دانلود رایگان مقاله تلفیق چند سنسور در شبکه های حسگر بدن

چکیده

            شبکه های حسگر بدن (BSNs) به عنوان یک تکنولوژی، انقلابی در بسیاری از حوزه های کاربردی در زمینه مراقبت های بهداشتی، تناسب اندام، شهر های هوشمند و بسیاری از برنامه های کاربردی اینترنت اشیاء (IoT) به وجود آورده است. اکثر سیستم های موجود در بازار فرض می کنند که یک  تک دستگاه تعداد زیادی اطلاعات کاربر را نظارت می کند. در واقعیت فناوری BSN انتقال از محیط های  اندازه گیری همزمان چندین دستگاه است. تلفیق داده ها از چندین منبع سنسور ناهمگن، به یک کار ضروری تبدیل شده است اما هنوز درک نشده است که به طور مستقیم بر عملکرد برنامه های کاربردی تاثیر می گذارد. با این وجود، به تازگی پژوهشگران شروع به توسعه راه حل های فنی برای تلفیق مؤثر داده های BSN کرده اند. به طور کلی طبق این مطالعه، جامعه در حال حاضر، فاقد بررسی جامع از تکنیک های علمی در تلفیق چند سنسور در حوزه BSN است. این مقاله، انگیزه ها و مزایای تلفیق داده های چند سنسور را روشن می کند و به ویژه در شناسایی فعالیت های فیزیکی، با هدف ارائه یک طبقه بندی سیستماتیک و چارچوب مقایسه کلی از ادبیات، با شناسایی ویژگی های متمایز و پارامترهای موثر بر انتخاب طراحی تلفیق داده ها در سطوح مختلف (داده، ویژگی و تصمیم) تمرکز می کند. این بررسی همچنین تلفیق داده ها در حوزه های شناخت احساسات و سلامت عمومی را نیز شامل می شود و جهت و چالش های مربوط به تحقیقات آینده در تلفیق چند سنسور در حوزه BSN را معرفی می کند.

1. مقدمه

           حدود ده سال پیش، حوزه تحقیق در زمینه فناوری های شبکه حسگر بی سیم(WSN)  و برنامه های کاربردی به معرفی شبکه های حسگر بدن(BSNs) منجر شد: یک نوع خاص از WSN به نظارت بر بدن انسان اعمال می شود. از زمان تعیین آنها، BSN ها وعده داده بودند که تغییراتی در جنبه های مختلف زندگی روزمره ما ایجاد کند. در سطح تکنولوژیکی، یک BSN پوشیدنی شامل سنسورهای فیزیولوژیکی پوشیدنی بی سیم، اعمال شده به بدن انسان (با استفاده از الکترودهای پوست، تسمه های الاستیک یا حتی با استفاده از پارچه های هوشمند)  برای فعال سازی، کاهش هزینه، نظارت غیرتهاجمی لحظه ای و پیوسته به کار می پردازند. برنامه های کاربردی  بسیار متنوع BSN در طول سال ها، از جمله پیشگیری، تشخیص زودهنگام و نظارت بر بیماری های قلبی عروقی، مغز و اعصاب و سایر بیماری های مزمن، کمک به سالخوردگان در خانه (تشخیص پرت شدن، یادآوری قرص ها)، مزیت و حسن های کمک به توانبخشی، فعالیت بدنی و تشخیص رفتار وحرکات، تشخیص احساسات، و غیره پیشنهاد شده است. 

           موفقیت کلیدی این تکنولوژی امکان نظارت بر نشانه های حیاتی و فیزیولوژیکی بدون مانع راحتی کاربر / بیمار در انجام فعالیت های روزمره است. در واقع، در چند سال اخیر، انتشار آن با استفاده از ابزارهای پوشیدنی هوشمند در سطح صنعتی انبوه (به ویژه ساعتهای هوشمند و دستبند) افزایش یافته است که می توانند چندین پارامتر مانند شتاب بدن، الکتروکاردیوگرام (ECG)، پالس سرعت، و زیست امپدانس را اندازه گیری کنند. 

            با این حال، از آنجا که بسیاری از برنامه های کاربردی BSN نیاز به تکنیک های پیشرفته پردازش سیگنال و الگوریتم ها]  1-4  [دارند، طراحی و پیاده سازی آنها هنوز هم هنوز یک مشکل چالش برانگیز است. جریان داده های حس شده از راه دور با استفاده از دستگاه های پوشیدنی با منابع محدود از لحاظ دسترسی انرژی (باتری)، قدرت محاسباتی و ظرفیت ذخیره سازی (حافظه)، پردازش و فرستاده می شود. علاوه بر این، سیستم های BSN اغلب با داده سنسور دارای خطا مشخص می شود  که بدیهی ست به طور قابل توجهی در پردازش سیگنال، تشخیص الگو و عملکرد یادگیری ماشین تاثیر می گذارد. در این سناریو چالش برانگیز، استفاده از داده های زائد یا مکمل همراه با روش های تلفیق داده ی چند حسگر، یک راه حل مؤثر برای استنباط اطلاعات با کیفیت بالا از سیگنال های به شدت خراب یا نویزی، خطاهای تصادفی و سیستماتیک تحت تأثیر از دست دادن  یا ناسازگاری، و...داده ی  نمونه های حسگر واقع شده است. 

           اکثر سیستم های موجود در بازار فرض می کنند که یک  تک دستگاه تعداد زیادی اطلاعات کاربر را نظارت می کند. در واقعیت فناوری BSN در حال انتقال از محیط های  اندازه گیری همزمان چندین دستگاه است. تلفیق داده ها از چندین منبع سنسور ناهمگن، به یک کار ضروری تبدیل شده است اما هنوز درک نشده است که به طور مستقیم بر عملکرد برنامه های کاربردی تاثیر می گذارد. به طور خاص، ما متوجه می شویم که زنجیره پردازش پیچیده ای که در طراحی BSN استفاده می شود، سطوح مختلف تلفیق داده ها را با سطوح مختلف پیچیدگی و کارایی نشان می دهد. تنها در سال های اخیر محققان راه حل های فنی توسعه برای تلفیق مؤثر داده های BSN را آغاز کرده اند. به طور کلی طبق این تحقیق، در حالی که بررسی های جالب در تلفیق سنسور در WSN منتشر شده است ] 4،5 [، در حال حاضر جامعه  فاقد یک بررسی کامل از تکنولوژی های پیشرفته در تلفیق چند حسگر در حوزه BSN است.

          ساختار مقاله به این ترتیب به شرح زیر است: بخش 2 در مورد  پس زمینه ای از بررسی و بینش های مفیدی در مورد انگیزه های اصلی برای تلفیق داده های چند سنسور در BSN ها ارائه می دهد. در بخش 3 یک دسته بندی سیستماتیک از تلفیق چند سنسور در حوزه BSN ارائه شده است؛ خواص متمایز و پارامترها با هدف ارائه یک چارچوب مقایسه مشترک از ادبیات تجزیه و تحلیل شده، شناسایی شده است. بخش 4، تحلیل جامع و مقایسه ای از پیشرفته ترین تلفیق داده ها را در زمینه شناسایی و نظارت بر فعالیت های انسانی پوشش می دهد. برای ارائه دید وسیع تری به خوانندگان، بخش 5 شامل استراتژی های تلفیقی داده ها و انتخاب های طراحی برای شناخت احساسات و برنامه های کاربردی بهداشت عمومی است. بخش 6 بینش هایی را در مورد مسیرهای تحقیق جدید و چالش های نسل بعدی  تلفیق چند سنسور ارائه می دهد. سرانجام، بخش 7 مقاله را به پایان می رساند.

2. پیش زمینه

2.1 شبکه های حسگر بدن

          شبکه های سنسور بدن  (BSNs) به عنوان یک تکنولوژی، انقلابی در بسیاری از حوزه های کاربردی در مراقبت های بهداشتی [7-21] تناسب اندام [22-26]، شهرهای هوشمند [27-29] و بسیاری دیگر از برنامه های کاربردی اینترنت اشیاء (IoT) به وجود اورده است [30-33]. به طور خاص، BSN ها پتانسیل زیادی در مراقبت های بهداشتی نشان داده اند. این سیستم ها وعده داده اند که مراقبت / ایمنی بیمار را بهبود بخشد و باعث صرفه جویی در هزینه های قابل توجهی شود [34-37]. به گفته سازمان ملل متحد، اگر روند سلامت جاری تغییری نداشته باشد، پنج بیماری رایج، سرطان، دیابت، بیماری های قلبی، بیماری های ریوی و مشکلات سلامت روانی، جهان تا سال 2030، 47 تریلیون دلار در هر سال هزینه خواهد داشت. [38،39]. 

          یکی از مهم ترین مداخلات(را های درمان) در مدیریت این بیماری، فعالیت بدنی است [40-52]. در نتیجه، دهه گذشته شاهد تلاش های زیادی در استفاده از فن آوری های هوشمند مانند BSNها برای نظارت و تشخیص سلامت از طریق نظارت / ارزیابی فعالیت های فیزیکی بوده است. سال های اخیر مطالعات قابل توجهی را نشان داده اند که پتانسیل BSN را در برنامه های مختلف نظارت بر فعالیت های فیزیکی نظیر شناسایی فعالیت [9-11،15-17]، برآورد سطح فعالیت [18]، محاسبه هزینه کالری [19،20]، برآورد زاویه مشترک [21]، اعلان مبتنی بر فعالیت [53-58]، ارزیابی پایبندی دارو (چسبندگی دارو)[59،60]، سنجش جمعیت [61-66]، شبکه های اجتماعی [67-70]، و تمرین های ورزشی [22-26] داشته است. 

          یک BSN پوشیدنی شامل تعدادی گره حسگر پوشیدنی است که به طور بی سیم در حال گرفتن و همگام سازی سیگنال های فیزیولوژیکی بر روی انسان را پردازش می کند. BSN ها، که اطلاعاتی را از سنسورهای پوشیدنی بدست می آورند، از الگوریتم های محاسباتی شامل پردازش سیگنال و تکنیک های یادگیری ماشین برای استخراج اطلاعات مفید از داده های حسگر استفاده می کنند. سنسورهای فیزیولوژیکی شامل شتاب سنج، ژیروسکوپ ها، سنسورهای فشار برای حرکات بدن و نیروهای اعمال شده، الکترودهای پوست / قفسه سینه (برای الکتروکاردیوگرام (ECG)، الکترومیوگرام (EMG)، پاسخ پوستی گالوانیک (GSR) و پلی استیموگرافی امپدانس الکتریکی (EIP))، PPG ) سنسورها، میکروفن ها (برای صدای، محیط و صداهای قلب)، الکترودهای قرار داده شده پوست سر برای الکتروانسفالوگرام (EEG) می باشد. داده های خام و پردازش شده، بی سیم منتقل می شوند؛ پروتکل های ارتباطی به تراشه رادیویی بستر سخت افزاری بستگی دارد.محبوب ترین استانداردها IEEE 802.15.4  [71]، بلوتوث کم مصرف [72] و   ANT +]73] است. گره های BSN را می توان با معماری های سخت افزاری مختلف به دست آورد [74]؛ TelosB [75] در نمونه اولیه تحقیق BSN بسیار رایج بود، در حالی که اخیرا Shimmer [76] محبوبیت بیشتری به دست آورده است. همچنین قابل توجه است که در بسیاری از مطالعات، سخت افزار سفارشی طراحی و ساخته شده است. و بالای نرم افزار برنامه های کاربردی اجرا شده است. در میان آنها، احتمالا ]77     TinyOS  [و Contiki [78]  بیشتر حمایت شده است. بعضی از توسعه دهندگان ترجیح می دهند کد برنامه کاربردی را به طور مستقیم بر روی محیط توسعه پایه (سیستم عامل و یا کتابخانه های نرم افزاری) ارائه شده توسط پلت فرم گره پذیرفته شده برنامه ریزی کنند. با این حال، استفاده از میان افزار برنامه ریزی خاص دامنه توصیه می شود [2].  CodeBlue [79] نشان دهنده اولین میان افزار جنینی است که مخصوص سیستم های BSN است، در حالی که تیتان [80] یک چارچوب کلی تر هدف است که با موفقیت به حوزه BSN اعمال شده است. SPINE [1] اولین چارچوب برنامه ریزی دامنه- خاص برای BSN ها و اثربخشی آن به طور گسترده ای ثابت شده است [4].   اخیرا، با ظهور پارادایم ابر، BSN middlewares برای پشتیبانی از نظارت طولانی مدت، ذخیره سازی داده ها و تجزیه و تحلیل، مدیریت جامعه و تعامل با سرویس های کاربردی (مانند BodyCloud [81،82] و Cloud BAN e-  Health [83] ) تکامل یافته است. 

Abstract

           Body Sensor Networks (BSNs) have emerged as a revolutionary technology in many application domains in health-care, fitness, smart cities, and many other compelling Internet of Things (IoT) applications. Most commercially available systems assume that a single device monitors a plethora of user information. In reality, BSN technology is transitioning to multi-device synchronous measurement environments; fusion of the data from multiple, potentially heterogeneous, sensor sources is therefore becoming a fundamental yet non-trivial task that directly impacts application performance. Nevertheless, only recently researchers have started developing technical solutions for effective fusion of BSN data. To the best of our knowledge, the community is currently lacking a comprehensive review of the state-of-the-art techniques on multisensor fusion in the area of BSN. This survey discusses clear motivations and advantages of multi-sensor data fusion and particularly focuses on physical activity recognition, aiming at providing a systematic categorization and common comparison framework of the literature, by identifying distinctive properties and parameters affecting data fusion design choices at different levels (data, feature, and decision). The survey also covers data fusion in the domains of emotion recognition and general-health and introduce relevant directions and challenges of future research on multi-sensor fusion in the BSN domain.

1. Introduction

            About a decade ago, the research area on wireless sensor network (WSN) technologies and applications led to the introduction of Body Sensor Networks (BSNs): a particular type of WSN applied to human body monitoring. Since their definition, BSNs promised disruptive changes in several aspects of our daily life. At technological level, a wearable BSN comprises wireless wearable physiological sensors applied to the human body (by means of skin electrodes, elastic straps, or even using smart fabrics) to enable, at low cost, continuous and real-time non-invasive monitoring. Very diversified BSN applications were proposed during the years, including prevention, early detection, and monitoring of cardiovascular, neuro-degenerative and other chronic diseases, elderly assistance at home (fall detection, pills reminder), fitness and wellness, motor rehabilitation assistance, physical activity and gestures detection, emotion recognition, and so on.

          Key benefit of this technology is the possibility to continuously monitor vital and physiological signs without obstructing user/patient comfort in performing his/her daily activities. Indeed, in the last few years, its diffusion increased enormously with the introduction, at mass industrial level, of smart wearable devices (particularly smart watches and bracelets) that are able to capture several parameters such as body accelerations, electrocardiogram (ECG), pulse rate, and bio-impedance.

          However, since many BSN applications require sophisticated signal processing techniques and algorithms[1–4], their design and implementation remain a challenging task still today. Sensed data streams are collected, processed, and transmitted remotely by means of wearable devices with limited resources in terms of energy availability, computational power, and storage capacity. In addition, BSN systems are often characterized by error-prone sensor data that significantly affect signal processing, pattern recognition, and machine learning performances. In this challenging scenario, the use of redundant or complementary data coupled with multisensor sensor data fusion methods represents an effective solution to infer high quality information from heavily corrupted or noisy signals, random and systematic error-affected sensor samples, data loss or inconsistency, and so on.

         Most commercially available wearables assume that a single device monitors a plethora of user information. In reality, BSN technology is transitioning to multi-device synchronous measurement environments. With the wearable network becoming more complex, fusion of the data from multiple, potentially heterogeneous, sensor sources becomes a non-trivial tasks that directly impact performance of the activity monitoring application. In particular, we note that the complex processing chain used in BSN design introduces various levels of data fusion with different levels of complexity and effectiveness. Only in recent years researchers have started developing technical solutions for effective fusion of BSN data. To the best of our knowledge, while interesting surveys on sensor fusion in WSN have been published already [5,6], the community is currently lacking a comprehensive review of the stateof-the-art techniques on multi-sensor fusion in the area of BSN.

        The reminder of the paper is, hence, organized as follows. Section 2 discusses the background context of the survey and provides useful insights on the main motivations for multi-sensor data fusion on BSNs. In Section 3 a systematic categorization of multisensor fusion in BSN domain is provided; distinctive properties and parameters are identified with the goal of providing a common comparison framework of the analyzed literature. Section 4 covers a comprehensive analysis and comparison of data-fusion stateof-the-art in the domain of human activity recognition and monitoring. To provide a broader view to the readers, Section 5 covers data-fusion strategies and design choices for emotion recognition and general-health applications. Section 6 provides insights on emerging research directions and challenges of future multi-sensor fusion generation. Finally, Section 7 concludes the paper.

2. Background

2.1. Body sensor networks

        Body Sensor Networks (BSNs) have emerged as a revolutionary technology in many application domains in health-care [7–21] fitness [22–26], smart cities [27–29], and many other compelling Internet of Things (IoT) applications [30–33]. In particular, BSNs have demonstrated great potential in health-care. These systems hold the promise to improve patient care/safety and result in significant cost savings [34–37]. According to the United Nations, if current health trends are not reversed, five common diseases, cancer, diabetes, heart disease, lung disease and mental health problems will cost, by 2030, the world $47 trillion each year [38,39].

         One of the most important interventions in managing these diseases is physical activity [40–52]. Consequently, the last decade has witnessed tremendous efforts in utilizing smart technologies such as BSNs for health monitoring and diagnosis through physical activity monitoring/assessment. Recent years have seen considerable research demonstrating the potential of BSNs in a variety of physical activity monitoring applications such as activity recognition [9– 11,15–17], activity level estimation [18], caloric expenditure calculation [19,20], joint angle estimation [21], activity-based prompting [53–58], medication adherence assessment [59,60], crowd sensing [61–66], social networking [67–70], and sports training [22–26].

        A wearable BSN is comprised of a number of wearable sensor nodes wirelessly capturing and collaboratively processing physiological signals on humans. BSNs, which gather data from bodyworn sensors, utilize computational algorithms including signal processing and machine learning techniques to extract useful information from the sensor data. Physiological sensors include accelerometers, gyroscopes, pressure sensors for body movements and applied forces, skin/chest electrodes (for electrocardiogram (ECG), electromyogram (EMG), galvanic skin response (GSR), and electrical impedance plethysmography (EIP)), (PPG) sensors, microphones (for voice, ambient, and heart sounds), scalp-placed electrodes for electroencephalogram (EEG). Generated raw and processed data are wireless transmitted; communication protocols depend on the radio chip of the hardware platform; the most popular standards are IEEE 802.15.4 [71], Bluetooth Low Energy [72], and ANT+ [73]. BSN nodes can be realized with different hardware architectures [74]; TelosB [75] was very common in early BSN research prototypes, while more recently Shimmer [76] has gained more popularity. It is also worth noting that in many studies, custom hardware is designed and prototyped. BSN nodes are programmable units that usually run lightweight operating systems atop which application software is implemented; among them, probably the most supported are TinyOS [77] and Contiki [78]. Some developers prefer to program the application code directly atop the basic development environment (operating system and/or software libraries) provided by the adopted node platform; however, the use of domain-specific programming middleware is recommended [2]. CodeBlue [79] represents the first embryonic middleware specifically tailored for BSN systems, while Titan [80] is a more general-purpose framework which has been successfully applied to the BSN domain. SPINE [1] is the first domainspecific programming framework for BSNs and its effectiveness has been widely proved [4]. More recently, with the advent of Cloud paradigm, BSN middlewares has evolved to support long-term monitoring, data storage and analysis, community management, and application services interaction (e.g. BodyCloud [81,82] and Cloud BAN e-Health [83]).

چکیده

1. مقدمه

2. پیش زمینه

2.1 شبکه های حسگر بدن

2.2 انگیزه ها برای تلفیق داده های چند سنسور درBSN ها

3. استراتژی های تلفیق سنسور در BSN ها

3.1 سطوح فیوژن

3.1.1 فیوژن سطح داده

3.1.2 فیوژن سطح ویژگی

3.1.3 فیوژن سطح تصمیم 

3.2 روش پردازش

4. تلفیق سنسور در تشخیص فعالیت

4.1 تلفیق سطح داده در تشخیص فعالیت

4.2 تلفیق سطح ویژگی در تشخیص فعالیت

4.3 تلفیق سطح تصمیم در شناخت فعالیت

5. تلفیق سنسور فراتر از تشخیص فعالیت

5.1 شناخت احساسات

5.2 سلامت عمومی

6. چالش های تحقیق آینده

6.1 BSNهای خودمختار

6.2 BSN های زمینه آگاه

6.3 BSN های همکار

6.4  BSN های با کمک ابر

7. نتیجه گیری

منابع

ABSTRACT

1. Introduction

2. Background

2.1. Body sensor networks

2.2. Motivations for multi-sensor data fusion on BSNs

3. Sensor fusion strategies in BSNs

3.1. Fusion levels

3.1.1. Data-level fusion

3.1.2. Feature-level fusion

3.1.3. Decision-level fusion

3.2. Processing approach

4. Sensor fusion in activity recognition

4.1. Data-level fusion in activity recognition

4.2. Feature-level fusion in activity recognition

4.3. Decision-level fusion in activity recognition

5. Sensor fusion beyond activity recognition

5.1. Emotion recognition

5.2. General-health

6. Future research challenges

6.1. Autonomic BSNs

6.2. Context-aware BSNs

6.3. Collaborative BSNs

6.4. Cloud-assisted body area networks

7. Conclusion

References