اندازه گیری داده ها در سیستم های اطلاعات تحقیقات: معیارهایی برای ارزیابی کیفیت داده ها

Data measurement in research information systems: metrics for the evaluation of data quality

چکیده

مقدمه

سیستم های اطلاعات تحقیقات (RIS)

سیستم های شناسایی ساده

اندازه گیری کیفیت داده های RIS

اندازه گیری تکمیل بودن اطلاعات

اندازه گیری تناسب زمانی

اندازه گیری صحت داده ها

اندازه گیری تطابق

مباحث

جمع بندی و دورنما

چکیده

در سال های اخیر، سیستم های اطلاعات تحقیقات (RIS) تبدیل به یکی از مهم ترین بخش های حوزه های IT در دانشگاه ها شده اند. در همین زمان، بسیاری از دانشگاه ها و موسسه های تحقیقاتی هنوز در حال کار بر روی اجرای این سیستم های اطلاعاتی می باشند. سیستم های اطلاعات تحقیقاتی از نهادهای مختلف برای اندازه گیری، مستند سازی، ارزیابی و ایجاد ارتباط بین فعالیت های تحقیقاتی، پشتیبانی می کند. اجرای این سیستم های یکپارچه نیازمند این است که نهاد های مختلف، کیفیت اطلاعات در فعالیت های تحقیقاتی که وارد این سیستم ها می شود را تضمین کنند. به دلیل این که بسیاری از اطلاعات و منابع داده ها به یکدیگر مرتبط می باشند، این منابع داده های مختلف می توانند بر روی کیفیت داده ها در سیستم های اطلاعات تحقیقات تاثیر منفی ایجاد کنند. به دلیل این که این موضوع در حال حاضر مد نظر بسیاری از نهاد ها می باشد، هدف این مقاله نخست بررسی این موضوع است که کیفیت داده ها را در زمینه ی RIS چگونه می توان اندازه گیری کرد، و سپس می خواهیم توضیح دهیم که چگونه ابعاد مختلف از کیفیت داده ها که در مقالات مختلف توصیف شده اند را می توان در سیستم های اطلاعات تحقیقات، اندازه گیری کرد. در نهایت، یک قالب کاری به عنوان جریان روند مبتنی بر شیوه ی کاری دانشگاه UML ارائه می شود که می توان از آن برای نظارت و بهبود کیفیت این داده ها، استفاده کرد ؛ این قالب کاری می تواند مورد استفاده افراد فنی در دانشگاه ها و نهاد های تحقیقاتی، قرار بگیرد.

جمع بندی و دورنما

این مقاله ، این موضوع را بررسی کرد که چگونه می توان کیفیت داده ها در RIS را اندازه گیری کرد. هدف ما در این مقاله ارائه کردن معیار های گزینش شده برای ابعاد کیفیت اطلاعات از نظر تمامیت، صحت، تناسب زمانی و پایداری ، مطابق بر مقالات موجود بود. این کار ما را قادر می سازد تا یک اندازه گیری هدفمند، موثر و تا حد زیادی خودکار را در سیستم های اطلاعات تحقیقات از نظر کیفیت داده ها انجام دهیم. چهار معیار انتخاب شده به گونه ای هستند که به سادگی می توان آن ها را اندازه گیری کرد. به علاوه ، این معیار ها، می توانند اطلاعات مفیدی را در اختیار کاربر های RIS قرار دهند و در نتیجه یک مبنای بهبود یافته برای تصمیم گیری ایجاد می کنند. نتایج اندازه گیری های این معیار ها ، نشان داد که این معیار ها از نظر تئوری در هر RIS قابل اندازه گیری می باشند و ازین رو کیفیت بالایی از داده ها در اختیار دانشگاه ها و موسسه ها از طریق این سیستم های اطلاعات تحقیقاتی قرار می گیرد. از این منظر، تایید کیفیت داده ها باید دقیقا بر اساس زمینه ی داده ها انجام شود. مفهومی که در این قسمت ارائه شد، یک روش مناسب و یک قالب کاری خوب برای اندازه گیری کیفیت داده ها در RIS فراهم می کند. روشی که در این قسمت ارائه شد و قالب کاری مربوط به آن را می توان به عنوان مبنایی برای ارزیابی و بهبود کیفیت داده ها در RIS ها ایجاد کرد تا کاربرد بیشتری برای موسسه های مختلف داشته باشند

Abstract

In recent years, research information systems (RIS) have become an integral part of the university’s IT landscape. At the same time, many universities and research institutions are still working on the implementation of such information systems. Research information systems support institutions in the measurement, documentation, evaluation and communication of research activities. Implementing such integrative systems requires that institutions assure the quality of the information on research activities entered into them. Since many information and data sources are interwoven, these different data sources can have a negative impact on data quality in different research information systems. Because the topic is currently of interest to many institutions, the aim of the present paper is firstly to consider how data quality can be investigated in the context of RIS, and then to explain how various dimensions of data quality described in the literature can be measured in research information systems. Finally, a framework as a process flow according to UML activity diagram notation is developed for monitoring and improvement of the quality of these data; this framework can be implemented by technical personnel in universities and research institutions.

Conclusion and outlook

This paper took up the question of how data quality in RIS can be measured. The aim was to present the selected metrics for the data quality dimensions of completeness, correctness, timeliness and consistency as found in the literature. These enable an objective, effective and largely automated measurement within the research information system. The four selected metrics have proven to be respectably easy to measure. In addition, these represent a particularly representative illustration of the reporting for the RIS users and lead to an improved basis for decision-making. The results of the measurements of the metrics have shown that measurements are theoretically possible with every RIS, and that a high data quality is available to universities and research institutions, e.g. research information systems. In this respect, the verification of the data quality must always be carried out with specific reference to its context. The concept which was introduced here provides a suitable approach and a framework to measure data quality in any RIS. The approach shown here and the framework can be used as a basis for the examination and improvement of the data quality in an RIS in institutions making use of such.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

اندازه گیری داده ها در سیستم های اطلاعات تحقیقات: معیارهایی برای ارزیابی کیفیت داده ها

Data measurement in research information systems: metrics for the evaluation of data quality

سیستم بلاک چین مراقبت های بهداشتی به وسیله قرارداد هوشمند برای نظارت خودکار از راه دور بیمار

Healthcare Blockchain System Using Smart Contracts for Secure Automated Remote Patient Monitoring

چکیده

معرفی

کارهای مرتبط

طراحی سیستم

پیاده سازی

تجزیه و تحلیل های سیستم

مقایسه با سیستم های سنتی

آنالیزهای امنیتی

محدودیت ها

نتیجه گیری و کار آتی

چکیده

در حالیکه، ابزارهای اینترنت اشیاء (Internet of Things) (IoT) و دیگر سیستم های نظارت بر بیمار از راه دور، محبوبیت بیشتری می یابد، نگرانی های امنیتی درباره انتقال و ثبت شدن تراکنش داده ها، افزایش می یابد. در جهت بکار بردن اطلاعات بهداشتی(مربوط به سلامتی) حفاظت شده (PHI)، تولید شده توسط این ابزارها، ما به کار بردن قراردادهای هوشمند برپایه ی زنجیره ی بلوکی (blockchain-based smart contracts)، را برای تسهیل تحلیل های ایمن و مدیریت حسگرهای پزشکی، پیشنهاد می دهیم. ما با استفاده از یک زنجیره ی بلوکی بر پایه ی پروتکل اتیریم اختصاصی (blockchain based on the Ethereum protocol)، یک سیستم که در آن حسگرها با یک ابزار هوشمند که قراردادهای هوشمند نام دارد، و تمام گزراش های (رکوردها) اتفاقات را بر یک زنجیره ی بلوکی می نویسد، ساختیم. این سیستم قرارداد هوشمند، نظارت و مداخلات پزشکی به موقع بیمار را، در حینی که یک گزارش ایمن را از اینکه چه کسی این فعالیت ها را آغاز کرده است حفظ می کند، با فرستادن اخطار به بیماران و متخصصان پزشکی، تقویت می کند. این سیستم می تواند بسیاری آسیب پذیری های امنیتی همراه با نظارت از راه دور بیمار و خودکار کردن انتقال اخطارها به همه ی بخش های درگیر را، در یک روش سازگار با HIPAA (قانون قابلیت انتقال و مسئولیت بیمه سلامت)، برطرف کند.

نتیجه گیری و کار آتی

درجهت مشخص کردن نگرانی های امنیتی درباره ی انتقال و ورود تراکنش های داده ها در یک سیستم مراقبت های پزشکی IoT، ما برای اجرای آنالیز و ورود تراکنش های ابرداده به موقع(بی درنگ)، برای حسگرهای پزشکی در یک WBAN، به کارگیری قراردادهای هوشمند برپایه ی زنجیره ی بلوکی را، پیشنهاد می دهیم. سیستم ما یک زنجیره بلوکی مدیریت شده به صورت مشارکتی مجاز، را برای اجرای (execute) قراردادهای هوشمند که اطلاعات جمع آوری شده توسط ابزار مراقبت پزشکی IoT یک بیمار برپایه ی مقادیر آستانه ای مختص به هر شخص(سفارشی)، را ارزیابی می کنند، به کار می گیرد. قراردادهای هوشمند، به همان خوبی که جزئیات مربوط به تراکنش روی زنجیره بلوکی را برای تأیید EHRs، ثبت می کند در صورت نیاز، هشدارها برای بیمار و ارائه دهندگان مراقبت های پزشکی فعال می کند. به عنوان اثبات مفهوم، ما قراردادهای هوشمند را، به زبان Solidity رمزنگاری(کدنویسی) کردیم، تا جریان داده ها در سیستم را به نمایش بکشیم.

Abstract

As Internet of Things (IoT) devices and other remote patient monitoring systems increase in popularity, security concerns about the transfer and logging of data transactions arise. In order to handle the protected health information (PHI) generated by these devices, we propose utilizing blockchain-based smart contracts to facilitate secure analysis and management of medical sensors. Using a private blockchain based on the Ethereum protocol, we created a system where the sensors communicate with a smart device that calls smart contracts and writes records of all events on the blockchain. This smart contract system would support real-time patient monitoring and medical interventions by sending notifications to patients and medical professionals, while also maintaining a secure record of who has initiated these activities. This would resolve many security vulnerabilities associated with remote patient monitoring and automate the delivery of notifications to all involved parties in a HIPAA compliant manner.

Conclusion and future work

In order to address security concerns about the transfer and logging of data transactions in an IoT healthcare system, we proposed utilizing blockchain-based smart contracts to perform real-time analysis and log transaction metadata for medical sensors in a WBAN. Our system would utilize a permissioned, consortium-managed blockchain to execute smart contracts that would evaluate information collected by a patient’s IoT healthcare devices based on customized threshold values. The smart contracts would trigger alerts for the patient and healthcare providers as appropriate, as well as recording details about the transaction on the blockchain for verification of EHRs. As a proof-of-concept, we coded smart contracts in Solidity to demonstrate the flow of data in the system.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

سیستم بلاک چین مراقبت های بهداشتی به وسیله قرارداد هوشمند برای نظارت خودکار از راه دور بیمار

Healthcare Blockchain System Using Smart Contracts for Secure Automated Remote Patient Monitoring

سیستم نظارت بیماری قلبی بر اساس اینترنت اشیا برای سرویس مراقبت از سلامت فراگیر

The IoT-based heart disease monitoring system for pervasive healthcare service

چکیده

1. مقدمه

2. کارهای مرتبط

3. سیستم مانیتورینگ بیماریهای قلبی مبتنی بر IoT برای سرویس مراقبت سلامت فراگیر

1. 3 معماری سیستم

2. 3. بخش اکتساب داده ها

3. 3 بخش اکتساب داده ها

4. چهار مد عملیاتی برای سیستم مانیتورینگ

5. پیاده سازی نمونه اولیه

6. نتایج

چکیده

در چین، اکثر حملات قلبی به مرگ منتج می شوند، قبل از اینکه بیماران تحت درمان قرار بگیرند. از آنجایی که مد و شیوه مراقبت سلامت سنتی، انفعالی است، در نتیجه بیماران خود سرویس های مراقبت از سلامت را فرامی خوانند. متعاقباً، اگر از زمان حملات بیماریهای قلبی آگاه نباشند، نمی توانند این سرویس را فرابخوانند. تکنیک های اینترنت اشیاء (IoT) در حل مسئله مراقبت از بیماران بیماریهای قلبی از برتری قدرتمندی برخوردار هستند، چرا که می توانند مد سرویس دهی را به شیوه ای فراگیر تغییر داده و سرویس مراقبت از سلامت را بر مبنای وضعیت فیزیکی بیماران نه احساسات آنها، اجرا نمایند. برای تحقق سرویس مراقبت سلامت فراگیر، سیستم مانیتورینگ راه دور (ریموت) لازم و ضروری است. در این مقاله، سیستم مانیتورینگ فراگیری را پیشنهاد کردیم که قادر به ارسال آنی و بلادرنگ علائم و نشانه های فیزیکی بیماران برای اپلیکیشن های پزشکی راه دور است. این سیستم عمدتاً از دو بخش تشکیل می شود: بخش اکتساب داده ها و بخش ارسال و انتقال داده ها. طرح مانیتورینگ ( پارامتریهای مانیتورینگ و فرکانس هر پارامتر) نقطه کلیدی بخش اکتساب داده ها به حساب می آید، و آن را برمبنای مصاحبه ها با متخصصین پزشکی، طراحی کردیم. علائم و نشانه های فیزیکی متعدد ( فشار خون، ECG، SpO2، ضربان قلب، نرخ پالس، چربی خون و گلوکز خون) و همچنین یک شاخص یا نشانگر محیطی ( مکان و موقعیت بیماران)، دائماً در نرخ های مختلف، نمونه برداری شدند. چهار مد ارسال و انتقال داده ها با درنظر گرفتن ریسک بیماران، نیازهای تحلیل پزشکی، تقاضای منابع محاسباتی و ارتباطی، مطرح شده است. بالاخره، برای ارائه یک نمای کلی از سیستم، نمونه اولیه پیاده می شود.

6. نتایج

در این مقاله، یک سیستم مانیتورینگ بیماریهای قلبی مبتنی بر IoT برای سرویس مراقبت سلامت فراگیر پیشنهاد کردیم. این سیستم، علائم فیزیکی بیماران نظیر فشار خون، ECG، SpO2 و همچنین شاخص های محیطی مرتبط را دائماً مانیتور نموده و چهار مد ارسال داده متفاوت عرضه می نماید که بین نیاز به مراقبت سلامت و تقاضای منابع ارتباطی و محاسباتی تعادل برقرار می نمایند. ضمناً برای ارائه یک نمای کلی از سیستم، یک نمونه اولیه نیز پیاده نمودیم. در آینده نزدیک، قصد داریم تکنولوژیهای سیستم مدیریت جریان داده ها (DSMS) را با سیستم ادغام نماییم تا بدین طریق بتوانیم وظایفش، نظیر پرس و جوی پیوسته، پنجره سازی، تجمیع و غیره را غنی سازی نماییم. سپس، این گونه نیز تصور می شود که تکنولوژیهای آگاهی از زمینه و جریان داده کاوی سرویس های مراقبت سلامت فراگیر قدرتمندتری مثل اخطار زودهنگام و پشتیبانی بلادرنگ از دانش برای مشتریان عرضه می نمایند.

Abstract

In China, most of heart attack results in death before the patients get any treatment. Because the traditional healthcare mode is passive, by which patients call the healthcare service by themselves. Consequently, they usually fail to call the service if they are unconscious when the heart disease attacks. The Internet of Things (IoT) techniques have overwhelming superiority in solving the problem of heart diseases patients care as they can change the service mode into a pervasive way, and trigger the healthcare service based on patients’ physical status rather than their feelings. In order to realize the pervasive healthcare service, a remote monitoring system is essential. In this paper, we proposed a pervasive monitoring system that can send patients’ physical signs to remote medical applications in real time. The system is mainly composed of two parts: the data acquisition part and the data transmission part. The monitoring scheme (monitoring parameters and frequency for each parameter) is the key point of the data acquisition part, and we designed it based on interviews to medical experts. Multiple physical signs (blood pressure, ECG, SpO2, heart rate, pulse rate, blood fat and blood glucose) as well as an environmental indicator (patients’ location) are designed to be sampled at different rates continuously. Four data transmission modes are presented taking patients’ risk, medical analysis needs, demands for communication and computing resources into consideration. Finally, a sample prototype is implemented to present an overview of the system.

6. Conclusions

In this paper, we proposed an IoT-based heart disease monitoring system for pervasive healthcare service. This system monitors the patients’ physical signs such as blood pressure, ECG, SpO2, as well as relevant environmental indicators continuously, and provides four different data transmission modes that balance the healthcare need and demand for communication and computing resources. We also implemented a prototype to present an overview of the system. In near future, we plan to integrate the Data Stream Management System (DSMS) technologies into the system to enrich its functions, such as continuous query, windowing, aggregation and so on. Afterwards, data stream mining and context awareness technologies are also considered to provide more powerful pervasive healthcare services like early warning and real-time knowledge support to patients.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

سیستم نظارت بیماری قلبی بر اساس اینترنت اشیا برای سرویس مراقبت از سلامت فراگیر

The IoT-based heart disease monitoring system for pervasive healthcare service

روشهای مدلسازی و مانیتورینگ برای داده های فضایی و تصویری

Modeling and monitoring methods for spatial and image data

چکیده
مقدمه
مدلسازی و مانیتورینگ کیفیت محصول:ترکیب شکل های سطحی و داده های چندسنجشگری
مدلسازی و مانیتورینگ شکل محصول: چالشهای اصلی و راه حلهای ممکن
ترکیب داده های چندسنجشگری
رهنمودهای آتی در مدلسازی داده های محصول
مدلسازی و مانیتورینگ سیگنال پروسه و داده های تصویری: چالشهای اصلی و راه حل ممکن
سنجش in situ از طریق تحلیل داده های ویدئویی-تصویری در ساخت افزوده
نتیجه گیری ها

چکیده
تحلیل کامپیوتری داده ها به روش سنجش هوشمند باعث تغییر پارادایم در آمار صنعت شده است که در بخش تولید گسسته بکار می رود. فناوریهای نوظهوری (مانند تولید افزوده، تولید در سطح خرد) همراه با راه حل های بازرسی نوین (مانند سیستم های غیرتماسی، توموگرافی کامپیوتری اشعه ایکس) و سنجشگرها با سرعت بالا و چندرشته ای (مانند ویدئوها و تصاویر، سیگنالهای آکوستیک، حرارتی، برق و فشار) برای نسل جدید داده های کلان صنعت راه را هموار کرده اند که به روشهای مدلسازی و مانیتورینگ نوینی برای تولید با نقص سطح صفر می باشد. در این مقاله که از مسائل صنعتی واقعی شروع به بحث می کند، برخی چالشهای اصلی که بخشهای صنعت مربوطه با آن مواجه اند مورد بحث قرار می گیرد. در این مقاله بویژه راه حل های پایدار و مسائل مطرح آتی توضیح داده می شوند.

1- مقدمه
هوشمندی و قابلیت دسترسی به کلان داده ها بنا به اتفاق نظری گسترده به محرک های فناوری انقلاب صنعتی چهارم یعنی Industry 4.0 تبدیل شده اند. همانند کلیه انقلابهای صنعتی قبلی، محرک چهارمین انقلاب صنعتی همان نوآوری های فناوری بوده است. نیروهای محرک انقلاب صنعتی اول همان تولید مکانیکی با قدرت آب و بخار بودند، الکتریسیته و خطوط مونتاژ انقلاب صنعتی دوم را بوجود آوردند، و ورود کامپیوترها برای اهداف اتوماسیون باعث تسهیل پیدایش انقلاب صنعتی سوم گردید. پیشرفتهای بینظیر درباره حجم داده ها، قدرت محاسباتی با کامپیوتر و ارتباطات کامپیوتری، شکل های جدیدی از تعاملات انسان با ماشین از طریق واقعیت افزوده، و پیشرفتهای نوظهور در زمینه علوم روباتیک و چاپ سه بعدی باعث هموارسازی راهی به سوی نسل جدیدتولید دیجیتالی در انقلاب صنعتی چهارم شده است(Brettel, et al, 2014; Baur and Wee, 2015).
انقلاب صنعتی چهارم دربرگیرنده پیشرفتهای فناوری متفاوت گوناگونی می باشد (Rüßmann et al., 2015، شکل 2)، که به رویکردهای نوینی برای تحلیل داده ها نیازمند است (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015). درکل، افزایش حجم داده ها، تنوع و سرعت آنها (یعنی چارچوب کلان داده ها) دربرگیرنده چالشهای متعددی برای آماردانان صنعت و مهندسان کیفیت می باشد (Steinberg, 2016; Megahed and Jones-Farmer , 2015; Jones-Farmer, Ezell and Hazen, 2014). برای مثال، سیستم های سایبرفیزیکی اتصالی بالا (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015) مبین رشته های متعدد داده های واقعی و مجازی می باشند که باید به طور مناسبی با هم ترکیب شده و تحلیل بشوند. اینترنت سایبر-امنیتی و صنعتی برای کارها (Wells et al. 2014, Turner et al., 2015) نیازمند شیوه های جدید مانیتورینگ ابر داده ها و بهینه سازی آنهاست (Aceto et al., 2015). سنجش فراگیر پروسه ها و عملگرهای صنعت (برای طراحی صفحه کاربری های مشترک انسان-ماشین) به حجم عظیمی از داده های تصویری و سیگنال منجر می شود که باید به نحو مناسبی تحت بررسی قرار گیرد.
بحث درباره کلیه تاثیرات انقلاب صنعتی چهارم درباره مدلسازی داده های صنعت، مانیتورینگ و کنترل آنها خارج از بحث این مقاله است. در این مقاله، چالشها و فرصتهای مربوط به مدلسازی و مانیتورینگ داده های کیفیت در محصولات مکانیکی با ارزش افزوده بالا مورد توجه قرار می گیرد. ازا ینرو، بخشهای صنعت مانند هوافضا، خودروسازی، ابزارسازی، و تولید ابزارهای ماشین آلات به طور تخصصی درنظر گرفته می شوند. بعلاوه، به مرحله تولید در زمان عمر این محصولات بطور تخصصی توجه می شود.
در سرتاسر مقاله، مسائل صنعت واقعی به عنوان نمونه های انگیزشی به طور تخصصی مطرح می گردد. همچنین، توجه ویژه ای به برخی پروسه های جدید تولید (چاپ سه بعدی یا تولید افزوده –AM) و راه حل های جدید مترولوژی حجمی و ابعادی (یعنی سنجشگرهای مترولوژی غیرتماسی، ویدئوهای با سرعت بالا، توموگرافی کامپیوتری اشعه ایکس-CT) مبذول خواهد شد.
برای ساده سازی مطالب، این بحث را در دو بخش اصلی سازماندهی می کنیم. اولین بخش متمرکز بر خصوصیات کیفیت راجع به محصولات است درحالیکه دومین بخش راجع به داده های پروسه است. به طور خلاصه، ما درباره شیوه های مدلسازی و مانیتورینگ محصول و داده های کیفیت پروسه به طور جداگانه بحث خواهیم کرد. تفکیک مطالب به این شکل حالت ساختگی دارد چون معمولا از دست اندرکاران صنعت خواسته می شود که در آن واحد با رشته داده های محصول و نیز پروسه مواجه شوند و این دو منبع اطلاعاتی را بهم متصل کنند تا بتوانند اقدامات مناسبی را برای پیشبرد پروسه به سمت تولید با نقص سطح صفر تعیین نمایند.
این دو بخش با ساختار مشابهی سازماندهی شده است. اول از همه، زمینه صنعت و برخی مثالهای انگیزشی مطرح می شود. بعد از آن، راه حل های موجود برای مدلسازی و مانیتورینگ داده ها به طور مختصری توضیح داده می شود. سرانجام، رهنمودهایی برای تحقیقات آتی در قسمت نتیجه گیری ارائه خواهد شد.

Abstract

Intelligent sensing and computerized data analysis are inducing a paradigm shift in industrial statistics applied to discrete part manufacturing. Emerging technologies (e.g., additive manufacturing, micro-manufacturing) combined with new inspection solutions (e.g., non-contact systems, X-ray computer tomography) and fast multistream high-speed sensors (e.g., videos and images; acoustic, thermic, power and pressure signals) are paving the way for a new generation of industrial big-data requiring novel modeling and monitoring approaches for zero-defect manufacturing. Starting from real industrial problems, some of the main challenges to be faced in relevant industrial sectors are discussed. Viable solutions and future open issues are specifically outlined.

1- Introduction

There is a widespread consensus that smartness and big data availability are technological drivers of the fourth industrial revolution, i.e., Industry 4.0. As in all previous revolutions, the fourth is driven by technological innovations. Water- and steam-powered mechanical manufacturing were driving forces for Industry 1.0; electricity and assembly lines drove Industry 2.0; and the introduction of computers for automation purposes catalyzed Industry 3.0. Unrivaled advances in data volumes, computational power and connectivity; new forms of human-machine interactions via augmented reality; and emerging advance in robotics and 3D printing are paving the way to the new generation of digital production in Industry 4.0. (Brettel, et al, 2014; Baur and Wee, 2015).

Industry 4.0 involves many different technological advances (Rüßmann et al., 2015, Figure 2), which require novel approaches for data analysis (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015). Overall, the increase of data volume, variety and velocity (i.e., the ―big data‖ framework) poses several challenges for industrial statisticians and quality engineers (Steinberg, 2016; Megahed and Jones-Farmer , 2015; Jones-Farmer, Ezell and Hazen, 2014). For example, the highly interconnected cyber-physical systems (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015) imply multiple streams of real and virtual data that have to be appropriately fused and analyzed. Cyber-security and industrial internet of things (Wells et al. 2014, Turner et al., 2015) ask for new approaches for data cloud monitoring and optimization (Aceto et al., 2015). Pervasive sensing of industrial processes and operators (to design machine-human interfaces) causes a huge amount of image and signal data that have to be appropriately studied.

Discussing all the effects of Industry 4.0 on industrial data modeling, monitoring and control is out of this paper scope. In this paper, the attention will be limited to challenges and opportunities in modeling and monitoring quality data of high-value-added mechanical products. Therefore, industrial sectors as the aerospace, automotive, tooling and machine-tools production will be specifically targeted. Furthermore, attention will be specifically devoted to the manufacturing stage of these products’ lifetime.

Throughout the paper, real industrial problems will be specifically introduced as motivating examples. Special attention will be devoted to some emerging manufacturing processes (3D printing or additive manufacturing – AM) and new dimensional and volumetric metrology solutions (i.e., non-contact metrology sensors, high-speed videos, X-ray computer tomography – CT).

For the sake of simplicity, the discussion will be organized in two main sections. The first will focus on quality features concerning products, while the second section will concern process data. In short, we will discuss approaches for modeling and monitoring product and process quality data, separately. This distinction is clearly artificial, as industrial practitioners are usually asked to face both the product and process data streams at the same time and link these two sources of information to define appropriate actions to drive the process toward zero-defect manufacturing.

The two sections will be organized following a similar structure. The industrial background and some motivating examples will be firstly introduced. Then, existing solutions for data modeling and monitoring will be briefly described. Eventually, directions for future research will be presented in the conclusions..

روشهای مدلسازی و مانیتورینگ برای داده های فضایی و تصویری

Modeling and monitoring methods for spatial and image data

آشکارسازی حملات ناگهانی صرعی در مانیتورینگ تک کاناله طولانی مدت سیگنال الکتروانسفالوگرافی در بیماران مبتلا به حملات تشنجی غایب

Detection of Paroxysms in Long-Term, Single Channel EEG-Monitoring of Patients with Typical Absence Seizures

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص پاروکسیسم در طولانی مدت EEG، مانیتورینگ الکترونی تک کانال در بیماران مبتلا به تشنجهای غیر معمول

Detection of Paroxysms in Long-Term, Single Channel EEG-Monitoring of Patients with Typical Absence Seizures

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

ایمنی و حفظ حریم خصوصی – نگرانی بزرگ در داده های بزرگ: مورد مطالعاتی درباره سیستم مانیتورینگ

Security and Privacy – A Big Concern in Big Data A Case Study on Tracking and Monitoring System

چکیده

1- مقدمه

2- مشکل کجاست؟

3- چالش های مهم هنگامی که با امنیت همراه می شود

A- چالش های امنیت داده بزرگ در کاربردهای ردیابی و نظارت

B- برخی از جدیدترین چالش های مشاهده شده در داده بزرگ در کاربردهای ردیابی و نظارت بر سازمان

4- نحوه اطمینان از امنیت و حریم خصوصی

5- نتیجه گیری

منابع

چکیده

با کاربرد روز افزون سیستم ردیابی و نظارت بر کارمندان، داده های مربوط به مدیریت سازکان به طور عظیمی در حال افزایش است و در نتیجه نیاز به ردیابی و نظارت فعالانه هم وجود دارد. علاوه بر این، موج جدیدی از دیجیتالی کردن سوابق شاهد تغییر الگو در صنعت شرکتی بوده است. به عنوان یک نتیجه، صنعت شرکتی شاهد افزایش حجم خالص داده ها براساس پیچیدگی، تنوع و به موقع بودن است. با توجه به این که متخصصان شرکتی در جستجوی راه های ممکن برای مدیریت صحیح و ردیابی کارکنان و در عین حال بهبود فرآیند نظارت هستند، ردیابی و مدیریت داده های بزرگ به عنوان یک راهکار محتمل به همراه تعهد برای انتقال به صنعت شرکتی پدیدار می شود. این تغییر الگو از داده های غیر فعال کارکنان به فعالانه می تواند منجر به کاهش کلی خطر هزینه ها و سوء مدیریت کارها توسط کارمندان شود که در نهایت می تواند منجر به رشد شرکت شود. در حالی که صنعت شرکت توان داده بزرگ را مهار می کند، مسائل مربوط به امنیت و حریم خصوصی در نقطه تمرکز قرار دارند چرا که رشد تهدیدات و آسیب پذیری ها به طور مداوم افزایش می یابد. در این مقاله وضعیت مسائل امنیت و حریم خصوصی در داده های بزرگ که به ردیابی کارکنان و مدیریت ناوگان شرکت اعمال شده است مورد بررسی قرار می گیرد.

5- نتیجه گیری

با توجه به این که داده های بزرگ روند ردیابی و نظارت را تغییر می دهند، امنیت و حریم خصوصی کارکنان در راه اندازی چنین فناوری هایی از اهمیت زیادی برخوردار است. از آنجایی که ردیابی و نظارت بر ابرهای ذخیره سازی داده به همراه داده بزرگ اهمیت دارد، شرکت هاستینگ (میزبانی) در به اشتراک گذاری داده های ردیابی و نظارت شده با سازمان ها به منظور پردازش و ارزیابی متمرکز و ارزیابی ناوگان و کارمندان مطابق با قابلیت کاری آن ها مقاومت می کنند. مدیریت امن کارمندان ردیابی شده و داده های نظارت شده اجتناب ناپذیر است چرا که ابرها میزان بزرگی از داده ها را از شبکه های مجزا جمع آوری و پیوند می دهند. علاوه بر این، تحلیل های لحظه ای حفظ امنیت و حریم خصوصی سبب توسعه نظارت و ردیابی پیشگیرانه می شود. در این مقاله برخی از مسائل امنیتی و حریم خصوصی در داده های بزرگ مورد بررسی قرار گرفت که نیازمند پیشرفت های تکنولوژیکی در قابلیت های رایانشی، ذخیره سازی و ارتباطی به منظور تطبیق با رشد تقاضا برای امن سازی داده های ردیابی و نظارت شده کارکنان یا کاربران مختلفی است که قرار است به طور مستمر مورد ردیابی و نظارت قرار بگیرند [2].

Abstract

With the ever-increasing usage of Employee Tracking and Monitoring System data for fleet management is increasing enormously there is a need for proactive Tracking and Monitoring. In addition, the new wave of digitizing Fleet records has seen a paradigm shift in the corporate industry. As a result, the corporate industry is witnessing an increase in sheer volume of data in terms of complexity, diversity and timeliness. As corporate experts look for every possible way to properly manage and track Employee while improving Monitoring process, Tracking and management, big data emerges as a plausible solution with the promise to transform the corporate industry. This paradigm shift from reactive to proactive employee data can result in an overall decrease in risk costs and mismanagement of tasks by employee which would eventually lead to Company’s growth. While the Corporate industry harnesses the power of big data, security and privacy issues are at the focal point as emerging threats and vulnerabilities continue to grow. In this paper, we present the state-ofthe-art security and privacy issues in big data as applied to Employee Tracking and Corporate Fleet Management.

V- CONCLUSION

As big data transforms tracking and monitoring, security and employee privacy is paramount in driving such technologies. As tracking and monitoring data storage clouds with big data become prominent, hosting companies will be more reluctant to share massive tracked and monitored data with the organization for centralized processing and evaluating the fleet and employees according their working capability. Secure employee tracked and monitored data management is inevitable as the clouds aggregate and link large amounts of data from disparate networks. Additionally, secure and privacy preserving real-time analytics will propel proactive tracking and monitoring. In this paper, we review some of the security and privacy issues in Big Data a need for technological breakthroughs in computational, storage and communication capabilities to meet the growing demand of securing tracked and monitored data of the employees or different users who are being tracked and monitored continuously [2].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ایمنی و حفظ حریم خصوصی – نگرانی بزرگ در داده های بزرگ: مورد مطالعاتی درباره سیستم مانیتورینگ

Security and Privacy – A Big Concern in Big Data A Case Study on Tracking and Monitoring System

 سیستم مانیتورینگ بیمار بر اساس اینترنت اشیا

 Patient Monitoring System Based on Internet of Things

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

معماری سیستم های کامپیوتری، شبکه های کامپیوتری، سامانه های شبکه ای، اینترنت و شبکه های گسترده، دیتا و امنیت شبکه

هفتمین کنفرانس بین المللی سیستم های محیطی، شبکه ها و فن آوری ها

The 7thInternational Conference on AmbientSystems, Networks and Technologies

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

سیستم نظارت بر بیمار مبتنی بر اینترنت اشیا

 Patient Monitoring System Based on Internet of Things

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

طراحی و توسعه مانیتورینگ قدرت و سیستم کنترل با استفاده از شبکه زیگ بی بی سیم

Design and Development of Power Monitoring and Controlling System using Wireless Zigbee Network

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مجله بین المللی تحقیقات نوآورانه در علوم، مهندسی و فناوری

International Journal of Innovative Research in Science, Engineering and Technology

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

طراحی و توسعه نظارت بر قدرت و سیستم کنترل با شبکه زیگ بی وایرلس

Design and Development of Power Monitoring and Controlling System using Wireless Zigbee Network

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

سیستم نظارت بیمار با استفاده از تکنولوژی GSM

Patient Monitoring System Using GSM Technology

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مجله بین المللی تحقیقات نوین در برق، الکترونیک، ابزار دقیق و مهندسی کنترل

NTERNATIONAL JOURNAL OF INNOVATIVE RESEARCH IN ELECTRICAL, ELECTRONICS, INSTRUMENTATION AND CONTROL ENGINEERING

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کاربرد فناوری GSM در سیستم مانیتورینگ بیمار

Patient Monitoring System Using GSM Technology

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

سیستم ایمن شده قابل اجرا در وب برای مانیتورینگ حضور و مکان یابی زمان واقعی با استفاده از زیست سنجشی و سامانه بازشناسی با امواج رادیویی (RFID)

A Web Enabled Secured System for Attendance Monitoring and Real Time Location Tracking Using Biometric and Radio Frequency Identification (RFID) Technology

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

سیستم ایمن شده قابل اجرا در وب برای مانیتورینگ حضور و مکان یابی زمان واقعی با استفاده از زیست سنجشی و سامانه بازشناسی با امواج رادیویی (RFID)

A Web Enabled Secured System for Attendance Monitoring and Real Time Location Tracking Using Biometric and Radio Frequency Identification (RFID) Technology

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.