論文の概要: An Energy Efficient Health Monitoring Approach with Wireless Body Area
Networks
- arxiv url: http://arxiv.org/abs/2109.14546v1
- Date: Mon, 27 Sep 2021 18:52:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 14:31:48.180617
- Title: An Energy Efficient Health Monitoring Approach with Wireless Body Area
Networks
- Title(参考訳): ワイヤレスボディエリアネットワークを用いた省エネルギー型健康モニタリング手法
- Authors: Seemandhar Jain, Prarthi Jain, Prabhat K. Upadhyay, Jules M. Moualeu,
Abhishek Srivastava
- Abstract要約: 無線ボディエリアネットワーク (Wireless Body Area Networks, WBANs) は、体表面近くに配置されたセンサーのネットワークである。
本稿では, エネルギーの保全と健康状態の検知のための, シンプルながら革新的なアプローチを提案する。
- 参考スコア(独自算出の注目度): 3.251108888213167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wireless Body Area Networks (WBANs) comprise a network of sensors
subcutaneously implanted or placed near the body surface and facilitate
continuous monitoring of health parameters of a patient. Research endeavours
involving WBAN are directed towards effective transmission of detected
parameters to a Local Processing Unit (LPU, usually a mobile device) and
analysis of the parameters at the LPU or a back-end cloud. An important concern
in WBAN is the lightweight nature of WBAN nodes and the need to conserve their
energy. This is especially true for subcutaneously implanted nodes that cannot
be recharged or regularly replaced. Work in energy conservation is mostly aimed
at optimising the routing of signals to minimise energy expended. In this
paper, a simple yet innovative approach to energy conservation and detection of
alarming health status is proposed. Energy conservation is ensured through a
two-tier approach wherein the first tier eliminates `uninteresting' health
parameter readings at the site of a sensing node and prevents these from being
transmitted across the WBAN to the LPU. A reading is categorised as
uninteresting if it deviates very slightly from its immediately preceding
reading and does not provide new insight on the patient's well being. In
addition to this, readings that are faulty and emanate from possible sensor
malfunctions are also eliminated. These eliminations are done at the site of
the sensor using algorithms that are light enough to effectively function in
the extremely resource-constrained environments of the sensor nodes. We notice,
through experiments, that this eliminates and thus reduces around 90% of the
readings that need to be transmitted to the LPU leading to significant energy
savings. Furthermore, the proper functioning of these algorithms in such
constrained environments is confirmed and validated over a hardware simulation
set up. The second tier of assessment includes a proposed anomaly detection
model at the LPU that is capable of identifying anomalies from streaming health
parameter readings and indicates an adverse medical condition. In addition to
being able to handle streaming data, the model works within the
resource-constrained environments of an LPU and eliminates the need of
transmitting the data to a back-end cloud, ensuring further energy savings. The
anomaly detection capability of the model is validated using data available
from the critical care units of hospitals and is shown to be superior to other
anomaly detection techniques.
- Abstract(参考訳): 無線ボディエリアネットワーク(wbans)は、皮膚に埋もれたり、体表面の近くに設置されたりするセンサーのネットワークで構成され、患者の健康パラメータの継続的な監視を容易にする。
WBANを含む研究成果は、検出されたパラメータをローカル処理ユニット(LPU、通常はモバイルデバイス)に効果的に送信し、LPUやバックエンドクラウドでのパラメータの分析に向けられている。
WBANの重要な関心事は、WBANノードの軽量な性質と、そのエネルギーを保存する必要性である。
これは、チャージや定期的に交換できない皮下移植されたノードに特に当てはまる。
省エネルギーの研究は、エネルギー消費を最小限に抑えるために信号の経路を最適化することを目的としている。
本稿では, エネルギー保全とアラームの健康状態検出のための, シンプルながら革新的なアプローチを提案する。
エネルギーの保護は、第1層が感知ノードの部位における「興味のない」健康パラメータの読み出しを排除し、これらがWBANを介してLPUに伝達されるのを防ぐ2層アプローチによって確保される。
読みは、直前の読みからわずかに逸脱し、患者の健康に関する新たな洞察を与えなければ、興味をそそるものではないと分類される。
これに加えて、センサーの故障の可能性から誤読し、発散する読みも排除される。
これらの除去は、センサーノードの極めてリソースに制約された環境で効果的に機能するほど軽量なアルゴリズムを使用して、センサーの現場で行われる。
実験を通して、これによってLPUに送信する必要がある読み出しの約90%が削減され、大幅な省エネに繋がることに気づきました。
さらに、これらの制約された環境でのアルゴリズムの適切な機能を確認し、ハードウェアシミュレーションにより検証する。
第2段階の評価は、ストリーミングヘルスパラメータから異常を識別し、有害な医療状態を示すLPUで提案された異常検出モデルを含む。
ストリーミングデータの処理に加えて、モデルはLPUのリソース制限された環境内で動作し、データをバックエンドクラウドに送信する必要をなくし、さらなる省エネを確保する。
このモデルの異常検出能力は、病院のクリティカルケアユニットから得られるデータを用いて検証され、他の異常検出技術よりも優れていることが示されている。
関連論文リスト
- SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - Sensor Placement for Learning in Flow Networks [6.680930089714339]
本稿では,ネットワークのセンサ配置問題について検討する。
まず, 流れの保存仮定に基づいて問題を定式化し, 最適に固定されたセンサを配置することがNPハードであることを示す。
次に,大規模ネットワークにスケールするセンサ配置のための効率よく適応的なグリージーを提案する。
論文 参考訳(メタデータ) (2023-12-12T01:08:08Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳(メタデータ) (2023-12-08T13:50:30Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳(メタデータ) (2022-11-18T17:25:14Z) - Plausibility Verification For 3D Object Detectors Using Energy-Based
Optimization [0.0]
この作業は、妥当性フレームワークを提案し、MonoRUnモデルから3Dオブジェクトの提案を検証することを目的としている。
また、エネルギーモデルを表す複合エネルギー関数の最適化を改善するために、2段階の新たなスキーマを用いる。
論文 参考訳(メタデータ) (2022-11-02T15:35:16Z) - Grasp-and-Lift Detection from EEG Signal Using Convolutional Neural
Network [1.869097450593631]
本稿では,32チャネル脳波信号から手動動作ビズGALを検出する手法を自動化した。
提案したパイプラインは、基本的には前処理とエンドツーエンド検出ステップを組み合わせたもので、手作りの機能エンジニアリングの必要性を排除している。
論文 参考訳(メタデータ) (2022-02-12T19:27:06Z) - A Deep Learning Technique using Low Sampling rate for residential Non
Intrusive Load Monitoring [0.19662978733004596]
非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、ブラインドソース分離の問題である。
低周波電力データ上で負荷分散を行うための,新しいディープニューラルネットワークに基づくアプローチを提案する。
私たちのニューラルネットワークは、需要側の詳細なフィードバックを生成し、エンドユーザに重要な洞察を提供することができます。
論文 参考訳(メタデータ) (2021-11-07T23:01:36Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - A reconfigurable neural network ASIC for detector front-end data
compression at the HL-LHC [0.40690419770123604]
ニューラルネットワークのオートエンコーダモデルを放射線耐性ASICに実装して、損失のあるデータ圧縮を行うことができる。
これは、粒子物理学アプリケーション用に設計されたニューラルネットワークの耐放射線性オンディテクタASIC実装である。
論文 参考訳(メタデータ) (2021-05-04T18:06:23Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳(メタデータ) (2021-02-02T15:44:39Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳(メタデータ) (2020-03-09T08:16:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。