تنظیم بهینه پارامترهای شبکه عصبی عمیق در برآورد داده های از دست رفته ی علائم حیاتی در شبکه های حسگر بی سیم بدن

نوع مقاله : مقاله پژوهشی

نویسندگان

Qom University of technology

چکیده

در شبکه های حسگر بی سیم به دلیل عوامل مختلفی از قبیل انرژی محدود، قابلیت انتقال سنسورها، خرابی سخت افزار و مشکلات شبکه مانند برخورد بسته ها، پیوند غیرقابل اطمینان و آسیب های غیر منتظره، مقدار حس شده به سرخوشه یا ایستگاه پایه نمی رسد. لذا از بین رفتن داده ها در شبکه های حسگر بی سیم بسیار متداول است. از دست دادن داده های سنجیده شده، دقت WBAN را کاهش می‌دهد. برای حل این مشکل، داده های گم شده باید برآورد شوند. به منظور پیش بینی مقادیر گم شده، یک مدل برآورد داده از دست رفته بر اساس شبکه عصبی LSTM (حافظه کوتاه مدت) در این مقاله ارائه شده است. این مدل پنج علامت حیاتی را به عنوان ورودی برای پیش بینی مقدار از دست رفته ترکیب می کند. نتایج نشان می دهد که sgdm-LSTM روش خوبی برای برآورد مقدار از دست رفته است. ضمنا، نتایج تجربی نشان می دهد که میانگین خطای مربع ریشه مقدار برآورد شده کمتر از سایر روش ها است. این مقدار، با بهترین ابر پارامترهای شبکه 4.1495 است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Optimal adjustment of deep neural network parameters in estimating lost vital sign data in body wireless sensor networks

نویسندگان [English]

  • Aboulfazl Ebrahimi
  • Mahboubeh Shamsi
  • morteza mohajjel
Master student of computer engineering Qom University of Technology
چکیده [English]

In a wireless sensor network (WSN), due to various factors such as limited power, sensor transferability, hardware failure and network problems such as packet collisions, unreliable connection and unexpected damage, the amount sensed to the header or base station is not Arrives. Therefore, data loss is very common in wireless sensor networks. Loss of measured data greatly reduces WBAN accuracy. Because WBAN deals with the vital signs of the human body, network reliability is very important. To solve this problem, missing data must be estimated. In order to predict the missing values, a model for estimating lost data based on LSTM (short-term memory) neural network is presented in this paper. This model combines five vital signs as input to predict the amount lost. The results show that sgdm-LSTM is a good way to estimate the amount lost. In addition, experimental results show that the mean square root error of the estimated value is lower than other methods. This value is 4.1495 with the best network parameters.

کلیدواژه‌ها [English]

  • WBAN
  • Deep Learning
  • Artificial Neural Network
  • Missing Data
  • Estimation
ارسال نظر در مورد این مقاله
CAPTCHA Image
مدیریت مهندسی و رایانش نرم

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 02 بهمن 1402

فایل ها

هم رسانی

ارجاع به این مقاله

آمار