دانلود رایگان ترجمه مقاله همجوشی سنسورها در شبکه‌ های حسگر (ساینس دایرکت – الزویر ۲۰۱۷)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

گرچه BSN ها به عنوان یک شاخه تحقیقاتی از WSN ها نشات گرفته اند و با توجه به شباهت های ذاتی آنها، بین این شبکه ها تفاوت های زیادی وجود دارد [۸۴].WSN ها معمولا بر اساس تعداد گره ها و به وضوح محدوده جغرافیایی، مقیاس بزرگتری دارند. اما WSN ها می توانند از گره های بیش از حد استفاده کنند بنابراین استحکام فردی اغلب یک اولویت نیست، در حالی که به دلیل نگرانی بالا از پوشیدگی و راحتی کاربر، BSN ها باید از حداقل تعداد گره ها استفاده کنند، هر کدام تضمین از دقت بالا و قابلیت اطمینان دارند. به همین دلیل، گره های BSN از لحاظ ابعاد فیزیکی، وزن، سازگاری با محیط زیست و ارگونومی بسیار مورد توجه است. در مقابل، از لحاظ ذخیره انرژی، از آنجا که باتری های گره های BSN معمولا می توانند ریشارژ شوند یا جایگزین کردن آنها خیلی اسان است، تقارن (trade-off) بین الزامات به سمت دقت می رود، در حالی که WSN ها دارای محدودیت های کم (انرژی)قدرت هستند. علاوه بر این، برنامه های کاربردی BSN معمولا نیاز به نمونه برداری بالایی از حسگرها ، میزان انتقال داده ها و نظارت مستمر دارند. در نهایت، اکثریت قریب به اتفاق BSN ها توپولوژی شبکه ستاره را در نظر می گیرند، در حالی که WSN ها به طور ذاتی چند اکتیو هستند.
به طور معمول، برنامه های کاربردی BSN یک محاسبات توزیع شده را انجام می دهند که پاسخ ها را تجزیه و تحلیل و تلفیق می کنند و داده ها را به یک هاب محلی (به عنوان مثال یک گوشی هوشمند) برای احتمالا پردازش بیشتر می پردازند. هاب محلی می تواند نتایج نهایی را به یک سرور پشتی برای تصمیم گیری بالینی و مداخلات ارسال کند. هر گره حسگر در یک BSN یک سری از وظایف محاسباتی را بر روی سیگنال های فیزیولوژیک جمع آوری شده به ترتیب برای استخراج اطلاعات جزئی در مورد کاربر انجام می دهد [۸۵]. وضعیت کلی کاربر، توسط پردازش توزیع شده و مشترک از این داده ها تعیین می شود.
وظایف اصلی پردازش بر روی داده های سنسور BSN انجام شده ممکن است شامل نمونه گیری داده ها، تقسیم فیلترینگ، استخراج ویژگی ها و طبقه بندی باشد. مثال هایی از تکنیک های نمونه گیری داده ها عبارتند از نرخ ثابت، نرخ متغیر، نمونه گیری تطبیقی، حساسیت فشرده، و تنظیم bit-resolution حسگر [۸۶،۸۷] سطح پیچیدگی الگوریتم فیلترینگ بستگی به کاربرد مورد نظر و نوع و کیفیت خواندن سنسورها دارد [۸۸-۹۰]. الگوریتم های تقسیم بندی جریان داده های پیوسته را به فواصل زمانی گسسته از نوع انتظار توسط مرحله پردازش اطلاعات تقسیم می کند [۱۵،۹۱،۹۲]. هر قطعه یک بردار چند بعدی (ویژگی) از آن استخراج شده است که برای طبقه بندی استفاده می شود [۱۱،۹۳]. الگوریتم های به طور گسترده ای مورد استفاده برای طبقه بندی و تشخیص رویداد عبارتند از: k) (k-NN) نزدیکترین همسایه)، ماشین های بردار پشتیبان (SVM)، مدل های پنهان مارکوف (HMM)، شبکه عصبی (NN)، طبقه بندی درخت تصمیم، Logistic Regression و Naive Bayesian approach [94-99] .

۲٫۲ انگیزه ها برای تلفیق داده های چند سنسور درBSN ها
همانطور که در هر سیستم اندازه گیری، BSN ها متکی به یک تک سنسور و یا بر روی چند سنسور هستند که به صورت جداگانه در نظر گرفته می شوند، از محدودیت ها و مسائل متعددی رنج می برند مانند [۱۰۰]:
• محرومیت حسگر: خرابی یک حسگر باعث از دست دادن ادراک (اگاهی) بر روی پارامتر فیزیکی مورد نظر می شود.
• پوشش فضایی محدود: یک سنسور پوشیدنی فردی اغلب مکان بدن محدود را پوشش می دهد. به عنوان مثال، یک شتاب سنج که در بازوی چپ جا داده شده است، نمی تواند حرکات مخالف را اندازه گیری کند.
• عدم دقت: اندازه گیری از سنسورهای فردی محدود به دقت آن واحدهای خاص است.
• عدم قطعیت: زمانی رخ می دهد که ویژگی ها از بین رفته باشند، زمانی که یک سنسور تنها نمی تواند تمام ویژگی های مربوط به پدیده / رویداد را اندازه گیری کند یا زمانی که مشاهدات مبهم است [۱۰۱]. با توجه به مسائل مربوط به پوشش فضایی محدود، سیستم های تک حسگر نمی توانند به طور موثری عدم قطعیت را کاهش دهند.
یک راه حل موثر برای مسائل فوق، با تلفیق چند حسگر نشان داده شده است. در واقع، استفاده از سنسورهای چندگانه (ناهمگن یا همگن) همراه با تکنیک های تلفیق داده، مزایای متعددی را ارائه می دهد، مانند موارد زیر [۱۰۲،۱۰۳]:
• نسبت سیگنال به نویز بهبود یافته: تلفیق جریانهای داده چندین سنسور باعث کاهش اثرات نویز می شود.
• کاهش ابهام و عدم قطعیت: استفاده از داده ها از منابع متعدد عدم قطعیت خروجی را کاهش می دهد.
• افزایش اعتماد به نفس: سنسورهای منحصر به فرد(تکی) اغلب برای اماده کردن اطلاعات قابل اعتماد کافی نیستند؛ تلفیق داده های چند سنسور دوباره به کمک می آید.
• بالا بردن استحکام و قابلیت اطمینان: استفاده از سنسورهای همگن چندگانه، افزونگی را فراهم می کند که باعث بالا بردن تحمل خطا سیستم حتی در صورت خرابی سنسور می شود.
• استحکام در برابر تداخل: افزایش ابعاد فضای اندازه گیری (به عنوان مثال اندازه گیری ضربان قلب با استفاده از هر دو سنسور الکتروکاردیوگرام (ECG) و (photoplethysmogram (PPG) به طور قابل توجهی افزایش استحکام در برابر تداخل های محیطی را دارد.
• بهبود وضوح، دقت و تبعیض فرضیه: هنگامی که چندین اندازه گیری مستقل از یک ویژگی / صفت مشابه با هم تلفیق می شوند، دقت(وضوح) مقدار نتیجه بالاتر از آنچه که می تواند با استفاده از یک حسگر به دست آید هست.
• یکپارچه سازی ویژگی های مستقل و دانش پیشین: برای درک بهتر جنبه های خاص دامنه برنامه کاربردی هدف و بهبود کارایی در برابر تداخل منابع داده.
انگیزه بیشتر برای تلفیق سنسور، کاهش پیچیدگی منطق برنامه کاربردی است. در سیستم های مرسوم، اندازه گیری های حسگر بدون نیاز به پردازش اولیه یا به طور سنتی پیش پردازش شده به طور مستقیم به برنامه کاربردی دسترسی پیدا میکند، که باید با جریان های داده نادرست، مبهم و ناقص مقابله شود. در مقابل، پیش پردازش تلفیق حسگر اجازه می دهد تا ورودی برنامه کاربردی را استاندارد سازی کند، بنابراین رشد، نگهداری و توسعه پذیری برنامه کاربردی ساده می شود [۱۰۴]. در واقع، حرکت (بخشی از) منطق پیش پردازش به یک سطح پایین تر از برنامه کاربردی (به طور معمول، در داخل یا بر روی سطحی از سطح میان افزار، همانطور که در شکل ۱ نشان داده شده است) هم مقرون به صرفه است (به عنوان مثال از لحاظ صرفه جویی در وقت / تلاش توسعه، از آنجا که توسعه دهنده برنامه کاربردی نیازی به پیاده سازی منطق پیش پردازش ندارد، بلکه با آن از طریق API ها مقابله می کند) و اغلب کارآمدتر (زیرا منطق پیش پردازش تلفیق می تواند بهتر از آنچه که توسط یک برنامه نویس معمولی انجام می شود بهینه شود). این “جدایی نگرانیها”، علاوه بر این، رویکردی است که از مدولاسیون نرم افزاری و به همین ترتیب قابلیت نگهداری حمایت می کند.

شکل ۱: لایه بندی معمولی یک سیستم BSN.

۳٫ استراتژی های تلفیق سنسور در BSN ها
همانطور که در بخش های قبلی مورد بحث قرار گرفته است، سیستم BSN نیاز به عهده برامدن با منابع مختلف اطلاعات در سطوح مختلف دارد. با توجه به مساله خاص و راه حل های متناظر، رویکردهای مختلف تلفیق سنسور اتخاذ می شوند. هدف از این بخش، رسم یک طبقه بندی از انواع مختلف تلفیق سنسور است و به بحث در مورد ویژگی های آنها و استفاده از آنها در برنامه های کاربردی عملی می پردازد.
مستقل از سطح انتزاع، تلفیق سنسور می تواند در رقابتی (competitive)، مکمل (complementary)و مشترک (cooperative)گروه بندی شود [۱۰۵]. تلفیق رقابتی به معنای استفاده از منبع معادل چندگانه از اطلاعات است و برای به دست آوردن افزونگی و خود درجه بندی استفاده می شود. در سیستم BSN، هر چند، در عمل بسیار غیر معمول است چه حتی زمانی که سنسورهای معادل چندگانه استفاده می شود، آنها معمولا در مکان های مختلف در بدن انسان قرار می گیرند و از این رو هر کدام می توانند عملا اطلاعات مکمل را ارائه دهند. در تلفیق مکمل، در واقع هر سنسور جنبه های مختلف پدیده های تحت کنترل را می گیرد و برای بهبود دقت و قابلیت اطمینان سیستم استفاده می شود. اطلاعات سطح بالا توسط تجزیه و تحلیل مشترک از سیگنال های مکمل به دست آمده است. در نهایت، تلفیق مشترک زمانی که سیگنال های سنسور چندگانه مورد نیاز، برای به دست آوردن اطلاعات که با نگاه کردن به هر یک از این سیگنال ها به طور مستقل نمی تواند به دست اورد، به بازی می اید. همانطور که در زیر بخش های ذیل نشان داده شده است، در حوزه BSN تلفیق مشترک رایج ترین شکل تلفیق سنسور است.
از لحاظ انتزاع سطح پردازش اطلاعات، تلفیق چند سنسور معمولا به سه دسته اصلی تقسیم می شود: تلفیق سطح داده، تلفیق سطح ویژگی و تلفیق سطح تصمیم [۱۰۶]، [۱۰۷]. در [۱۰۸]، سلسله مراتب تلفیق سه سطح ( داده-ویژگی-تصمیم) را به پنج حالت وابسته به I / O فرآیند تلفیق گسترش داد. در زیر یک مجموعه از قراردادها، مدل تلفیق با ماهیت اجزای ورودی مشخص شده است، یعنی، تلفیق گروه خاصی ازموجودیت ها، در حالی که تحت دیگری، مدل تلفیق با ماهیت خروجی مشخص می شود. در این مقاله، ما بر روشی سه گانه شناخته شده (سطح داده، ویژگی و تصمیم) بر اساس سطح پردازش تمرکز خواهیم کرد.
جداول ۱ و ۲ به ترتیب برخی از ویژگی ها و تکنیک های مربوطه را نشان می دهند. در زیر، ما در مورد هر گروه در جداول جداگانه بحث می کنیم.
بسته به سطح پردازش، روشهای تلفیقی متمرکز، توزیع شده و ترکیبی ممکن است. رویکرد متمرکز متکی بر یک مرکز تلفیقی است که در آن پردازش انجام می شود، در حالی که در رویکرد توزیع شده هر سنسور پردازش مستقل را براساس داده های خود انجام می دهد و نتایج را به یک گره فیوژن انتقال می دهد که در آن تجزیه و تحلیل سراسری در نهایت انجام می شود. تلفیق داده ترکیبی هم پیشنهاد شده است؛ در این مورد، جمع آوری داده ها و پیش پردازش معمولا با یک روش توزیع شده انجام می شود در حالی که یک گره مرکزی هنوز مسئول جمع آوری داده های بدست امده از منابع توزیع شده و برای انجام محاسبات در سطح تصمیم است.