دوره 21، شماره 3 - ( 10-1403 )
جلد 21 شماره 3 صفحات 96-85 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ebrahimi A, Shamsi M, Mohajjel M. Improvement of missing vital signs data estimation algorithm in wireless body sensor networks based on deep neural networks. JSDP 2024; 21 (3) : 4
URL: http://jsdp.rcisp.ac.ir/article-1-1277-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1277-fa.html
ابراهیمی ابوالفضل، شمسی محبوبه، محجل مرتضی. بهبود الگوریتم برآورد داده‌های ازدست‌رفته علائم حیاتی در شبکه‌های حس‌گر بی‌سیم بدن مبتنی بر شبکه عصبی عمیق. پردازش علائم و داده‌ها. 1403; 21 (3) :85-96
دانشیار دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی قم، قم، ایران
چکیده: (656 مشاهده)
در شبکه‌های حس‌گر بی‌سیم به‌دلیل عوامل مختلفی از قبیل محدودبودن انرژی، قابلیت انتقال حس‌گرها، خرابی سخت‌افزار و مشکلات شبکه مانند برخورد بسته‌ها، پیوند غیرقابل اطمینان و آسیب‌های غیرمنتظره، مقدار حس‌شده به سرخوشه یا ایستگاه پایه نمی‌رسد؛ بنابراین ازبین‌رفتن داده‌ها در شبکه‌های حس‌گر بی‌سیم بسیار متداول است. از دست‌دادن داده‌های سنجیده شده، دقت WBAN را بسیار کاهش می‌دهد. از آنجا که WBAN با علائم حیاتی بدن انسان سر‌وکار دارد، قابلیت اطمینان شبکه از اهمیت زیادی برخوردار است. برای حل این مشکل، داده‌های گمشده باید برآورد شوند. به منظور پیش‌بینی مقادیر گمشده، یک مدل برآورد دادههازدست‌رفته بر اساس شبکه عصبی بازگشتی LSTM که وزن‌های شبکه به‌وسیله الگوریتم ازدحام ذرات (PSO) بهینه شده‌اند، در این مقاله ارائه شده است. نتایج نشان می‌دهد که sgdm-LSTM با ترکیب PSOروش خوبی برای برآورد مقدار ازدست‌رفته است. در ضمن، نتایج تجربی نشان می‌دهد که میانگین خطای مربع ریشه مقدار برآوردشده کمتر از سایر روش‌هاست. این مقدار، با بهترین ابر پارامترهای شبکه LSTM و بهترین مقادیر برای الگوریتم PSO، 1.5898 است.
شماره‌ی مقاله: 4
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1400/7/26 | پذیرش: 1403/9/14 | انتشار: 1403/10/28 | انتشار الکترونیک: 1403/10/28
دریافت: 1400/7/26 | پذیرش: 1403/9/14 | انتشار: 1403/10/28 | انتشار الکترونیک: 1403/10/28
فهرست منابع
1. L. Pan و J. Li، "K-Nearest Neighbor Based Missing Data Estimation Algorithm،" pp. 115-122، 2010. [DOI:10.4236/wsn.2010.22016]
2. Z. Gao، W. Cheng، X. Qiu و L. Meng، "A Missing Sensor Data Estimation Algorithm Based on،" 2015. [DOI:10.1155/2015/435391]
3. R. Kumar، D. Chaurasia، N. Chuahan و N. Chand، "Predicting Missing Values in Wireless Sensor Network using Spatial-Temporal Correlation،" International Journal of Computer Networks and Wireless Communications (IJCNWC)، 2017.
4. J. Pagán، "Robust and Accurate Modeling Approaches for Migraine Per-Patient Prediction from Ambulatory Data،" 2015. [DOI:10.3390/s150715419] [PMID] []
5. J. Q. Lin، H. C. Wu و S. C. Chan، "A New Regularized Recursive Dynamic Factor Analysis with Variable Forgetting Factor for Wireless Sensor Networks with Missing Data،" 2017 IEEE International Symposium on Circuits and Systems (ISCAS)، 2017. [DOI:10.1109/ISCAS.2017.8050594]
6. Q. Zhen و T. Zhang، "A Missing Data Estimation Algorithm in Wireless Sensor Networks،" Boletín Técnico، 2017.
7. L. Zhao و F. Zheng، "Missing Data Reconstruction Using Adaptively Updated Dictionary in Wireless Sensor Networks،" تأليف Proceeding of science، 2017. [DOI:10.22323/1.299.0040]
8. M. S. Saha و D. D. K. Anvekar، "Mitigation of Single Point Failure and Successful Data Recovery in Wireless Body Area Network،" International Journal of Network Infrastructure Security، 2017.
9. D. Sakurai، A. Santana و Y. Kawamura، "Estimation of Missing Data of Showcase Using Artificial Neural Networks،" تأليف IEEE 10th International Workshop on Computational Intelligence and Applications، 2017. [DOI:10.1109/IWCIA.2017.8203554] []
10. B. Kim، B. Lee و J. Cho، "ASRQ: Automatic Segment Repeat reQuest for IEEE 802.15.4-based WBAN،" IEEE SENSORS JOURNAL، 2016. [DOI:10.1109/JSEN.2017.2676163]
11. Y. Kawamura، K. Murakami، A. Santana، T. Iizaka و T. Matsui، "Differential Evolutionary Particle Swarm Optimization based ANN Training for Estimation of Missing Data of Refrigerated Showcase،" 57th Annual Conference of the Society of Instrument and Control Engineers of Japan (SICE)، 2018(8).
12. Y. Tian، K. Zhang، J. Li، X. Lin و B. Yang، "LSTM-based Traffic Flow Prediction with Missing Data،" Neurocomputing، 2018. [DOI:10.1016/j.neucom.2018.08.067]
13. S. Ghazal، M. Sauthier، D. Brossier، W. Bouachir، P. Jouvet و R. Noumeir، "Using machine learning models to predict oxygen saturation following ventilator support adjustment in critically ill children: a single center pilot study،" PLoS ONE، 2019. [DOI:10.1101/334896]
14. H. Cheng، Z. Xie، L. Wu، Z. Yu و R. Li، "Data prediction model in wireless sensor networks based on bidirectional LSTM،" Wireless Communications and Networking، 2019. [DOI:10.1186/s13638-019-1511-4]
15. S. Mujeeb، N. Javaid، M. Ilahi، Z. Wadud، F. Ishmanov و M. K. Afzal، "Deep Long Short-Term Memory: A New Price and Load Forecasting Scheme for Big Data in Smart Cities،" sustainability، 2019. [DOI:10.3390/su11040987]
16. R. Zhang، Z. Chen، S. Chen، J. Zheng، O. Büyüköztürk و H. Sun، "Deep long short-term memory networks for nonlinear structural seismic response prediction،" Computers and Structures، 2019. [DOI:10.1016/j.compstruc.2019.05.006]
17. F. Rundo، "Deep LSTM with Reinforcement Learning Layer for Financial Trend Prediction in FX High Frequency Trading Systems،" Applied Sciences، 2019. [DOI:10.3390/app9204460]
18. K. Yan، X. Wang، Y. Du، N. Jin، H. Huang و H. Zhou، "Multi-Step Short-Term Power Consumption Forecasting with a Hybrid Deep Learning Strategy،" energies، 2018. [DOI:10.3390/en11113089]
19. Y. Li، H. Wu و H. Liu، "Multi-step wind speed forecasting using EWT decomposition, LSTM principal computing, RELM subordinate computing and IEWT reconstruction،" Energy Conversion and Management، 2018. [DOI:10.1016/j.enconman.2018.04.082]
20. X. Yang، S. Mao، H. Gao، Y. Duan و Q. Zou، "Novel Financial Capital Flow Forecast Framework Using Time Series Theory and Deep Learning: A Case Study Analysis of Yu'e Bao Transaction Data،" IEEE Access، 2019. [DOI:10.1109/ACCESS.2019.2919189]
21. S. Zhao، Y. Zhang، S. Wang، B. Zhou و C. Cheng، "A recurrent neural network approach for remaining useful life prediction utilizing a novel trend features construction method،" Measurement، 2019. [DOI:10.1016/j.measurement.2019.06.004]
22. T. Zhang، S. Song، S. Li، L. Ma، S. Pan و L. Han، "Research on Gas Concentration Prediction Models Based on LSTM Multidimensional Time Series،" Energies، 2019. [DOI:10.3390/en12010161]
23. F. Lia، G. Renb و J. Lee، "Multi-step wind speed prediction based on turbulence intensity and hybrid deep neural networks،" Energy Conversion and Management، 2019. [DOI:10.1016/j.enconman.2019.02.045]
24. K. W. Minmin Luo، "Heart rate prediction model based on neural network،" IOP Conference Series: Materials Science and Engineering، 2020
25. L. Zhou، C. Zhau، N. Liu، X. Yao، و Z. Cheng، "Improved LSTM-based deep learning model for COVID-19 prediction using optimized approach ،" Engineering Applications of Artificial Intelligence، 2023 [DOI:10.1016/j.engappai.2023.106157] [PMID] []
26. H. Farrell، T. Liang، S. Misra، "DEEP NEURAL NETWORKS FOR ESTIMATION AND INFERENCE ،" Econometrica ، 2021 [DOI:10.3982/ECTA16901]
27. Y. Pan، J. Mu، "Enhancing WBANs Network Performance Based on Deep Learning With Integrated Spatiotemporal Information" IEEE Wireless Communications ، 2024 [DOI:10.1109/MWC.003.2400006]
28. K. W. Minmin Luo، " A Short-term Time Series Predictive Algorithm Based on Rolling Prediction and PSO-SVR،" 2024 IEEE 2nd International Conference on Control, Electronics and Computer Technology، 2024
29. مشيري، مریم، قادري زفرهايي، مصطفی و قانع گل محمدي، فرزان، " مقايسه دقت الگوريتم هاي يادگيري ماشين در تخمين داده هاي گمشده حاصل از آزمايش هاي ريزآرايه DNA"، مجله پژوهش هاي سلولي و مولكولي (مجله زيست شناسي ايران)، جلد 28، 1394.
30. ابراهیمی، ابوالفضل، شمسی، محبوبه و محجل، مرتضی، "برآورد داده های از دست رفته ی علائم حیاتی در شبکه های حس‌گر بی سیم بدن"،ششمین کنفرانس ملی پژوهش های کاربردی در مهندسی برق، مکانیک و مکاترونیک،تهران، 1399.
31. ابراهیمی، ابوالفضل، شمسی، محبوبه و محجل، مرتضی، "تنظیم بهینه پارامترهای شبکه عصبی عمیق در برآورد داده های از دست رفته ی علائم حیاتی در شبکه های حس‌گر بی سیم بدن"، مجله مدیریت مهندسی و رایانش نرم، شماره 16، صفحات 162-188، 1402.
32. عمرانپور، حسام و آزادیان، فهیمه، "ارائه یک رویکرد فازی برای بهینه‌سازی پیش‌بینی سری زمانی با مرتبه بالا"، فصلنامه پردازش علائم و داده ها، جلد 15 شماره 2، صفحات 3-16، 1397.
33. دانشپور، نگین و میرابوالقاسمی، سیده فاطمه، "پرکردن داده‌های گمشده در داده‌های سری زمانی چندمتغیره"، فصلنامه پردازش علائم و داده ها، جلد 19 شماره 2، صفحات 39-60، 1401.
34. عمرانپور، حسام و پورعلی، حدیثه، "ارائه مدل یادگیر ترکیب کرنل‌ها برای پیش‌بینی سری‌های زمانی براساس رگرسیون بردار پشتیبان و جستجوی فراابتکاری"، فصلنامه پردازش علائم و داده ها، جلد 19 شماره 1، صفحات 39-42، 1401.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
