場景1）與100 個可穿戴設(shè)備節(jié)點(diǎn)（場景2）。這兩個場景的面積均為100 × 100 m2，中醫(yī)醫(yī)生的觀測平臺位于網(wǎng)絡(luò)的中心，設(shè)備節(jié)點(diǎn)的初始能量為0.5 J。表1 給出了實(shí)驗(yàn)所用到的參數(shù)。其中，Eelec、εfs、εtr、EDA是設(shè)備節(jié)點(diǎn)在發(fā)送與接收數(shù)據(jù)時(shí)與能量消耗大小相關(guān)的參數(shù)，RDA是簇頭節(jié)點(diǎn)的數(shù)據(jù)融合率。在場景1 與場景2 下，本文所提出的方法與LEACH 方法的分簇結(jié)構(gòu)、網(wǎng)絡(luò)生存時(shí)間、以及節(jié)點(diǎn)能耗進(jìn)行比較分析。

表1 實(shí)驗(yàn)參數(shù)

2.2 分簇結(jié)構(gòu)對比

圖3 至圖5 分別給出本文提出的方法、LEACH 以及LEACH-MAC 在場景1 與場景2 下的分簇結(jié)構(gòu)對比。圖中‘o’表示簇頭設(shè)備節(jié)點(diǎn)，‘*’表示簇成員設(shè)備節(jié)點(diǎn)，節(jié)點(diǎn)間的直線表示兩個設(shè)備節(jié)點(diǎn)之間互相通信。從圖3 中可以看出，本文所提方法的簇頭分布比LEACH 方法更為均勻，并且簇集內(nèi)設(shè)備節(jié)點(diǎn)數(shù)目更均衡。例如，圖3(b)的網(wǎng)絡(luò)中包含13 個簇集，規(guī)模最大的簇集中有13 個傳感器節(jié)點(diǎn)，最小的簇集含有5 個傳感器節(jié)點(diǎn)，簇集中負(fù)載數(shù)目相差較小，且不會出現(xiàn)散點(diǎn)或負(fù)載過多情況。由圖4 的LEACH 方法與圖5 的LEACH-MAC 方法的分簇結(jié)構(gòu)可知，其簇頭的分布不均勻，且簇集的規(guī)模相差較大。例如，圖4(b)的網(wǎng)絡(luò)中，規(guī)模最大的簇集中有19 個設(shè)備節(jié)點(diǎn)，規(guī)模最小的簇集僅僅包含一個簇頭設(shè)備節(jié)點(diǎn)（散點(diǎn)）。圖5(a)中LEACH-MAC 方法將網(wǎng)絡(luò)內(nèi)傳感器節(jié)點(diǎn)分成三個簇集，且這三個簇集的節(jié)點(diǎn)數(shù)目不均衡，最小規(guī)模簇集僅包含2 個傳感器節(jié)點(diǎn)，而最大規(guī)模的簇集包含的傳感器節(jié)點(diǎn)數(shù)據(jù)高達(dá)28 個。簇集規(guī)模過大會導(dǎo)致其簇頭能量的大量消耗，而散點(diǎn)會造成簇頭設(shè)備節(jié)點(diǎn)數(shù)據(jù)融合功能的浪費(fèi)。因此，本文提出的方法具有更優(yōu)的分簇結(jié)果。

2.3 能耗對比

在中醫(yī)藥可穿戴設(shè)備網(wǎng)絡(luò)中，設(shè)備節(jié)點(diǎn)具有有限的能量供應(yīng)。因此，減少設(shè)備節(jié)點(diǎn)的能量消耗是本文所提方法的主要目的。圖6 給出本文提出的方法與LEACH 方法、LEACH-MAC 方法在場景1 與場景2 下每一輪的能耗對比。

由圖6(a)可知，在場景1 下：本文所提方法每一輪所有節(jié)點(diǎn)所消耗的能量在0.026J上下浮動，LEACH 方法在場景1 下每一輪所有節(jié)點(diǎn)所消耗的能量均高于0.028J，而LEACH-MAC 方法在每一輪所有節(jié)點(diǎn)消耗的能量均高于0.03J。在本文所提方法中，所有節(jié)點(diǎn)在網(wǎng)絡(luò)前100 輪的能耗為0.0262 J±0.0011 J；在LEACH方法中，所有節(jié)點(diǎn)在網(wǎng)絡(luò)前100 輪的能耗為0.0306 J±0.0154 J；在LEACH-MAC 方法中，所有節(jié)點(diǎn)在網(wǎng)絡(luò)前100輪的能耗為0.033 J±0.0089 J。因此，在場景1中，本文所提方法所有節(jié)點(diǎn)在網(wǎng)絡(luò)前100輪的平均能耗比LEACH 方法與LEACH-MAC 方法分別降低14.4%與20.6%。

圖3 本文提出方法的分簇結(jié)構(gòu)

圖4 LEACH的分簇結(jié)構(gòu)

圖5 LEACH-MAC的分簇結(jié)構(gòu)

由圖6(b)可知，在場景2 下：本文所提方法每一輪所有節(jié)點(diǎn)所消耗的能量在0.056 J 上下浮動，LEACH方法每一輪所有節(jié)點(diǎn)所消耗的能量均高于0.06 J，而LEACH-MAC 方法在每一輪所有節(jié)點(diǎn)消耗的能量均高于0.062 J。在本文所提方法中，所有節(jié)點(diǎn)在網(wǎng)絡(luò)前100 輪的能耗為0.0555 J ± 0.0015 J；在LEACH 方法中，所有節(jié)點(diǎn)在網(wǎng)絡(luò)前100 輪的能耗為0.062 J ±0.0024 J；在LEACH-MAC 方法中，所有節(jié)點(diǎn)在網(wǎng)絡(luò)前100 輪的能耗為0.0638 J±0.009 J。故在場景2 中，本文所提方法所有節(jié)點(diǎn)在網(wǎng)絡(luò)前100 輪的平均能耗比LEACH 方法與LEACH-MAC 方法分別降低10.5%與13%。

綜上所述，本文所提方法中所有節(jié)點(diǎn)所消耗的能量低于LEACH 與LEACH-MAC 方法所有節(jié)點(diǎn)的能耗。因此，本文方法相較于LEACH 與LEACH-MAC方法具有更高的能效性。

2.4 網(wǎng)絡(luò)生存周期對比

中醫(yī)藥可穿戴設(shè)備網(wǎng)絡(luò)的生存周期長度是衡量分簇方法的重要指標(biāo)。圖7 給出本文提出的方法、LEACH 以及LEACH-MAC 在場景1與場景2下的網(wǎng)絡(luò)生存周期的對比。

由圖7(a)可知，場景1下本文所提方法中首個節(jié)點(diǎn)的失效時(shí)間為910 輪，而LEACH 與LEACH-MAC 方法分別于673 輪與732 輪已有節(jié)點(diǎn)開始失效。場景1 下本文所提方法50%節(jié)點(diǎn)的失效時(shí)間為933 輪，而LEACH 與LEACH-MAC 方法分別為822 輪與757 輪。因此在場景1 下，對于首個節(jié)點(diǎn)的失效時(shí)間本文所提方法比LEACH 與LEACH-MAC 方法分別延長35.2%與24.3%；對于50%節(jié)點(diǎn)的失效時(shí)間本文所提方法比LEACH與LEACH-MAC方法分別延長13.5%與23.2%。

圖6 本文提出方法與LEACH、LEACH-MAC方法的能耗對比

圖7 本文提出方法與LEACH、LEACH-MAC方法的網(wǎng)絡(luò)生存周期對比

由圖7(b)可知，場景2 下本文所提方法中首個節(jié)點(diǎn)的失效時(shí)間為849 輪，而LEACH 與LEACH-MAC 方法分別于687 輪與759 輪已有節(jié)點(diǎn)開始失效。場景2下本文所提方法50%節(jié)點(diǎn)的失效時(shí)間為889 輪，而LEACH 與LEACH-MAC 方法分別為798 輪與787 輪。因此在場景2 下，對于首個節(jié)點(diǎn)的失效時(shí)間本文所提方法比LEACH 與LEACH-MAC 方法分別延長23.6%與11.9%；對于50%節(jié)點(diǎn)的失效時(shí)間本文所提方法比LEACH 與LEACH-MAC 方法分別延長11.4%與13%。

因此，本文所提方法比LEACH 與LEACH-MAC方法在網(wǎng)絡(luò)生存周期方面更有優(yōu)勢。

3 總結(jié)

中醫(yī)藥可穿戴設(shè)備節(jié)點(diǎn)可以實(shí)時(shí)采集患者的脈搏等體征信息，并將這些信息匯聚至中醫(yī)醫(yī)生的觀測平臺。然而，這些設(shè)備均通過電池供電，具有有限的續(xù)航時(shí)間。為了延長中醫(yī)可穿戴設(shè)備的生存時(shí)間，本文提出一個高效的中醫(yī)藥可穿戴設(shè)備分簇方法，將設(shè)備節(jié)點(diǎn)所采集的數(shù)據(jù)按照高效成簇的方式傳輸。實(shí)驗(yàn)結(jié)果表明，本文所提方法在兩種場景下簇頭節(jié)點(diǎn)分布均勻，簇集規(guī)模適中。

在場景1中，本文所提方法所有節(jié)點(diǎn)在網(wǎng)絡(luò)前100輪的平均能耗比LEACH 方法與LEACH-MAC 方法分別降低14.4%與20.6%；對于首個節(jié)點(diǎn)的失效時(shí)間本文所提方法比LEACH 與LEACH-MAC 方法分別延長35.2%與24.3%；對于50%節(jié)點(diǎn)的失效時(shí)間本文所提方法比LEACH 與LEACH-MAC 方法分別延長13.5%與23.2%。

在場景2中，本文所提方法所有節(jié)點(diǎn)在網(wǎng)絡(luò)前100輪的平均能耗比LEACH 方法與LEACH-MAC 方法分別降低10.5%與13%；對于首個節(jié)點(diǎn)的失效時(shí)間本文所提方法比LEACH 與LEACH-MAC 方法分別延長23.6%與11.9%；對于50%節(jié)點(diǎn)的失效時(shí)間本文所提方法比LEACH 與LEACH-MAC 方法分別延長11.4%與13%。

通過上述對比分析，本文所提方法具有更低的能耗與更長的網(wǎng)絡(luò)生存周期，更適用于中醫(yī)可穿戴設(shè)備網(wǎng)絡(luò)。