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.

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.
پیش زمینه
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].
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.
سطوح فیوژن
اگر سیستم شامل چند سنسور همگن که پدیده فیزیکی یکسانی را اندازه گیری می کنند باشد، داده های سنسور می توانند به طور مستقیم با یکدیگر تلفیق شوند. برعکس، داده های تولید شده از منابع ناهمگونی نمی تواند مستقیما تلفیق شود و تکنیک های تلفیق سطح تصمیم یا سطح ویژگی باید اتخاذ شود.
تلفیق سنسور در تشخیص فعالیت
نظارت بر فعالیت های فیزیکی، آگاهی از ارتقاء سلامتی از عادات شخصی افراد را فراهم می کند. بنابراین، بسیار مهم است که بتوانیم فعالیتهای جسمانی افراد را در طول زندگی روزمره به دقت پیگیری کنیم [114]. حسگرهای اینرسی مانند شتاب سنج، ژیروسکوپ و مغناطیس سنج رایج ترین پوشیدنی های مورد استفاده در تشخیص فعالیت های انسان هستند [115]. تشخیص فعالیت انسان (HAR) می تواند با استفاده از یک تک حسگر قابل پوششی انجام شود [116]، با این حال، محققان شروع به تلفیق داده از سنسورهای متعدد برای افزایش دقت سیستم های تشخیص فعالیت کردند. طبق اخرین پیشرفت های علمی از تلفیق چند سنسور در HAR در بسیاری از مطالعات تحقیقاتی مورد بررسی قرار گرفته است [107]. مدل های تلفیقی سنسور در HAR می توانند براساس، (i)سطح اطلاعات؛ (ii)اهداف فرایند تلفیق؛ (iii)دامنه برنامه کاربردی؛ (iv)انواع سنسورهای به کار گرفته شده؛ (v)پیکربندی مجموعه سنسور؛ (vi)روند فیوژن؛ (vii)ویژگی های ورودی / خروجی و غیره [108] طبقه بندی شوند.
تلفیق سطح داده در تشخیص فعالیت
در تلفیق چند سنسور در سطح داده، داده های خام از سنسورهای پوشیدنی به طور مستقیم تلفیق می شوند [107]. با این حال، این سطح از تلفیق توسط جامعه محققان در تشخیص فعالیتها به طور کامل مورد بررسی قرار نگرفته است. دلیل این امر این است که سیستم های تشخیص فعالیت فعلی فقط مجموعه ای محدود از فعالیت های مختلف (4 تا 16 در ادبیات مطالعاتی) را تشخیص می دهند. بنابراین، روش عملی تر برای پردازش داده ها ابتدا ویژگی هایی از گره های حسگر را استخراج می کند و سپس ویژگی ها را برای تشخیص فعالیت ها ارسال می کند. این امر باعث کاهش بار ارتباطات و در نتیجه کاهش مصرف انرژی سیستم تشخیص فعالیت می شود [117-119]. با این حال یک محدودیت به این رویکرد این است که انتقال ویژگی های با انتزاع سطح بالا نیازمندی هایی را برای شناسایی فعالیت های ریز (دانه ریز) را رعایت نمی کند.
تلفیق سنسور فراتر از تشخیص فعالیت
تمرکز اصلی مقاله ما استفاده از تلفیق حسگر بدن در شناسایی فعالیت است، از این رو، ارزش دارد که به بررسی استفاده از تلفیق حسگر در سایر زمینه های مورد علاقه پرداخت. بنابراین، در این بخش، ما شرح مختصری در مورد کاربرد تلفیق حسگر در شناخت احساسات و سپس سلامت عمومی ارائه خواهیم داد.
شناخت احساسات
اگر چه تحقیقات اولیه در مورد شناخت احساسات بر اهمیت تحلیل تک محاوره تأکید می کند (در اینجا اصطلاح می ایستد برای حالت تشخیص است)، این رویکرد اغلب در ارائه اطلاعات قابل اطمینان برای شناخت احساسات موفق نیست. در واقع، به جزء از هدف خاص احساسات (به عنوان مثال برای تشخیص استرس یا ترس) که در آن یک منبع حسگر فردی می تواند برای دستیابی به نتایج، به اندازه کافی قوی باشد، [142-144]، سیستم های تشخیص چند احساسه در حال حاضر، شامل استخراج اطلاعات چند منظوره برای بهبود قابلیت اطمینان و دقت فرآیند شناخت [145] می باشد. به طور معمول، احساسات توسط تجزیه و تحلیل سیگنال های ویدئویی (برای حالات چهره)، صوتی (برای یادداشتهای صدا/ سخنرانی ها)، سیگنال های )inertial برای حرکات دست و موقعیت بدن) به رسمیت شناخته شده است.
چالش های تحقیق آینده
تحقیقات فعلی در مورد تلفیق حسگر با توجه به مسیرهای تحقیق و چالش های در حال ظهور، به ویژه در زمینه BSN های خودمختار،BSN های زمینه اگاه، BSN های همکار و BSN های ابر پشتیبانی شده می باشد. در زیر، ما برخی از بینش های هر یک از جهات فوق را ارائه می دهیم.
1 BSNهای خودمختار
BSN های خودمختار، سیستم های BSN مبتنی بر خود شفا، خود بهینه ساز، خود پیکربند و خواص خود محافظ هستند. هر خواص نیاز دارد تا به دقت با روش های جدید تلفیق چند حسگر بیان شوند. به عنوان مثال، بر اساس پیمایش سنسور زمان واقعی و فیلتر کردن داده ها خود شفا خواهد بود [169،170]، خود بهینه سازی را از تکامل مدل پویا (مانند کلاسیفایر مجدد آموزش دیده آنلاین) پشتیبانی می کند، و به خود پیکربندی با جابجایی یا جایگزینی سنسورهای پوشیدنی خواهد رسید.
نتیجه گیری
تلفیق داده های چند سنسور، یک حوزه تحقیقاتی محسوب می شود و حتی در دامنه BSN ادبیات گسترده ای در رابطه با تلفیق سنسور در سطوح مختلف و استفاده از رویکردهای متنوع وجود دارد. با این حال، به طور کامل از دانش مان، متوجه شدیم که جامعه فاقد یک بررسی جامع و اصولی از تکنیک های پیشرفته علمی روی تلفیق چند سنسور در حوزه پژوهشی BSN است. به این ترتیب، این مطالعه به منظور ارائه یک طبقه بندی منظم و چارچوب مقایسه مشترک از ادبیات ارائه شده است. با شروع از دسته بندی سنتی (سطح داده، سطح ویژگی و سطح تصمیم) تکنیک های تلفیق، ویژگی های متمایز و پارامترهای موثر بر انتخاب طراحی فیوژن را در هر سطح شناسایی کرده ایم. ما به طور واضح درباره انگیزه ها و مزایای فیوژن داده های چند سنسور در BSN ها بحث کرده ایم و به ویژه در زمینه شناسایی فعالیت های فیزیکی، مقایسه کارهای بررسی شده با توجه به چارچوب طبقه بندی پیشنهاد شده متمرکز شده ایم. این بررسی همچنین تلفیق داده ها در حوزه های تشخیص احساسات و سلامت عمومی را پوشش داده است. ما در نهایت مسیر مربوطه و چالش های آینده مطرح شده توسط ظهور BSN های مستقل (خود مختار)، متمرکز متقابل، مبتنی بر همکاری و ابر پشتیبانی شده که نیاز به تحقیق جدید برای تطبیق رویکرد ها وتکنیک های پیشرفته علمی فعلی از تلفیق چند سنسور دارند را معرفی کرده ایم.
این مقاله ISI در سال 2017 در نشریه الزویر و در مجله ترکیب اطلاعات، توسط گروه انفورماتیک منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله همجوشی چند سنسور در شبکه های حسگر بدن در سایت ای ترجمه مراجعه نمایید.