تعیین نرخ نمونه‌برداری به صورت وفقی در راستای بهینگی مصرف انرژی در شبکه های بدنی بی سیم

نوع مقاله: مقاله پژوهشی فارسی

نویسندگان

1 گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایران

2 ایمان عطارزاده، استادیار گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران.

3 - دانشگاه علوم پزشکی ایران، تهران، ایران - دانشکده علوم کامپیوتر، دانشگاه توسعه انسانی، سلیمانیه، عراق

چکیده

با توجه به اینکه بیوسنسورهای موجود در در شبکه‌های بی‌سیم بدنی که مسئول جمع‌آوری داده‌ها، انجام عملیات پیش‌پردازش و سپس ارسال آن‌ها به یک مرکز تلفیق داده می‌باشند دارای محدودیت مصرف انرژی و قابلیت پردازش داده‌ها می‌باشند لذا نرخ نمونه‌برداری دارای تأثیر مستقیم بر روی مصرف انرژی شبکه و نیز طول عمر مفید آن دارد. لذا این مقاله به ارائۀ یک رویکرد وفقی جهت تعیین نرخ نمونه‌برداری بهینه در راستای مدیریت داده‌ها می‌پردازد. در همین راستا با استفاده از سیستم ارزش‌گذاری هشدار اولیه ملی ، بیوسنسورها به جمع‌آوری داده‌های مربوطه پرداخته و به تشخیص اطلاعات اورژانسی به‌صورت محلی می‌پردازند. جهت بهینه‌سازی فعالیت گره‌ها، اطلاعات مربوط به فعالیت بیمار استخراج شده تا بر اساس آن در مواقعی که فعالیت بیمار به‌صورت عادی و غیر اضطراری می‌باشد تعدادی از گره‌ها از حالت فعال به حالت خواب انتقال یابند. همچنین جهت تعیین نرخ دقیق نمونه‌برداری، ابتدا یک آزمون آماری برای ارزیابی واریانس مربوط به علائم حیاتی بیمار توسعه داده شده و سپس با استفاده از یک تابع درون‌یابی مناسب، نرخ نمونه‌برداری بهینه تعیین می‌گردد. تابع درون‌یابی جهت تعیین نرخ نمونه‌برداری از دو فاکتور اصلی استفاده می‌نماید: اطلاعات مربوط به ریسک بیمار و مقادیر اندازه‌گیری شده توسط گرۀ محوری . نتایج شبیه‌سازی نشان‌دهندۀ حدود 66 درصد بهینه‌سازی در تعداد داده‌های ارسالی و افزایش طول عمر مفید شبکه به میزان بیش از 2.5 برابر می‌باشد.

کلیدواژه‌ها


   [1]      J. I. Bangash, A. H. Abdullah, M. H. Anisi, and A. W. Khan, “A survey of routing protocols in wireless body sensor networks,” Journal of Sensors, Vol. 14, No. 1, pp. 1322–1357, 2014.

   [2]      N. Bradai, L. C. Fourati, and L. Kamoun, “WBAN data scheduling and aggregation under WBAN/WLAN healthcare network,” Ad Hoc Networks, Vol. 25, pp. 251–262, 2015.

   [3]      A. Makhoul, D. Laiymani, H. Hareb, and J. Bahi, “An adaptive scheme for data collection and aggregation in periodic sensor networks”, International Journal of Sensor Networks, Vol. 18, No. 1/2, pp. 62–74, 2015.

   [4]      D. Laiymani and A. Makhoul, “Adaptive data collection approach for periodic sensor networks,” In 9th International Wireless Communications and Mobile Computing Conference (IWCMC), pp. 1448–1453, 2013.

   [5]      A. Makhoul, H. Harb, and D. Laiymani, “Residual energy-based adaptive data collection approach for periodic sensor networks,” Ad Hoc Networks., Vol. 35, pp. 149–160, 2015.

   [6]      I. Yoon, J. Min. Yi, S. Jeong and D. Kun Noh, “Adaptive sensing and compression rate selection scheme for energy-harvesting wireless sensor networks”, International Journal of Distributed Sensor Networks, Vol. 13(6), 2017.

   [7]      C. Lee and J. Lee, “Harvesting and Energy aware Adaptive Sampling Algorithm for guaranteeing self-sustainability in Wireless Sensor Networks”, International Conference on Information Networking (ICOIN), 2017.

   [8]      I. Scarabottolo, C. Alippi and M. Roveri, “A spectrum-based adaptive sampling algorithm for smart sensing”, IEEE 3rd International Conference on Smart World Congress, 2017.

   [9]      T. Lu, G. Liu, W. Li, S. Chang and W. Guo, “Distributed sampling rate allocation for data quality maximization in rechargeable sensor networks”, Journal of Network and Computer Applications, Vol. 80,  pp. 1–9, 2017.

[10]      F. Y. WuK. YangR. Duan and T. Tian, “Compressive Sampling and Reconstruction of Acoustic Signal in Underwater Wireless Sensor Networks”, IEEE Sensors Journal, Vol. 18, No. 14, pp. 5876 – 5884, 2018.

[11]      P. SunL. Wu,  Z. WangM. Xiao and Z. Wang, “Sparsest Random Sampling for Cluster-Based Compressive Data Gathering in Wireless Sensor NetworksIEEE Access,  Vol. 6, pp. 36383 – 36394, 2018.

[12]      S. Elghers, A. Makhoul, and D. Laiymani, “Local emergency detection approach for saving energy in wireless body sensor networks,” International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob), pp. 585–591, 2014.

[13]      H. Carol, M. Abdallah, D. Rony and S. Christian, "Self-Adaptive Data Collection and Fusion for Health Monitoring Based on Body Sensor Networks," IEEE Transaction On Industrial Informatics Journal, Vol. 12, No. 6, 2016.

[14]      N. Bradai, L. C. Fourati and L. Kamoun, "WBAN, data scheduling and aggregation under wban/wlan healthcare network", Journal of Ad Hoc Networks, Vol. 25, pp. 251 – 262, 2015.

[15]      D. Laiymani and A. Makhoul, "Adaptive data collection approach for periodic sensor networks", In 9th International Wireless Communications and Mobile Computing Conference, pp. 1448–1453, 2013.

[16]      J. Marco C. Silva, K. Araujo Bispo, P. Carvalho and S. Rito Lima, “LiteSense: An Adaptive Sensing Scheme for WSNs”, IEEE Symposium on Computers and Communications (ISCC), 2017.

[17]      Y. Zeng and  K. Xiang, “Adaptive Sampling for Urban Air Quality through Participatory Sensing”, Journal of Sensors, Vol. 17, 2017.

[18]      Y. Fathy, P. Barnaghi and R. Tafazolli, “An Adaptive Method for Data Reduction in the Internet of Things”, IEEE 4th World Forum on Internet of Things, 2018.

[19]      J. Bangash, A. Abdullah, A. Khan, M. Abdur Razzaque and R. Yusof, "Critical data routing (cdr) for intra wireless body sensor networks," Journal of Telecommunication Computing Electronics and Control, Vol. 13, pp. 181–192, 2015.

[20]      L. Chen, C. D. Nugent and H. Wang, "A knowledge-driven approach to activity recognition in smart homes," IEEE Transactions on Knowledge and Data Engineering, Vol. 24, No. 6, pp. 961 – 974, 2012.

[21]      J. Y. Chang and P. H. Ju, "An energy-saving routing architecture with a uniform clustering algorithm for wireless body sensor networks", Future Generation Computer Systems, Vol. 35, pp. 128-140, 2013.

[22]      C. Alippi, G. Anastasi, M. D. Francesco and M. Roveri, "An adaptive sampling algorithm for effective energy management in wireless sensor networks with energy-hungry sensors," IEEE Transactions on Instrumentation and Measurement, Vol. 59, No. 2, pp. 335–344, 2010.

[23]      M. Shoaib, S. Bosch, O. D. Incel, H. Scholten and P. J. M. Havinga, "Fusion of smartphone motion sensors for physical activity recognition", Journal of Sensors, pp. 134 – 139, 2014.

[24]      X. Qi, M. Keally, G. Zhou, Y. Li and Z. Ren, “AdaSense: Adapting Sampling Rates for Activity Recognition in Body Sensor Networks”, In 19th Real-Time and Embedded Technology and Applications Symposium (RTAS), IEEE, 2013. 

[25]      National Early Warning Score (NEWS), Royal College
of Physicians, London, U.K., Available online: http://www.rcplondon.ac.uk/resources/national-early-warning-score-news, May 2017.