黃倩怡 李志洋 謝文濤 張 黔

1(南方科技大學(xué)未來網(wǎng)絡(luò)研究院 廣東深圳 518055) 2(鵬城實(shí)驗(yàn)室 廣東深圳 518055) 3(香港科技大學(xué)計(jì)算機(jī)科學(xué)及工程系 香港特別行政區(qū) 999077)qianzh@cse.ust.hk)

在中國，智慧家居市場規(guī)模正以每年20%～30%的速度增長.據(jù)前瞻產(chǎn)業(yè)研究院預(yù)計(jì)，中國智能家居市場規(guī)模2021年將達(dá)到4 369億元[1].2個(gè)方面的需求促成了市場的高速增長，一方面，隨著社會(huì)人口老齡化，老年人口的比例逐年增加，空巢老人依賴智能家居系統(tǒng)給予生活輔助和健康管理；另一方面，新生代消費(fèi)群體追求高效、舒適的生活，智能化已成為年輕消費(fèi)者對家居環(huán)境的基本要求.面對快速增長的市場需求，國家也加大了對智能家居以及物聯(lián)網(wǎng)技術(shù)的投入和支持.在利好政策和社會(huì)需求的大力推動(dòng)下，越來越多的智能設(shè)備走入千家萬戶.從智能音箱到掃地機(jī)器人，從智能門鎖到遠(yuǎn)程醫(yī)療，無一不體現(xiàn)技術(shù)在智能家居場景下的魅力和潛力.

智能家居技術(shù)主要涵蓋感知、通信和計(jì)算3個(gè)層次，如圖1所示.感知技術(shù)利用豐富的傳感器感知周圍環(huán)境和用戶活動(dòng)；通信技術(shù)實(shí)現(xiàn)智能設(shè)備的互通互聯(lián)，完成數(shù)據(jù)傳輸和指令交互.此外，云計(jì)算、邊緣計(jì)算分別利用不同節(jié)點(diǎn)的計(jì)算能力共同完成數(shù)據(jù)處理任務(wù)，實(shí)現(xiàn)智能服務(wù).

本文關(guān)注智能家居中的健康管理.隨著我國的城市化進(jìn)程和社會(huì)老齡化趨勢加劇，持續(xù)增加的老年人口面臨照護(hù)資源的極大短缺，需要借助科技的力量來解決人口老齡化問題.隨著技術(shù)的發(fā)展，利用豐富的感知技術(shù)來實(shí)現(xiàn)健康監(jiān)測已日益完善，結(jié)合大數(shù)據(jù)的處理能力，基于觀測到的數(shù)據(jù)實(shí)現(xiàn)智能診斷也日趨成熟.不同于現(xiàn)有工作，我們著重討論如何充分發(fā)揮邊緣節(jié)點(diǎn)在健康管理中的作用，克服現(xiàn)有技術(shù)面臨的瓶頸與局限.

在《Edge Computing: A Primer》[2]一書中，作者將“邊緣計(jì)算”定義為數(shù)據(jù)源頭和云數(shù)據(jù)中心之間的計(jì)算和網(wǎng)絡(luò)資源(we define “Edge” as any computing and network resources along the path between data sources and cloud data centers).智能手機(jī)可以視為連接可穿戴設(shè)備與云服務(wù)器的邊緣節(jié)點(diǎn)，智能網(wǎng)關(guān)是智慧家居中的邊緣節(jié)點(diǎn).除了計(jì)算和連接的能力,智能手機(jī)和智能網(wǎng)關(guān)本身作為一個(gè)強(qiáng)大的節(jié)點(diǎn)，具備豐富的感知能力.例如，手機(jī)上豐富的傳感器可以感知用戶的活動(dòng)和情境[3-4]，無線路由器可以感知家中用戶的實(shí)時(shí)位置[5-7].因此，邊緣節(jié)點(diǎn)兼具感知、通信和計(jì)算的能力于一體.本文圍繞智能家居中用戶健康管理的場景，介紹我們在邊緣節(jié)點(diǎn)的感知、通信和計(jì)算上開展的研究工作.

在感知方面，邊緣節(jié)點(diǎn)和終端節(jié)點(diǎn)最大的不同在于其泛在感知能力.泛在感知根據(jù)無線信號(hào)的傳播、反射和散射特性，分析信號(hào)的傳播路徑，從而對用戶行為或周邊環(huán)境進(jìn)行監(jiān)測.作為邊緣節(jié)點(diǎn)的手機(jī)和無線路由器都能發(fā)送和接收信號(hào)，具備泛在感知能力.相比于接觸式感知，泛在感知無需用戶佩戴特定設(shè)備，因而更舒適，易為用戶接受.在本文中我們以非接觸式呼吸監(jiān)測為例，介紹我們所做的研究和取得的進(jìn)展.

引入泛在感知后，無線信號(hào)既需要承載數(shù)據(jù)信號(hào)又要完成感知任務(wù)，而通信和感知之間存在著矛盾關(guān)系.感知是通過發(fā)送已知信號(hào)來探測周圍的環(huán)境變化，通信則是由發(fā)送端向接收端發(fā)送變化的、未知的信號(hào).為了實(shí)現(xiàn)高效的頻率利用效率，需要將感知和通信進(jìn)行融合設(shè)計(jì).在通信方面，我們研究如何在環(huán)境感知的同時(shí)向周圍的設(shè)備傳遞信息，兼顧無線通信與無線感知.

在健康管理中，將用戶的健康數(shù)據(jù)上傳到云端面臨隱私泄露和數(shù)據(jù)安全問題.相比之下，由邊緣節(jié)點(diǎn)來進(jìn)行數(shù)據(jù)處理可以更好地保護(hù)用戶隱私，用戶對數(shù)據(jù)管理具有更高的主動(dòng)權(quán).在計(jì)算方面，我們探索如何將聯(lián)邦學(xué)習(xí)應(yīng)用于智能家居中的感知數(shù)據(jù)，由可信任的邊緣節(jié)點(diǎn)聯(lián)合云服務(wù)器、其他邊緣節(jié)點(diǎn)，在不泄露用戶數(shù)據(jù)的前提下建立個(gè)性化機(jī)器學(xué)習(xí)模型，并通過優(yōu)化降低聯(lián)邦學(xué)習(xí)中數(shù)據(jù)交互和計(jì)算的開銷.

1 從可穿戴設(shè)備到泛在感知：呼吸監(jiān)測

2013年前后，主導(dǎo)個(gè)人健康管理的可穿戴設(shè)備市場進(jìn)入了快速發(fā)展的階段，智能手環(huán)、智能手表、智能眼鏡等可穿戴設(shè)備層出不窮.然而，隨著時(shí)間的推移，續(xù)航能力差、長時(shí)間佩戴不舒適等因素造成用戶對可穿戴設(shè)備的黏度不如預(yù)期.研究人員為了克服可穿戴設(shè)備存在的種種問題，提出了泛在感知的方式，利用周圍環(huán)境中存在的無線信號(hào)來監(jiān)測用戶行為，從而擺脫對可穿戴設(shè)備的依賴.當(dāng)無線信號(hào)在空中傳播時(shí)，信號(hào)的物理特征(如幅值、相位、多普勒頻移)與信號(hào)的傳播途徑息息相關(guān).因此，人的位置、動(dòng)作都會(huì)對信號(hào)的傳播產(chǎn)生影響，甚至細(xì)微的手勢動(dòng)作、呼吸時(shí)胸腔的起伏都會(huì)在信號(hào)的物理特征中反映.因此，泛在感知利用空氣中存在的無線信號(hào)，對用戶進(jìn)行非接觸式感知.相比于可穿戴設(shè)備，泛在感知不要求用戶佩戴設(shè)備，克服了續(xù)航時(shí)間短、舒適性差等問題.現(xiàn)有的研究工作利用WiFi信號(hào)、毫米波、超聲信號(hào)實(shí)現(xiàn)了不同方面的健康監(jiān)測，如睡眠監(jiān)測[8-9]、跌倒檢測[10-11]、步態(tài)分析[12]等.本文重點(diǎn)介紹我們在呼吸監(jiān)測方面所取得的進(jìn)展.

傳統(tǒng)的呼吸監(jiān)測方案大多依賴專有的設(shè)備，如口鼻氣流傳感器和胸腹部呼吸帶，通過監(jiān)測口鼻氣流變化或腹部的壓力變化得到呼吸率.這類方式雖然能獲得準(zhǔn)確的測量結(jié)果，但是舒適性差，不適合長時(shí)間監(jiān)測或在日常工作、生活中使用.為了提供更舒適的監(jiān)測方式，研究人員利用電磁信號(hào)(如WiFi[13]、毫米波雷達(dá)[14])和聲音信號(hào)監(jiān)測呼吸率[15].這一類方法的工作原理是：在呼吸的過程中，胸腔會(huì)有周期性的起伏變化，通過分析胸腔表面反射的無線信號(hào)，實(shí)現(xiàn)非接觸感知，擺脫了穿戴設(shè)備的束縛.

雖然有不少非接觸式呼吸監(jiān)測的研究工作，然而存在一些共性的不足.下面，我們將分別從聲音信號(hào)和電磁信號(hào)2個(gè)方面分別闡述現(xiàn)有工作的不足以及我們所做的研究工作.

1.1 利用聲音信號(hào)監(jiān)測呼吸

在利用呼吸信號(hào)進(jìn)行感知時(shí)，為了避免發(fā)出噪聲，現(xiàn)有的工作通常利用18～22 kHz的超聲頻段.雖然成年人只能聽到18 kHz以下的聲音，但是嬰兒和兒童可以聽到18 kHz以上的聲音[16].這些聲音信號(hào)對嬰兒和兒童而言就是難以忍受的噪音.然而，大部分智能手機(jī)中的麥克風(fēng)和揚(yáng)聲器僅能支持22 kHz頻率以下聲音的發(fā)送和接收.為了解決這個(gè)問題，我們考慮利用音樂和廣播節(jié)目的聲音信號(hào)來實(shí)現(xiàn)呼吸監(jiān)測.當(dāng)智能音箱或手機(jī)在播放音樂或廣播節(jié)目的同時(shí)監(jiān)測用戶的呼吸，對嬰兒和兒童而言，這些聲音不再是噪聲.

利用音樂或廣播進(jìn)行呼吸監(jiān)測面臨2個(gè)挑戰(zhàn).第1個(gè)挑戰(zhàn)是，音樂和廣播節(jié)目所發(fā)出的聲音信號(hào)是持續(xù)且隨機(jī)的，不具備幀結(jié)構(gòu)以及特定的前導(dǎo)碼，無法用現(xiàn)有的信道估計(jì)方法進(jìn)行信道估計(jì).第2個(gè)挑戰(zhàn)是，現(xiàn)在手機(jī)通常采用MEMS封裝的麥克風(fēng)和揚(yáng)聲器，兩者之間采用獨(dú)立的采樣時(shí)鐘，2個(gè)時(shí)鐘之間存在頻率差異.隨著時(shí)間的推移，頻率差異會(huì)不斷累積導(dǎo)致發(fā)送和接收端存在較大的時(shí)間差，從而導(dǎo)致得到的信道估計(jì)失真.

為了解決第1個(gè)挑戰(zhàn)，我們先將音頻信號(hào)按固定時(shí)長Tframe進(jìn)行切割，每一段為一幀,根據(jù)每一幀發(fā)送出的信號(hào)和收到的信號(hào)計(jì)算信道沖擊響應(yīng)(channel impulse response, CIR)，如圖2(a)所示.因?yàn)橐魳坊驈V播信號(hào)為連續(xù)的音頻信號(hào)，由于傳播延遲，收到的信號(hào)中不僅包含當(dāng)前幀的內(nèi)容，還包含上一幀末尾的片段，在計(jì)算CIR時(shí)，幀與幀之間會(huì)相互干擾.我們通過選擇合適的幀長度來減小幀與幀之間的干擾.假設(shè)監(jiān)測的最大距離為4 m，已知聲速為340 ms,最大的時(shí)延τmax=2×4340≈0.02 s.在選擇幀長Tframe時(shí)，如果Tframe?τmax，則上一幀末尾片段的比重趨于0，幀與幀之間的干擾可以忽略不計(jì)；然而，如果Tframe過大，信道估計(jì)的周期太長，不能很好地反映信道變化.經(jīng)過綜合考量和實(shí)驗(yàn)結(jié)果，我們將設(shè)Tframe=0.4 s.

Fig. 2 Utilize static paths to calibrate the clock drift between the speaker and microphone圖2 根據(jù)靜止路徑校準(zhǔn)麥克風(fēng)和揚(yáng)聲器之間的時(shí)鐘偏移

為了解決第2個(gè)挑戰(zhàn)，我們通過靜止的傳播路徑估算麥克風(fēng)和揚(yáng)聲器之間的時(shí)鐘偏移，并以此校準(zhǔn)CIR.CIR的橫軸為時(shí)間，縱軸為幅值，而時(shí)間與距離可以由聲音在空氣中的傳播速度相互換算，因此，CIR表示的物理意義為來自不同距離的信號(hào)能量.時(shí)鐘偏移帶來的采樣偏差隨時(shí)間線性增加，反映在CIR上，即隨著時(shí)間推移，CIR會(huì)沿著時(shí)間軸平移，如圖2(a)所示.我們將同樣的信道條件下3 cm前后測得的CIR進(jìn)行對比，發(fā)現(xiàn)3 cm后CIR向后偏移了20多個(gè)距離區(qū)間，即CIR中的路徑延時(shí)是真實(shí)的傳播延時(shí)和時(shí)鐘延時(shí)的綜合反映.為了得到真實(shí)的路徑延時(shí)，須消除時(shí)鐘延時(shí)的影響.為此，針對每一個(gè)信號(hào)幀我們計(jì)算CIR，找到峰值及對應(yīng)的距離區(qū)間，記錄每個(gè)峰值對應(yīng)的距離區(qū)間；連續(xù)的2個(gè)幀之間，如果峰值對應(yīng)的距離區(qū)間很接近，即認(rèn)為是來自同一個(gè)物體的反射.例如，在第N幀中，找到峰值對應(yīng)的索引為[7,25,43,…];在第N+1幀中，峰值對應(yīng)的索引為[8,26,44,…].我們認(rèn)為，第N幀中索引25和第N+1幀中索引26對應(yīng)的峰值為同一個(gè)物體的反射，發(fā)生偏移的原因是收發(fā)兩端的時(shí)鐘差異.在靜止的情況下，CIR的變化僅由時(shí)鐘偏差造成，索引會(huì)隨時(shí)間線性變化.在所有記錄的索引序列中，找到線性度最好的路徑，視為靜止路徑，對其進(jìn)行線性擬合，如圖2(b)所示.虛線代表原始的索引序列，實(shí)線為擬合的直線，直線的斜率反映了時(shí)鐘偏移的速率，以此來修正每一幀的CIR.

在短時(shí)間內(nèi)時(shí)鐘偏移帶來的影響較小，通常需要一定時(shí)間的積累才能導(dǎo)致一個(gè)采樣點(diǎn)的偏移，如圖2(c)所示.為了準(zhǔn)確估計(jì)時(shí)鐘偏移速率，我們將信號(hào)進(jìn)行100倍上采樣，使得可以更精準(zhǔn)地進(jìn)行修正.例如，假設(shè)每10幀會(huì)產(chǎn)生一個(gè)采樣點(diǎn)的偏移，在修正時(shí)，只能每10幀進(jìn)行一次修正；然而，在進(jìn)行100倍上采樣后，每一幀都會(huì)產(chǎn)生10個(gè)采樣點(diǎn)的偏移，可以逐幀修正時(shí)鐘誤差.在圖2(d)中，我們可以看到，在進(jìn)行修正之前，在靜止情況下估算的距離隨時(shí)間線性變化(細(xì)虛線)，如果不進(jìn)行上采樣，不能完全消除時(shí)鐘偏移帶來的影響(粗虛線).進(jìn)行上采樣處理后，可以基本消除時(shí)鐘偏移的影響，測得的距離保持不變(實(shí)線).

在實(shí)驗(yàn)中，我們測試了不同的聲音類型，包括搖滾、流行、民謠音樂和新聞,在11個(gè)志愿者身上的平均誤差小于0.5 BPM(beats per minute).誤差隨著手機(jī)與用戶的距離增大而增大，當(dāng)手機(jī)與用戶的距離在1 m以內(nèi)，平均誤差約為0.5 BPM.

1.2 利用電磁信號(hào)監(jiān)測呼吸

現(xiàn)有的呼吸監(jiān)測工作要求用戶處于靜止的狀態(tài).當(dāng)用戶處于運(yùn)動(dòng)的狀態(tài)時(shí)，無法將身體其他部分的運(yùn)動(dòng)與胸腔的起伏分解開來，呼吸帶來的信號(hào)變化湮沒在更大幅度的信號(hào)變化中.我們通過測試發(fā)現(xiàn)，即使對于站立的用戶，現(xiàn)有的方案也無法準(zhǔn)確監(jiān)測其呼吸率，因?yàn)橛脩粽玖r(shí)身體存在不自主的晃動(dòng)，該晃動(dòng)會(huì)掩蓋呼吸造成的影響.

我們觀察到，當(dāng)在用戶的身體前后各放置一個(gè)雷達(dá)時(shí)(如圖3所示),人的呼吸導(dǎo)致的胸腔擴(kuò)張和收縮只會(huì)影響到前方雷達(dá)的相位，而不會(huì)影響到后方雷達(dá).當(dāng)雷達(dá)在進(jìn)行測距時(shí)，d1會(huì)發(fā)生變化而d2不變；然而，當(dāng)人朝著一個(gè)方向移動(dòng)時(shí)，運(yùn)動(dòng)對2個(gè)雷達(dá)都會(huì)造成影響，并且該影響是相反的.因此，通過將2個(gè)雷達(dá)的相位相加，可以消除運(yùn)動(dòng)帶來的變化而保留呼吸帶來的變化.

假設(shè)用戶運(yùn)動(dòng)的位移為x(t),胸腔由于呼吸造成的位移為d(t),前后2個(gè)雷達(dá)的相位變化分別為Δφ1(t)和Δφ2(t)，則2個(gè)雷達(dá)的相位變化可計(jì)算為：

將Δφ1(t)和Δφ2(t)相加，x(t)被消除而d(t)被保留下來，即消除運(yùn)動(dòng)導(dǎo)致的位移而保留呼吸帶來的胸腔起伏變化.我們通過雙雷達(dá)的呼吸監(jiān)測系統(tǒng)，可以成功地恢復(fù)出站立用戶的呼吸率.在后續(xù)工作中，我們希望通過增加雷達(dá)數(shù)目來實(shí)現(xiàn)走路、跑步過程中的呼吸監(jiān)測.

2 邊緣感知與通信的融合設(shè)計(jì)

無線感知通過發(fā)出一段已知的信號(hào)序列，對比發(fā)出和收到的序列來計(jì)算信道狀態(tài)信息，推測信號(hào)的傳播路徑，從而感知周圍環(huán)境；而無線通信則利用無線信道來承載通信信號(hào)，對于接收端而言，發(fā)出的信號(hào)是變化的、未知的.無線感知和無線通信之間的差異使得兩者通常被視為獨(dú)立的系統(tǒng)來進(jìn)行設(shè)計(jì)和優(yōu)化.然而，在物聯(lián)網(wǎng)時(shí)代，愈來愈多的物聯(lián)網(wǎng)設(shè)備將通過無線頻譜接入網(wǎng)絡(luò).有限的頻譜資源既要感知周圍環(huán)境，同時(shí)要滿足通信需求.當(dāng)感知與通信共同占用無線頻譜時(shí)，需考慮如何高效、合理地利用有限的頻譜資源.

雖然已有不少工作通過WiFi信號(hào)來感知周邊環(huán)境，通過前導(dǎo)碼序列來估算信道，由于通信和感知本質(zhì)上的差異，這一類的工作存在矛盾的設(shè)計(jì)思路.從優(yōu)化通信出發(fā)，希望降低前導(dǎo)碼的比重以提升通信效率，而感知應(yīng)用則希望有大量短而頻繁的包來獲得詳盡的信道信息，從而提高感知細(xì)粒度.基于當(dāng)前從前導(dǎo)碼獲取信道狀態(tài)信息的設(shè)計(jì)思路，感知和通信之間存在難以調(diào)和的矛盾.為了解決這一矛盾，我們將感知和通信進(jìn)行融合設(shè)計(jì)，設(shè)計(jì)可以攜帶信息的感知信號(hào)，不僅前導(dǎo)碼部分可以用于感知，數(shù)據(jù)部分也可以用于感知，同時(shí)完成無線感知和無線通信.

感知和通信的融合設(shè)計(jì)難點(diǎn)在于，感知信號(hào)通常為寬帶信號(hào)，而通信信號(hào)通常為窄帶信號(hào).一方面，感知的精度與信號(hào)帶寬成反比，帶寬500 MHz的信號(hào)可以區(qū)分相距30 cm的2個(gè)物體，帶寬1 GHz的信號(hào)可以區(qū)分相距15 cm的2個(gè)物體,感知信號(hào)通常為大帶寬信號(hào)以取得精準(zhǔn)的感知結(jié)果；另一方面，受限于設(shè)備成本和功耗限制，常用的通信標(biāo)準(zhǔn)采用窄帶信號(hào)，如WiFi信號(hào)的帶寬為20 MHz，藍(lán)牙信號(hào)寬帶為1 MHz.為了解決這一矛盾，我們借助電路中存在的非線性現(xiàn)象來匹配兩者帶寬上的不同.電路的非線性特性表現(xiàn)為輸出信號(hào)中包含輸入信號(hào)的非線性諧波，例如，當(dāng)輸入信號(hào)中包含頻率fin,非線性諧波中包含輸入頻率的高次諧波，如二次諧波2fin、三次諧波3fin等;當(dāng)輸入信號(hào)中包含頻率f1和f2,其二次諧波可以展開為

可以看到，諧波中包含頻率2f1,2f2,f1-f2和f1+f2.這意味著，當(dāng)2個(gè)信號(hào)輸入非線性電路中會(huì)有一個(gè)諧波，其頻率是2個(gè)輸入信號(hào)的頻率差.

感知雷達(dá)中常用的信號(hào)是線性調(diào)頻連續(xù)波(frequency modulated continuous wave, FMCW)，即雷達(dá)信號(hào)隨時(shí)間線性增加(見圖4).當(dāng)2個(gè)FMCW信號(hào)之間的頻率差為固定值時(shí)(如圖5所示)，它們經(jīng)過非線性電路時(shí)，諧波f1-f2為一個(gè)固定值，即為一個(gè)窄帶信號(hào).在現(xiàn)在的雷達(dá)中，為了獲得更好的感知結(jié)果，通常會(huì)具備多根發(fā)送和接收天線，S1和S2可以是不同天線發(fā)出來的信號(hào).

Fig. 4 Working Principle of FMCW radar圖4 FMCW測距原理

Fig. 5 Frequency modulated continuous wave (FMCW)圖5 線性調(diào)頻連續(xù)波

我們可以將數(shù)據(jù)s(t)調(diào)制到一個(gè)信號(hào)上，如一個(gè)天線上的信號(hào)為TX1=s(t) sinf1(t)t，而另一個(gè)天線上的信號(hào)不做改變，即TX2=sinf2(t)t.定義fC為2個(gè)信號(hào)的頻率差，即f2(t)-f1(t)=fC.收到的信號(hào)可以寫作：

RX=TX1+TX2+(TX1+TX2)2+…=…+
s2(t)[sinf1(t)t]2+2s(t) sinf1(t)tsinf2(t)t+
[sinf2(t)t]2+…=…-s(t)cos [f1(t)+
f2(t)]t+s(t) cos [f1(t)-f2(t)]t+….

(1)

根據(jù)式(1)，數(shù)據(jù)被調(diào)制到了頻點(diǎn)fC=f2(t)-f1(t)上.通過這樣的設(shè)計(jì)，寬帶的雷達(dá)信號(hào)中攜帶了窄帶的數(shù)據(jù)信息，可以被通信設(shè)備解調(diào).

更近一步地，我們讓2個(gè)掃頻信號(hào)錯(cuò)開半個(gè)周期，如圖6所示.在0到T2之間，fC=f1(t)-f2(t)=BW2;在T2到T之間，fC=f2(t)-f1(t)=BW2.這種設(shè)計(jì)的優(yōu)勢在于，當(dāng)我們在感知信號(hào)中攜帶通信數(shù)據(jù)時(shí)，不影響感知的精度.根據(jù)雷達(dá)理論，感知的精度和信號(hào)帶寬成反比，即r=c2B，c為光速，B為信號(hào)帶寬.因?yàn)楦兄盘?hào)的帶寬不變，感知的精度不受影響.通過這樣的設(shè)計(jì)，我們使得同樣的頻譜資源既可以用于感知，又能用于通信，提高了頻譜利用效率，化解了現(xiàn)有無線感知和無線通信系統(tǒng)之間的矛盾關(guān)系.

Fig. 6 Two signals are offset by the half chirp duration圖6 2個(gè)信號(hào)相差半個(gè)周期

以上我們討論的是如何在感知的同時(shí)完成信號(hào)的發(fā)送，接下來我們討論如何在感知的同時(shí)完成信號(hào)的接收，難點(diǎn)在于雷達(dá)需要同時(shí)接收感知信號(hào)和數(shù)據(jù)信號(hào).如圖4所示，雷達(dá)發(fā)送出一個(gè)線性調(diào)頻連續(xù)波，信號(hào)經(jīng)過傳輸和反射返回到雷達(dá)時(shí)產(chǎn)生了一定的延時(shí)，該延時(shí)即信號(hào)的傳播時(shí)間.雷達(dá)接收端將收到信號(hào)與發(fā)出信號(hào)進(jìn)行混頻操作，得到兩者之間的頻率差Δf.從圖4可以看出，該頻率差與傳播時(shí)間成正比.又因?yàn)閭鞑r(shí)間與傳播距離的關(guān)系，可以從Δf計(jì)算物體和雷達(dá)之間的距離.假設(shè)FMCW信號(hào)的帶寬為1 GHz,掃頻用時(shí)1 ms,最大可以探測的范圍為10 m.計(jì)算可得，Δf的最大值為

由此可見，雷達(dá)接收到的感知信號(hào)經(jīng)過混頻操作后為一個(gè)低頻信號(hào)，其最大頻率取決于雷達(dá)的頻率變化速率和最大可以探測的范圍.

為了避免感知信號(hào)和數(shù)據(jù)信號(hào)相互干擾，我們可以在頻率上將兩者區(qū)分開來.根據(jù)上述分析，感知信號(hào)在基帶上的頻率在0到Δfmax之間.我們將數(shù)據(jù)信號(hào)下變頻至頻點(diǎn)Δfmax+B,保證在基帶信號(hào)上，數(shù)據(jù)信號(hào)和感知信號(hào)至少有帶寬B的間隔.通過這樣的設(shè)計(jì)，雷達(dá)可以將感知信號(hào)和數(shù)據(jù)信號(hào)分解開來.

在實(shí)驗(yàn)中，我們將LoRa信號(hào)調(diào)制到了FMCW信號(hào)上.在接收端，雷達(dá)信號(hào)經(jīng)過非線性電路，產(chǎn)生了可以被商用模塊解調(diào)的LoRa信號(hào)，在室內(nèi)的傳輸距離為16 m.同時(shí)，雷達(dá)也能接收LoRa節(jié)點(diǎn)上傳的數(shù)據(jù)信號(hào).我們也通過實(shí)驗(yàn)測試了雷達(dá)的感知精度，與不進(jìn)行數(shù)據(jù)通信時(shí)相比，雷達(dá)精度不受到影響.

3 邊緣計(jì)算與機(jī)器學(xué)習(xí)

圍繞著一個(gè)用戶，多樣的感知方式帶來了豐富的數(shù)據(jù).結(jié)合機(jī)器學(xué)習(xí)強(qiáng)大的能力，這些數(shù)據(jù)可以用于分析用戶的行為偏好、健康狀況甚至心理狀態(tài)[17].現(xiàn)有的機(jī)器學(xué)習(xí)模型通常是為全局優(yōu)化，通過收集大量人群的數(shù)據(jù)，建立一個(gè)普適的模型.然而，個(gè)體與個(gè)體之間的差異性卻被忽視，普適的模型對個(gè)體而言往往不是最優(yōu)的.為了解決這個(gè)問題，學(xué)者們提出了個(gè)性化機(jī)器學(xué)習(xí)(personized machine learning, PML)[18-19]的概念來對個(gè)體進(jìn)行針對性優(yōu)化.然而，研究面臨著2個(gè)方面的挑戰(zhàn).一方面，從每個(gè)個(gè)體上采集到的數(shù)據(jù)往往數(shù)量有限且是無標(biāo)簽數(shù)據(jù)，無法要求每個(gè)用戶花費(fèi)時(shí)間精力為自己的數(shù)據(jù)添加標(biāo)簽.因此，僅僅依靠個(gè)體的數(shù)據(jù)無法得到一個(gè)準(zhǔn)確的模型.因此，學(xué)者們提出了利用他人的標(biāo)簽數(shù)據(jù)來訓(xùn)練模型，針對每個(gè)個(gè)體，根據(jù)個(gè)體的數(shù)據(jù)來調(diào)整模型以最好地適配目標(biāo)個(gè)體，即遷移學(xué)習(xí)中的無監(jiān)督領(lǐng)域自適應(yīng)[20-21].在無監(jiān)督領(lǐng)域自適應(yīng)中，他人的標(biāo)簽數(shù)據(jù)稱為源域，目標(biāo)個(gè)體的數(shù)據(jù)稱為目標(biāo)域.另一方面，個(gè)體的數(shù)據(jù)包含隱私信息，例如其健康狀況、經(jīng)濟(jì)狀況，用戶不愿意將這些敏感信息交予他人.為此，學(xué)者們提出了聯(lián)邦學(xué)習(xí)[22]范式，每個(gè)個(gè)體在自己的本地進(jìn)行訓(xùn)練，在訓(xùn)練的過程中多方共享最新的模型參數(shù)以在本地進(jìn)行下一輪的迭代優(yōu)化.

有學(xué)者將2個(gè)角度結(jié)合起來，提出了聯(lián)邦遷移學(xué)習(xí).在這樣的學(xué)習(xí)框架中，邊緣計(jì)算凸顯優(yōu)勢.相比于計(jì)算能力、功耗受限的終端，邊緣節(jié)點(diǎn)具有更強(qiáng)的運(yùn)算能力；相比于云服務(wù)器，將數(shù)據(jù)儲(chǔ)存在邊緣節(jié)點(diǎn)可以避免敏感信息泄露，用戶對數(shù)據(jù)具有更強(qiáng)的管理權(quán)限.因此，將設(shè)備上傳的健康數(shù)據(jù)儲(chǔ)存在邊緣節(jié)點(diǎn)，由邊緣節(jié)點(diǎn)參與聯(lián)邦學(xué)習(xí)，可以充分利用邊緣節(jié)點(diǎn)的計(jì)算能力，并保護(hù)用戶的數(shù)據(jù)隱私，如圖7所示:

Fig. 7 Edge computing and federated transfer learning圖7 邊緣計(jì)算與聯(lián)邦遷移學(xué)習(xí)

然而，現(xiàn)有的聯(lián)邦遷移學(xué)習(xí)[23-24]不適用于我們的場景.首先，它要求個(gè)體的部分?jǐn)?shù)據(jù)為標(biāo)簽數(shù)據(jù)，為半監(jiān)督遷移學(xué)習(xí)，而并非無監(jiān)督學(xué)習(xí).在現(xiàn)實(shí)生活中，用戶采集到的數(shù)據(jù)是不包含標(biāo)簽的，例如，用戶無法為自己的睡眠數(shù)據(jù)添加睡眠分期標(biāo)簽.其次，它采用的對齊損失函數(shù)(alignment loss)不適用于我們的場景.對齊損失函數(shù)是領(lǐng)域自適應(yīng)中用于衡量源域和目標(biāo)域差異的指標(biāo)，在訓(xùn)練過程中通過優(yōu)化該指標(biāo)來盡量縮小源域和目標(biāo)域的差異.現(xiàn)有的聯(lián)邦遷移學(xué)習(xí)框架的對齊損失函數(shù)是基于已知的源域-目標(biāo)域樣本對[25]，例如當(dāng)源域是文本數(shù)據(jù)而目標(biāo)域是圖像數(shù)據(jù)時(shí)，某張圖片和某些文本之間存在一定的語義聯(lián)系，因此構(gòu)成了文本-圖像樣本對.而在我們的場景中，不同用戶的感知樣本之間不一定存在這樣的聯(lián)系.

為此，我們針對感知的場景設(shè)計(jì)了一個(gè)聯(lián)邦遷移學(xué)習(xí)的模型訓(xùn)練框架.無監(jiān)督領(lǐng)域自適應(yīng)的一個(gè)常用方法是將模型分為特征提取器和分類器2部分，特征提取器用于將數(shù)據(jù)映射到特征空間，分類器基于特征進(jìn)行分類.為了使訓(xùn)練得到的分類器在目標(biāo)域上達(dá)到較好的效果，需要縮小源域和目標(biāo)域在特征空間的分布差異.在我們的框架中，為了衡量該分布差異，采用的對齊損失函數(shù)是最大均值差異(maximum mean discrepancy, MMD)[26-27]，這也是無監(jiān)督領(lǐng)域自適應(yīng)中常用的一個(gè)對齊損失函數(shù).無監(jiān)督領(lǐng)域自適應(yīng)的訓(xùn)練過程通常分為預(yù)訓(xùn)練和微調(diào)2部分.我們的框架采取相同的模型劃分方法和訓(xùn)練過程.首先在源域中對特征提取器和分類器進(jìn)行預(yù)訓(xùn)練;然后源域?qū)⑻卣魈崛∑鞯臋?quán)重發(fā)送給目標(biāo)域，準(zhǔn)備進(jìn)行二者協(xié)作的微調(diào)階段.在微調(diào)階段，對于每一批數(shù)據(jù)的處理可以分為4步：前饋、分類損失函數(shù)及梯度計(jì)算、MMD損失函數(shù)及梯度計(jì)算、模型參數(shù)更新.其中第1,2,4步較為簡單，源域及目標(biāo)域獨(dú)立操作即可，無需進(jìn)行數(shù)據(jù)交換.第3步最為復(fù)雜，需要進(jìn)行大量交互.

MMD損失函數(shù)的定義為

其中,cm是常數(shù)，fm(v)為常數(shù)1或者向量元素組成的多項(xiàng)式，gm(v′)與fm(v)含義相同.因此，為了計(jì)算第3部分，需要一方把每一個(gè)特征向量的所有fm(v)都發(fā)給另一方.

對于2個(gè)域的MMD梯度的計(jì)算，我們以目標(biāo)域?yàn)槔?，對于該域而言MMD損失函數(shù)第1部分的梯度為0，第2部分的梯度可以獨(dú)立計(jì)算.對于第3部分的梯度，實(shí)際上是各個(gè)核函數(shù)的梯度之和，單個(gè)核函數(shù)的梯度可以表示為

因此，與計(jì)算第3部分損失函數(shù)類似，計(jì)算第3部分的梯度同樣需要對方(此處指源域)將每一個(gè)特征向量的所有fm(v)都發(fā)給另一方.這個(gè)方案具有較高的計(jì)算和通信開銷.為了解決這個(gè)問題，我們進(jìn)一步做了2方面的改進(jìn).

1) 基于MMD損失函數(shù)第3部分求和的特點(diǎn)，不對每個(gè)核函數(shù)單獨(dú)考慮，而是將第3部分作為一個(gè)整體.對于第3部分的求和部分的值以及梯度可以做如下變換：

2) 基于鏈?zhǔn)椒▌t對梯度計(jì)算進(jìn)行改進(jìn).我們不再直接計(jì)算梯度，而是先計(jì)算MMD損失函數(shù)對于特征向量的偏導(dǎo)，再計(jì)算特征向量對于參數(shù)的偏導(dǎo):

這里的鏈?zhǔn)椒▌t不用考慮對方的特征向量.由于特征向量對于參數(shù)的偏導(dǎo)雙方可以獨(dú)立計(jì)算，所以雙方只需要交換數(shù)據(jù)來計(jì)算MMD損失函數(shù)對于特征向量的偏導(dǎo)，并發(fā)送該偏導(dǎo)給對方解密.假設(shè)模型的參數(shù)數(shù)量為M，訓(xùn)練的批量大小為N，特征向量長度為L，則優(yōu)化后和優(yōu)化前發(fā)送偏導(dǎo)及梯度的通信開銷的比值是N×LM.模型的參數(shù)數(shù)量M通常非常大，而N和L則小的多.在我們的一次實(shí)驗(yàn)中，M約為40 000，而N和L分別為64和32.因此該方法可以降低大量通信開銷.

此外，這2項(xiàng)優(yōu)化還大大減少了加密、解密以及密文上運(yùn)算的次數(shù)，因此也減少了大量的計(jì)算開銷.在對于一個(gè)無線手勢感知數(shù)據(jù)集的實(shí)驗(yàn)中，微調(diào)階段的每一個(gè)批次優(yōu)化前耗時(shí)至少45 min，而優(yōu)化后耗時(shí)僅2 min.最終，微調(diào)階段結(jié)束之后，源域?qū)⒂?xùn)練好的分類器權(quán)重發(fā)送給目標(biāo)域.目標(biāo)域?qū)⒆约旱奶卣魈崛∑骱徒邮盏降姆诸惼鹘M合起來即得到最終的模型.

4 結(jié) 語

邊緣計(jì)算填補(bǔ)了云計(jì)算在響應(yīng)延時(shí)、數(shù)據(jù)安全等方面的不足，成為智能家居場景下的未來趨勢.本文從感知、通信和計(jì)算3個(gè)方面探索智能家居場景下的邊緣計(jì)算.在感知方面，以呼吸監(jiān)測為例，探索邊緣節(jié)點(diǎn)的泛在感知能力.我們研究如何利用環(huán)境中已有的聲音(音樂、廣播節(jié)目)進(jìn)行呼吸監(jiān)測，以及用雙設(shè)備消除用戶運(yùn)動(dòng)對呼吸監(jiān)測的干擾.在通信方面，我們對感知和通信信號(hào)進(jìn)行聯(lián)合設(shè)計(jì)，使得無線信號(hào)在進(jìn)行感知的同時(shí)也能向外傳遞信息，在有限的頻譜資源上兼顧感知和通信；在計(jì)算方面，我們研究在保護(hù)用戶隱私的前提下建立用戶的個(gè)性化模型，并通過優(yōu)化計(jì)算過程降低聯(lián)邦學(xué)習(xí)中的計(jì)算和通信開銷.在未來的研究工作中，我們希望繼續(xù)探索邊緣節(jié)點(diǎn)在智能家居中的潛力，加速智能家居場景落地，讓技術(shù)改變?nèi)祟愇磥淼纳罘绞?