تشخيص وضعيت غيرعادي و تصحيح خطاهاي گذرا به‌صورت بي‌درنگ در شبكه‌هاي حسگر بي‌سيم بدني

Real-Time Anomaly Detection and Transient Fault Correction for Wireless Body Area Networks

شبكه‌هاي حسگر بي‌سيم بدني، مجموعه‌اي از حسگرهاي حياتي براي مشاهده وضعيت سلامت بيماران از راه دور هستند. تشخيص و تمايز وضعيت‌هاي غيرعادي، شامل خطاي حسگرها يا وضعيت‌هاي اضطراري، علاوه‌بر رفع نياز دايمي به متخصص، مي‌تواند باعث كاهش نرخ هشدارهاي نادرست شود. در اين پژوهش، براي تشخيص و تمايز وضعيت‌هاي غيرعادي، روشي تك‌متغيره، بدون سرپرست و بي‌درنگ با قابليت پياده‌سازي سخت‌افزاري آسان، ارايه شده و همچنين روشي جديد براي تصحيح خطاهاي گذرا پيشنهاد شده است. روش‌ پيشنهادي، سريع‌تر از روش‌هاي موجود در پژوهش‌هاي پيشين عمل مي‌كند و دقت آن به‌طور كامل قابل‌مقايسه با روش‌هاي موجود است. شبيه‌سازي روش پيشنهادي روي مجموعه ‌داده‌هاي اينترنتي انجام شده است و نتايج حاصل از آن با روش‌هاي موجود، مقايسه شده‌اند. همچنين براي ارزيابي و اعتبارسنجي نهايي روش پيشنهادي، از داده‌هاي ثبت‌شده در يك آزمايش واقعي استفاده شده است، كه نتايج آن بر عملكرد مناسب روش پيشنهادي در تشخيص وضعيت‌هاي غيرعادي و تصحيح خطاهاي گذرا تاكيد مي‌كند.

Wireless Body Area Networks (WBAN) consist of a collection of biosensors utilized to remotely monitor the health status of patients. High accuracy anomaly detection and distinguishing between faults and physiological anomalies play a key role in proper detection of real emergency situations and is cruicial in lowering False Alarm Rate (FAR) cases. In this work, a univariate, unsupervised and real-time anomaly detection algorithm is proposed based on Hampel identifier and its performance is compared with previous and reported methods. Furthermore, a novel prediction method is introduced and utilized in order to correct for transient faults that are quite probable in WBANs, due to inherent noise and artifact of physiological sensors. Proposed method is shown to be faster than reported approaches while providing comparable. Final validation of the proposed method is performed by a real experimental dataset along with intentionally added faults and physiological anomalies. The results illustrate appropriate anomaly detection ability of the proposed approach.