基于人工智能的WBAN传感器故障检测与预测

沙特国王大学学报基于人工智能的WBANMamoun Awada，Farag Sallabib，Khaled Shuaibc，Faisal Naeemda阿拉伯联合酋长国阿联酋大学计算机科学与软件工程系b阿拉伯联合酋长国阿联酋大学计算机与网络工程系c阿拉伯联合酋长国阿联酋大学信息系统与安全系d巴基斯坦国立计算机和新兴科学大学电气工程系阿提奇莱因福奥文章历史记录：2021年2月23日收到2021年8月22日修订2021年9月14日接受2021年9月22日在线提供保留字：WBAN机器学习故障管理故障预测传感器健康数据包A B S T R A C T无线体域网（WBAN）可以提供对患者健康的连续监测。这种监测可以是健康和死亡情况的决定性因素WBAN中的故障管理是一个关键的可靠性组件，以使其为社会所接受，并克服相关的挑战，如不可预测的故障，海量数据流和检测精度。由于硬件、软件和网络问题导致的故障检测失败可能会危及人类生命。本文重点研究了WBAN中传感器故障的检测和预测。提出了一种使用阈值来管理基于AI的预测模型和故障检测的框架，其中使用了四种机器学习技术：人工神经网络（ANN）、深度神经网络（DNN）、支持向量机（SVM）和决策树（DT）。该框架还提供警报通知、预测模型部署、版本控制和感知节点分析。作为一个概念的证明，故障管理原型的实现和验证。该原型对故障进行分类，管理传感节点分析、训练和新模型验证的自动化。实验结果表明，该方法的故障检测准确率大于96%，且误报率较低版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍无线通信和半导体技术的巨大进步导致了智能传感器和传感器网络的出现智能传感器支持大量的医疗和非医疗应用。无线体域网（WBAN）是一种特殊用途的传感器网络，可以自主运行，以连接植入或附着到人体的医疗设备。采用WBAN设备可以提供个性化的在线护理，并大大降低医疗保健服务的成本（Salayma等人， 2017年）。WBAN应该是可靠和有效的。可靠性可以通过三个核心特征来解决，容错，服务质量（QoS）和安全性（Academy，2013）。为了实现无缝WBAN操作，需要具备处理容错和*通讯作者。电子邮件地址：f. uaeu.ac.ae（F. Sallabi）。沙特国王大学负责同行审查恢复工作必须纳入此类网络的设计和结构。对于医疗应用，严格的QoS指标，如数据包延迟，通信错误和数据丢失应保持在可接受的水平，以避免严重的后果。确保WBAN的安全是任何成功实施的关键因素，研究人员之前已经解决了这个问题（Barakah和Ammad-uddin，2012）。WBAN系统由硬件和软件组件组成;因此，需要解决软件和硬件故障。以前的研究集中在传感器的硬件故障，如不规则读数，硬件故障和电池故障。然而，软件故障也是至关重要的，包括通信故障、模型畸形、软件错误、验证不充分和诱发的人为错误。记录或监测患者生命体征的WBAN组件可能在硬件、软件、数据格式和通信范围方面有所不同。例如，为类似功能设计的传感器可能具有不同的规格，例如用于EEG和EMG信号的规格。具有改进能力的新WBAN组件不断涌现。因此，医疗保健行业需要了解最新的技术，以便最好地适应预期的应用。组件分析可能会显示正确的解决方案，其中来自不同制造商的规范https://doi.org/10.1016/j.jksuci.2021.09.0171319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM. Awad，F.萨拉比湾Shuaib等人沙特国王大学学报7127定期维护和更新。这种分析将有助于基于医疗应用的最佳实践部署WBAN系统。在大数据（BD）和人工智能（AI）时代，WBAN中的故障管理系统可以配备智能/智能后端模型，以帮助预测和检测故障。文献中有大量用于支持这种系统的各种机器学习（ML）和AI技术（Sharma et al.，2010年）。然而，由于数据的变化趋势，应对新的学习技术仍然是一个挑战。当数据流随着时间的推移而变化时，模式和趋势也会发生变化;因此，在考虑新出现的模型时，必须不断更新新数据上使用的ML模型的训练。本文重点介绍的故障管理方案的设计和实施的背景下，部署WBAN的故障不能容忍在生命攸关的医疗保健系统。本文涉及几个主要方面：故障管理，传感器数据包管理，传感器部署和分析，以及基于AI的使用模型的具体而言，提出了一种基于AI的框架，该框架结合了不同的ML技术来检测故障本工作的主要贡献如下：1. 提出一个故障管理框架，该框架将AI/ ML模型用于WBAN应用程序。2. 实现ML过程以支持容错框架.该过程包括预测模型的训练、验证和部署的自动化3. 为四个考虑的预测模型生成经验结果：ANN，DNN，SVM和决策树。4. 在患者端开发个人数字助理（PDA）应用原型本文的其余部分组织如下。在第2节中，我们介绍了故障管理系统和应用程序的最新技术水平。第3节提供了故障类型及其分类的背景。在第4节中，我们介绍了我们的AI方法和框架。第5节介绍了实证结果和开发的原型。最后，在第六节中对全文进行了总结，并指出了今后的研究方向.2. 相关工作文献在故障管理研究中是丰富的，其集中于故障诊断、检测和容差（Gao等人，2015年）。然而，在本节中，我们专注于在物联网（IoT）和WBAN系统中的故障管理领域进行的工作，该领域仍处于早期阶段，有几个开放的研究问题（Salayma等人，2017; Al-Turjman和Baali，2019）。Zhou et al.（2015）在使用具有不同功能的传感器时解决了物联网网络中的故障管理问题。他们将回归分析应用于近似虚拟服务，并为容错物联网网络开发了一种传感设备适配方案。然而，所提出的方法不适用于智能医疗系统。作者在（Gia等人，2015）提出了一种基于物联网的架构，以支持医疗保健系统的可扩展性和容错性。他们部署了一个冗余汇聚节点，在通信或节点故障时备份主汇聚节点。作者声称，他们的容错方法涵盖了许多故障情况。然而，他们的方法被动地处理了故障问题。此外，他们没有报告任何故障检测和恢复性能率。Yang等人（2015）提出了一种医疗传感器网络中的数据故障检测机制（DFD-M）。他们使用动态局部离群值因子（D-LOF）算法来识别离群的传感数据向量。使用基于梯形模糊数的线性回归模型来预测外围数据向量中的哪些生物读数被怀疑是错误的。作者假设读数之间存在时间和空间相关性;因此，如果患者连接到一个传感器，则该方法不起作用基于深度神经网络（DNN）的故障诊断模型在（Sharma et al.， 2010年）。在没有特征选择和信号处理的情况下，原始时间序列传感器数据的时间相干性用于训练DNN。原始数据被分割并馈送到DNN。然而，所进行的实验不包括医疗数据，并且DNN模型的输出是二进制的，即，预测要么是错误的要么是正常的作者在（Zhang等人， 2017）提出了一种通过使用传感器节点数据在汇聚节点上构建逻辑回归模型来检测故障传感器的方法。该模型部署在传感器上，以预测传入的错误读数。作者考虑了二元结果，并采用阈值来确定错误与非错误读数。然而，为了节省电池寿命故障，检测到的读数没有转发到sink节点。此外，报告的预测率相对较低，这使得它不适用于WBAN环境。Sharma等人（2010）研究了检测传感器故障的不同方法。他们使用基于规则、估计、基于时间序列分析和基于学习的方法。他们的结论是，基于规则的方法可以非常准确，这取决于所使用的参数的选择。此外，学习方法可以分类和检测故障;然而，训练被证明是繁重的，因为估计方法不能可靠地分类故障。在物联网模式下，通过基于云的处理，医疗保健监测和管理的机遇和挑战在（Hassanalieragh，2015）中提出。本文回顾了目前的状态，并预测未来的发展方向，将远程健康监测技术整合到医学的临床实践。他们还强调了传感方面的几个挑战分析和可视化，这些都需要解决。在（Li等人，2013）提出了用于异构IoT网络的端到端传输的分层故障管理方案。作者得出结论，端到端连接涉及具有不同性能和连接要求的不同网络部分。分段监测是一种较好的选择，可以作为一种适用于每个网络段的管理技术。它们以分布式方式处理故障检测和定位，而故障恢复则以集中方式处理。在（Jeong等人，2014年）和（Mahapatro，2011年）监测WBAN内的所有传感器并主动响应传感器故障。VMSFT基于云计算服务，即IaaS（基础设施即服务）;然而，它仅限于本地地理区域。（Yi和Cai，2018）的作者提出了一个框架来管理WBAN之外的延迟敏感医疗数据包。通过考虑智能网关的行为，作者关注感测到的医疗分组在每个WBAN网关处的随机到达和医疗级服务质量（mQoS）组件 。 论 文 （ Al-Turjman 和 Baali ， 2019; Sawand 等 人 ， 2015;Hartmann等人，2019）调查了设计电子健康监控的不同方法，重点关注成本，可用性，安全性和隐私。作者详细介绍了监控生命周期的不同组件和基本服务组件。这项工作没有讨论故障检测和恢复，也没有纳入预测或学习中收集的数据。 在（Liao等人， 2018年），作者提出并评估了一种由网络和计算模型组成的无线中继任务卸载机制。Wang等人（Wang等人，2020年）提出了一种基于多层边缘计算的框架，以安全和低延迟地检测紧急情况。该框架捕获了一个通用数据M. Awad，F.萨拉比湾Shuaib等人沙特国王大学学报7128模型，在云端使用RNN的细粒度检测模型，以及在边缘节点上使用预定义的基于阈值的检测。在这个拟议的框架中，由于边缘和云端需要培训，实用性可能是一个问题。此外，在声称模型准确且响应灵敏之前，仅将所获得的结果与SVM进行比较。 在（Li等人，2008年），我们部署了温室环境监测系统，通过手持设备（如PDA）监测设备并提供服务。这项工作的重点是无线传感器网络技术和管理战略的成本效益的性质。在最近的工作中，（Tavera等人，2021）提供了WBAN的系统性综述，包括必须考虑的应用、趋势、协议和标准。作者（Mehmood等人，2020）和（Peng et al.，2017）采用协作通信和网络编码策略来减少信道损害和体衰落效应。所提出的解决方案不包括任何人工智能技术，尽管他们声称在改善能耗、比特率错误和故障方面取得了成功。我们的工作类似于（Jeong et al.，2014; Yi和Cai，2018; Wang等人，2020年; Li等人，2008; Zhang等人，2017年）。然而，我们考虑生物医学和传感器健康数据包;我们应用机器学习技术，预测模型管理，传感器分析和阈值检查。表1根据不同的标准和重点对我们的工作和其他人的工作进行了比较。3. 故障管理框架本节介绍了我们提出的基于深度/机器学习的故障管理框架，如图1所示。该框架包括分布在两个主要站点（即患者站点和数据中心站点）上的硬件和软件组件。我们假设保险公司是患者健康监测、数据采集和物流的支持实体。患者可能存在于具有不同背景和网络连接的不同地方，如图2所示。生理数据进入电子健康记录（EHR）储存库，而管理数据进入内容管理数据库（CMDB）（Sallabi等人，2018; Al Thawadi等人， 2019年）。如前所述，故障管理涉及网络、设备和软件中的故障。有效的故障管理对于确保医疗保健接受者和提供者服务的中断最小化或不中断至关重要在这个框架中，我们考虑了不同的软件和硬件故障. 表2列出并定义了每种故障及其影响。3.1. 数据中心子系统我们的框架使用不同的数据源，如患者的网站，护理人员的网站，网络数据和预测模型数据。来自患者站点的数据被累积、持久化并用于生成AI/深度学习模型，以在数据中心构建容错系统。WBAN中的传感器数据可以有三种主要类型：传感器原始数据分组、传感器健康分组和路由更新分组。传感器原始数据包（如温度、ECG、SpO2）将感知数据传送到网关。传感器健康数据包包括有关传感器在网络中的无线电流量、电池电压、接收信号强度指示器（RSSI）、丢弃数据包等方面的性能的数据。路由更新数据包包括有关如何将数据包路由到网关的信息。对于我们提出的框架，我们只收集和分析了前两种传感器数据。图1显示了数据中心子系统，它有四个组成部分：数据处理、学习和评估、数据源组成部分和模型版本控制（MVC）。我们专注于容错系统的两个方面：预测故障的训练过程和预测模型的新更新/发布的管理和部署过程。3.1.1. 学习和评价部分训练过程在数据中心离线执行该任务涉及从不同来源（包括单个传感器和站点）挖掘积累的数据数据经过预处理、分割、过滤，并且可能出于安全和隐私目的进行伪装在数据被清理之后，ML算法被应用。学习任务是一个迭代过程，包括两个重要步骤，即培训和评估。数据科学家可以使用不同的ML技术在训练中生成容错预测（FTP）图 3（A）给出了一个通过统一建模语言（UML）符号捕获的FTP模型。该模型有一个简单的界面来预测和检索元数据和可读标签。FTP模型进行评估，以验证其可靠性，准确性，并与一个标准的格式。然后将验证的FTP模型我们的原型结合了四个著名的有效的学习技术，即人工神经网络，DNN，SVM和决策树（DT）。我们的框架是灵活的，因为更多的模型可以合并和部署后，以提高性能和应对新的紧急技术。3.1.2. 模型版本控制MVC是一个版本控制组件，用于管理不同的模型版本和发布。FTP模型有两个部分，元数据和预测模型。元数据包含版本号、描述、唯一ID和可读标签。的表1我们的工作与其他作品。研究参考话题故障检测数据管理机器学习方法预测模型管理原型作为证明概念（Salayma等人，2017年; Gao等人，20 1 5 ; Al-Turjman和Baali，2019;调查N/AN/AN/AN/AN/AHassanalieragh，2015; Sawand等人，2015; Hartmann等人，2019）（Zhou等人，2015; Gia等人，2015; Li等人， 2013年度）IoT是的没有是的没有没有（Sharma等人，2010年; Yang等人，2015; Zhang等人，（2017年）WBAN是的没有是的没有没有（Jeong等人， 2014年度）WBAN是的没有是的没有没有（Yi & Cai，2018）WBAN是的是的没有没有是的（Liao等人，2018; Wang等人，2020; Tavera等人，2021; Mehmood等人， WSN是的没有是的没有没有2020年; Peng等人，2017）（Li等人，（2008年）WBAN是的是的是的没有是的（Zhang等人，（2017年）WBAN没有是的没有没有是的我们的工作WBAN是的是的是的是的是的M. Awad，F.萨拉比湾Shuaib等人沙特国王大学学报7129Fig. 1. 故障管理框架。图二. 智能医疗环境。预测模型是学习经验的原始数据表示，并且它是特定于技术的。例如，它可能是TensorFlow模型，WEKA模型，LIBSVM模型等。MVC是框架的重要组成部分。除了管理模型版本之外，它还通知PDA组件新的更新和发布。在这个框架中，我们考虑了不同故障的不同任务/响应，因为为所有故障学习一个模型会导致一个需要长时间训练的胖模型，并且可能会受到低准确性的影响。因此，我们也有不同的标准型号和专用型号。标准模型将用于一般情况，而专门的模型用于紧急情况和关键条件。此外，学习是一个持续的过程，其中当新数据积累并准备就绪时执行再训练为了学习这个任务会被重新调用，以更新模型并将其部署到生产环境中。自动化这些活动构成了一个严重的挑战，该框架所需的高水平的可靠性和容错设备在一个关键的上下文中，涉及人类的生命。模型格式的标准化是另一个挑战，因为可以应用不同的设备和学习技术。每个设备可以生成不同的数据格式，并且每个学习算法可以具有不同的模型格式。目前，模型格式包括Google的ProtoBuf（PB）Prototype，用于TensorFlow模型、Libsvm格式、HDF5格式和WEKA格式。由于附加的元数据，所提出的FTP模型可以容纳各种模型，如图3（B）所示。这些元数据有助于PDA正确地解释、运行和预测故障。在数据中心，我们可以为不同的故障创建不同的模型。对于不同的应用程序和上下文，有不同的AI技术。我们集成了四种人工智能算法，即DT，SVM，ANN和DNN。我们在选择这些模型时考虑了三个标准：故障预测背景、当前的技术水平和人工智能新兴技术。决策树（Yan-yan and Ying，2015）产生了一个具有直观归纳规则的可解释模型，易于理解和计算。支持向量机是一种流行的学习技术，它搜索最佳的边缘超平面来划分数据集并最大化它们的边缘。这是通过使用核技巧将数据映射到高维空间来执行的（Shawe-Taylor和Cristianini，2000）。ANN和DNN以其在复杂问题中的预测能力而闻名（Al-Turjman和Baali，2019）。人工神经网络受到生物神经元的启发，由于其处理不确定性和数据集不足的能力，成为一种非常重要的预测方法在ANN中，通常使用两层或然而，许多隐藏层（DNN）在复杂问题中表现出显着的结果，尽管训练需要更长的时间。我们在原型中使用了两种技术，TensorFlow和Weka，用于深度学习（DNN）、SVM和DT。通常，基于数据的复杂性、预测准确性和性能，数据科学家决定要使用的技术和ML算法。3.1.3. 传感器简档不同的医疗传感器可以同时连接到患者的身体上。每个传感器可能使用不同的技术和不同的数据表示。为此，我们引入了传感器配置文件的概念，其中有传感器的规格和操作阈值。传感器为了使PDA正常工作，需要下载传感器规格，特别是在使用新部署的传感器或更换M. Awad，F.萨拉比湾Shuaib等人沙特国王大学学报7130表2硬件和软件故障的定义和含义。故障类型描述故障影响离群值由于噪声、错误、事件或恶意攻击而导致的数据点偏离其他观测值峰值数据梯度在一段时间内的变化率大于预期。常见的原因包括电池故障和其他硬件故障或电线连接松动。固定在零点的传感器值在一段意外的时间内经历零变化这种故障的原因通常是传感器硬件故障。硬件传感器硬件故障会导致数据不准确。这是由于环境干扰、短路或电线松动。它可能会扭曲均值、方差、梯度和其他数据特征。尖峰应被丢弃，并导致传感器数据产量的损失。数据仍然具有价值，可以在较低的保真度下进行解释。否则，丢弃数据。由于传感器未按设计运行，因此数据无意义。它应该被丢弃。电池电池电压下降到传感器无法自信地报告数据的点。电池故障会导致无用的数据。例外情况是，传感器在低电压下的行为会产生额外的噪声，因此可能具有信息价值。环境超出范围环境超出传感器的灵敏度范围可能存在更高的噪声或数据的平坦化这也可能是校准不当的迹象它仍然包含一些信息内容。至少，它表明环境超过传感器灵敏度范围。无线连接没有互联网连接畸形预测模型功能障碍预测模型由于干扰、噪音、低电量等原因，与网关的连接丢失数据丢失由于移动性，与Internet的连接丢失没有连接到后端服务器。预测模型不符合格式/标准定义。预测失败。该模型的预测精度较低，误报率和假阴性率较高。不同技术的传感器。表3给出了建议的传感器曲线值的含义。请注意，该配置文件包含制造规范和故障配置，例如故障阈值和时序。例如，ft_dead表示PDA在发送传感器故障警报之前等待的时间（以秒为单位）。当数据中心站点配置发生更改时，PDA将自动通知下载新的配置文件。在我们的框架中使用传感器据报道（Salayma et al.，2017年），由于硬件和其他规格的差异，使用阈值来隔离和检测故障并不总是成功的。然而，在这个框架中，我们建议通过构建一个ML模型来自动化这个过程，该模型可以自动生成样本并为所有传感器构建一个阈值层次。图4描绘了构建这种模型的步骤。首先，我们根据每个传感器的配置文件随机生成样本读数（训练和验证）。其次，这些读数被自动标记并传递给ML技术。最后，使用验证集。如果模型的准确度低于阈值（90%），我们会生成更多的样本并重新计算最后，将预测模型部署为PDA使用。3.2. 患者PDA子系统PDA子系统管理患者环境。它接收WBAN传感器数据，分析健康数据，安全地将传感器数据发送到数据中心，预测故障，并将故障通知患者/数据中心。PDA子系统有三个组成部分：数据适配器/分析器、故障报警和预测模型管理。在下面的小节中，我们将详细介绍每个组件。3.2.1. 数据适配器/分析仪组件数据适配器/分析器（DAA）组件负责捕获WBAN传感器数据。该数据可以是原始业务数据包或患者的生物数据。PDA组件收集的数据经过处理后发送到数据中心图3.第三章。FTP模型的结构和格式，（A）UML中FTP模型的接口，（B）FTP在云中的内部细节M. Awad，F.萨拉比湾Shuaib等人沙特国王大学学报7131表3建议的传感器配置文件属性定义。特性定义传感器ID的一般描述传感器的唯一ID型号传感器硬件型号说明序列号传感器类型传感器类型Ft_dead以秒为单位的时间表示PDA应该等待多长时间，直到它确定传感器故障。Ft_hardware触发传感器硬件故障警报的连续硬件故障计数，例如，在表5中，如果PDA检测到3个连续故障，则发送这样Ft_low_battery触发传感器低电量故障警报的连续低电量故障计数，例如，在表5中，如果PDA检测到3个连续故障，则发送Ft_spike触发传感器尖峰故障警报的连续尖峰传感器读数的计数，例如，在表5中，如果PDA检测到3个连续读数高于最大值属性，则PDA发送这样Ft_stuck触发传感器卡住故障警报的连续零传感器读数的计数，例如， 图 4，如果PDA检测到3个连续的零读数，则PDA发送这样的警报。Min-value传感器读数的最小值（根据规格）。小于该值的值被视为加标值。Max-value传感器读数的最大值。高于此值的值被视为尖峰。出于隐私和安全考虑，数据在传输和驻留在数据中心期间必须加密。由于WBAN传感器数据适配器组件的设计必须能够适应无缝/平滑的传感器更换和所需的新兴技术已经提出了标准来实现这一点，例如ETSITS 103 378标准;然而，仍然需要适当的、广泛使用的标准图5描述了原型中使用的详细设计和算法。请注意，DAA有四个子组件。首先是数据适配器，它接收原始数据并将其转换。第二个是预处理器，它过滤数据以提取特定于任务的相关第三，发送器，将数据传输到数据中心。第四，故障检测器使用AI和深度学习模型（内部保存在PDA上）在本地分析数据，并将任何传感器故障报告给故障报警组件。故障检测器可以预测传感器故障，将预处理的流量旁路到经过深度训练的模型池由预测模型组件管理除了预测模型之外，故障检测器还检查阈值以检测故障。在我们的设计中，我们使用传感器的剖析，使阈值检查更实际和可行。如前所述，在患者部位，存在一个配置文件，该配置文件定义了每个传感器规格，包括阈值。如果更换了传感器或将传感器添加到患者身上，PDA会收到来自数据中心的通知并下载传感器的配置文件。故障检测算法从数据结构的初始化开始。这些数据结构包括字典来跟踪每个传感器表5给出了检测故障的算法。第1-在第4行，主环路开始无限地监控传感器流量。算法在第5行等待，直到新的分组到达-第6第8-9行缓冲到达的数据包，一旦满了就将缓冲区刷新到数据中心。第10-12行例如，第10行启动一个执行线程，以检测传感器读数是否超出最线程将通过检查给定传感器接收到的连续尖峰值的数量并将其与配置文件阈值进行比较来执行表7如果违反阈值，则向数据中心发送警报，如表7中的第8行所示。之后的线程等待给定的时间，直到下一次检查（表7中的第11行）。请注意，可以为每个故障同时启动单独的线程，也可以将其合并到一个线程中。如表7所示，每个数据包都可以传递给函数然而，对由此造成的逐步退化的调查可能值得在今后的工作中探讨在检测到故障的情况下，通过网络管理协议向数据中心发送陷阱为了避免错误警报和不必要的警报，原型在检测到故障时不会发出警报。相反，每个故障都有一个时间/计数阈值，一旦达到该阈值，就会触发例如，如果检测到失效传感器故障回想一下，检测故障的线程在相对较短的时间内重复执行该操作。这样，我们就可以避免由于传感器被阻塞而导致的不必要的警报。物理屏障。3.2.2. 故障报警组件故障报警组件（FAC）通知数据中心任何传感器故障。它会重复发送故障通知/陷阱，直到问题得到解决。FAC通过语音、SMS或两者将故障发送给患者或护理人员。3.2.3. 预测模型组件预测模型组件（PMC）检索最新的预测模型并将它们本地存储在PDA上 图 5显示了PMC的不同子组件。Access子组件根据患者的配置文件检索监测患者所需的预测模型Access子组件检查见图4。 基于阈值的学习M. Awad，F.萨拉比湾Shuaib等人沙特国王大学学报7132¼¼- 四分之一¼图五. PDA子系统深入。表4原型中使用的数据结构字典键，值>目的PMC管理传感器配置文件，其中包含患者部位使用的每个传感器的规格，如表3所示。Hb_dict传感器id，时间>Fault_dict传感器ID，计数>Stuck_at_dict<传感器ID，时间>Spike_dict传感器ID，时间>为传感器保存数据包保存传感器保存上次记录的传感器零值。保留上次记录的探头峰值。4. 实验和分析本节介绍了在开发容错预测模型时进行的实验。我们有三组实验：基于实验室的WBAN流量数据集，生物数据集和合成数据集。在每个小节中，我们将详细介绍性能指标、数据集细节、实验设置和结果分析。以获取数据中心上的新更新，并将其本地安装在PDA上。出于隐私原因，预测模型是加密的，仅在安装期间解密。数据分析器使用这些预测模型来监控流量，查找传感器故障。我们的原型利用内置的异步侦听器自动触发数据中心站点上新生成的预测模型的下载。该原型实现了一个模型验证过程，以在使用前验证预测模型否则，一个软件4.1. 业绩计量在WBAN中，数据集可能是不平衡的，即，标签的分布不是均匀分布的。因此，准确度本身并不是报告预测结果的良好性能度量（Fu等人， 2019年）。因此，使用以下标准公式计算准确率、误报率、精确率、召回率和F1评分指标，以评估性能。将发出警报，PDA将回滚到以前安装的版本。除了在本地管理预测模型之外，表5故障检测算法（* 表示异步）。准确度TPN精密TP公司简介TPð1Þð2Þ算法：故障检测/传输输入：缓冲区大小N步骤：1.初始化数据结构2.buffer← []//保存数据包的缓冲区3.pred_models←读取预测模型召回<$TP20FN300F1score2Recall×Precision4召回和精确度4.DO-WHILE5.Pkt← readPacket（）//读取来自WBAN的6.sensor_id ←get_sensor_id（pkt）错误报警率FPFP-100ð5Þ7.record_packet_info（pkt，sensor_id）//见表68.如果缓冲区已满，则刷新（缓冲区，数据中心）9.buffer.append（pkt）10.Start Asynch* check_fault（spike_dict，SPIKE-Fault）//参见表711.启动异步 * check_fault（hb_dict，Sensor-Down）//参见表712.Start Asynch* check_fault（ft_dict，Low-Battery）//参见表713. END-DO其中N是数据集的大小; TP（真阳性）是阳性/故障的预测阳性的数量;TN（真阴性）是非阳性/故障的预测阴性的数量; FP（假阳性）是非阳性/故障的预测阳性的数量; FN（假阴性）是阳性/故障的预测阴性的数量。M. Awad，F.萨拉比湾Shuaib等人沙特国王大学学报7133表6记录数据包信息算法。算法：记录-数据包-信息输入：packet：pkt，Sensor：sensor_id步骤：1.配置文件←get_sensor_profile（sensor_id）2.reading ←get_biological_data（pkt）3.hb_dict[sensor_id] = current_time（）4.如果读数不为零，则设置stuck_at[sensor_id] = 0，否则设置stuck_at[sensor_id]++6.IF读取配置文件[sensor_id].MAX THENSET spike_dict[sensor_id] = 0 ELSE spike_dict[sensor_id]++.. . 更多.. .7.pred_models，DO中的8.flag← predict_fault（m，pkt）9.如果标志为故障，则递增ft_dict[sensor_id]否则设置ft_dict[sensor_id] ←010.端部-前表7检查故障算法。算法：检查故障时间输入：字典：input_dict sensor_id，阈值>，故障类型：故障步骤：1.无限地做2.current_time ←get_time（）3.FOR-EACH sensor_id in input_dict Do4.curr_status ←input_dict[sensor_id]5.配置文件←get_profile（sensor_id）6. was-violated-flag←验证是否超过/违反7.如果was-violated-flag为true，则8.notify-data-center（sensor_id，fault）// SNMP协议9.结束-如果10.端部-前11.等待TH秒12. END-DO4.2. WBAN实验室数据集一个由15个传感器组成的WBAN被部署在实验室中的类人拓扑结构上收集传感器健康数据包和传感器数据包30天。传感器健康数据包定期从每个传感器节点发送到基站，以提供关于传感器节点的性能和连接性的状态信息另一方面，传感器数据包包含实际的传感器读数。通过应用聚合、汇总和转换对收集的数据进行预处理。我们手动检查了传感器健康数据包，并确定了两种类型的故障：电池和无线连接故障。表8给出了数据集的快照，其中有三个标签：正常（N）、电池报警（BA）和连接报警（CA）。数据集大小为26，364条记录，分布如下：66.16% N，31.74% BA和2.1% CA。这些数据表示传感器和流量信息，例如电池寿命和平均故障间隔时间（MTBF）。我们使用TensorFlow、LIBSVM和Weka库构建了ANN、DNN、SVM和DT预测模型来检测故障训练模型的设置见表9。在所有模型中，使用10倍交叉验证技术验证模型的准确性。在k-Fold交叉验证中，数据集被分成k个折叠，其中k-1个折叠用于训练，剩余的折叠用于测试。我们重复这个过程k次，并报告平均精度。表9中的培训参数基于经验和对数据的熟悉程度。我们已经对每种技术进行了几轮不同的参数尝试，并报告了最有效的参数我们找到了。在第一组实验中，表10-13列出了所有模型的预测结果。除SVM外，所有模型都取得了显着的预测准确率，召回率，精确度和F1得分（>94%）。DT和DNN已经实现了零误报率。高准确性可以解释为问题的性质和数据。虽然DT采用归纳规则，但DNN和ANN具有强大的预测能力，依赖于长时间的复杂网络训练。支持向量机有效地工作与二进制分类，并处理多类问题可能需要校准和调整。表11和表13中的结果可能存在过拟合。然而，我们在ANN/DNN中应用了早期停止方法（Jabbar和Khan，2015），并在DT中应用了预修剪（Bramer，2007）以避免过拟合。此外，使用不同的测量和10倍交叉验证支持我们的结果。4.3. 生物学数据集如前所述，可以对照阈值检查传感器读数以确定其有效性。然而，当处理许多传感器，其中每个传感器有其阈值和硬件的具体情况下，使用数据挖掘技术来表示和管理阈值检查变得必要。在第二组实验中，我们将AI应用于生物和合成数据集，通过阈值检查来检测故障。我们使用具有医学读数的BIDMC-PPG数据集（Pimentel，2016）。数据集是从53名重症患者中收集的心率（HR）、心搏、呼吸率（RESP）和SPO2率读数的集合，样本如表14所示。数据集包含100，000个读数，其中93.4%的读数被认为是正常的，6.6%被认为是异常的。此外，我们使用合成数据来模拟真实场景，假设500个传感器来测量不同的生物数据进行大规模分析。对于每个传感器，生成标记读数用于训练。生成的数据的分布为46%为正常读数，54%为错误读数。表15显示了合成数据集的快照。在另一种情况下，我们认为相同的阈值可能不适用于不同的患者状况。例如，正常情况下的血压阈值与手术后或分娩期间不同因此，在数据集中添加了条件或状态属性，以反映同一传感器可能根据某些条件具有不同的阈值表16显示了不同条件下的数据集快照。请注意，八种不同的医疗条件被认为是从正常到危急的。在两个合成数据集中，传感器读数和标签是基于传感器分析生成的我们在训练中使用了表9中相同的参数我们使用10倍交叉验证方法报告了训练时间，测试准确率，精度，召回率，f1分数和误报率。BIDMCC-PPG数据集的结果见表17。平均10倍交叉验证的准确率、精确率、召回率和f1分数都大于98%，并且误报率较低。正如预期的那样，ANN和DNN的平均训练时间更长。合成数据集的结果如图所示。 6和图7.第一次会议。这些图显示了DT、SVM和ANN的准确度随数据集大小的变化x轴表示每个传感器的累积读数数这里的重点是用更少的训练数据实现更高的准确率 图图6示出了第一合成数据集的结果。我们观察到SVM和DT都表现得非常好，具有很高的准确性。ANN实现了较低的准确性，可能是由于需要参数校准和较长的发作时间;然而，SVM和ANN受数据集大小的影响较小M. Awad，F.萨拉比湾Shuaib等人沙特国王大学学报7134表8数据集快照和摘要。节点ID健康包节点包转发丢弃重试电池父RSSI dBm标签1 464 4014 1062 156 13 2.7 0- 62 N15 397 3409 19 123 511 3.1 0- 82 N4 394 3403 0 97 1 3.1 0- 43 N7 470 4053 32 155 60 2.9 0- 56 N5 470 4058 158 170 696 2.6 8- 62 N8 470 4051 1102 282 64 2.7 0- 64 N2 470 4064 82 131 61 2.6 0- 54 N9 470 4049 774 169 95 2.7 0- 64 N14 470 4038 145 147 223 2.5 0- 72 BA12 464 3991 1026 158 640 2.5 1- 86 BA10 470 4047 1400 195 54 2.4 0- 64 BA电话：+86-10 - 8888888传真：+86-10- 8888888814 471 4047 145 147 223 2.5 0- 71 BA12 465 4000 1026 158 641 2.5 1- 88 BA10 471 4056 1400 195 54 2.4 0- 64 BA13 471 4049 318 398 2153 2.5 0- 80 BA12 864 7436 1026 241 1516 2.5 0- 95 CA11 40 340 0 20 104 2.6 0- 95 CA14 1935 16，641 2374 594 1361 2