Τεχνικές και μέθοδοι παρακολούθησης ενεργειακής κατανάλωσης και μοντελοποίηση αλγορίθμων επεξεργασίας βιοϊατρικών σημάτων σε ασύρματα δίκτυα αισθητήρων

Abstract

Η ταχύτατη εξέλιξη στον τομέα της μικροηλεκτρονικής, της βιομηχανίας αισθητήρων και των ασύρματων επικοινωνιών επέτρεψε την ανάπτυξη και διάθεση ολοκληρωμένων ηλεκτρονικών διατάξεων που ενσωματώνουν δυνατότητες μικροελεγκτών, αισθητήρια κυκλώματα, ασύρματες διεπαφές, τυπωμένες κεραίες και βοηθητικές μονάδες όπως μονάδες παροχής ενέργειας. Η σμίκρυνση των διαστάσεων οδήγησε στην ανάπτυξη μιας σχετικά νέας επιστημονικής περιοχής που γρήγορα γνώρισε την άνθηση με χιλιάδες δημοσιεύσεις σε όλες τις πτυχές του θέματος των ασύρματων δικτύων αισθητήρων. Μέσα σε λίγα χρόνια, πολλές ερευνητικές ομάδες από όλο τον κόσμο έχουν δημοσιεύσει σε συνέδρια και περιοδικά πολλές προτάσεις και υλοποιήσεις για όλα τα επιστημονικά ζητήματα που σχετίζονται με τα ασύρματα δίκτυα αισθητήρων και ειδικότερα για τις εφαρμογές τους στον τομέα της βιοϊατρικής τεχνολογίας. Ένα από τα μεγάλα ερευνητικά ζητήματα αφορά και την ενεργειακή κατανάλωση των ασύρματων δικτύων αισθητήρων, αφού η διάρκεια ζωής των κόμβων αισθητήρων καθορίζει σε σημαντικό βαθμό τη λειτουργικότητα, τη δυνατότητα απόκρισης του δικτύου σε ασύγχρονα γεγονότα, τη συνδεσιμότητα των κόμβων και τελικά το χρόνο ζωής του δικτύου. Στον τομέα αυτό η έρευνα έχει επικεντρωθεί κυρίως σε δύο βασικές κατευθύνσεις, τη βελτιστοποίηση παραμέτρων των πρωτοκόλλων που εφαρμόζονται στα ασύρματα δίκτυα αισθητήρων και την ανάπτυξη χαμηλής κατανάλωσης ηλεκτρονικών διατάξεων. Η αποτελεσματικότητα των προτεινόμενων λύσεων σπάνια διερευνάται σε επίπεδο δημοσιεύσεων ενώ πολλές από τις προτάσεις είναι ανεφάρμοστες ή αποτελούν μια δίκαιη εξισορρόπηση ανάμεσα στη διάρκεια χρόνου ζωής και των δικτυακών παραμέτρων. Στην ερευνητική προσπάθεια που αναπτύσσεται στα πλαίσια της διδακτορικής διατριβής αναλύεται ένα μεθοδολογικό πλαίσιο για την θεωρητική εκτίμηση της ενεργειακής κατανάλωσης εφαρμογών ασύρματων δικτύων αισθητήρων, προτείνονται λύσεις για την προσομοίωση της λειτουργίας και την πρόβλεψη της συνολικής και των επιμέρους ενεργειακών καταναλώσεων των διαφόρων υποσυστημάτων του κόμβου αισθητήρων και παρουσιάζονται τρεις πρότυπες ηλεκτρονικές διατάξεις χαμηλής κατανάλωσης που μπορούν να χρησιμοποιηθούν αρθρωτά με κόμβους αισθητήρων προκειμένου να παρέχουν πειραματικές ενδείξεις της πραγματικής ενεργειακής κατανάλωσης. Η μελέτη του θέματος της ενεργειακής κατανάλωσης εφαρμογών που εκτελούνται σε κόμβους αισθητήρων αποκαλύπτει ότι κάτω από ορισμένες προϋποθέσεις το πιο ενεργοβόρο υποσύστημα αποτελεί αυτό της ασύρματης επικοινωνίας. Μέσα από την επιστημονική προσέγγιση που αναλύεται στη διδακτορική διατριβή προτείνονται τεχνικές μείωσης της κατανάλωσης μέσω της μείωσης των δεδομένων προς αποστολή και λήψη από την επεξεργασία τους στο μικροελεγκτή του κόμβου αισθητήρων. Επιπλέον, η εισαγωγή ελέγχου της ασύρματης διεπαφής μέσω παρατεταμένων διαστημάτων κατάστασης ύπνωσης του υποσυστήματος ραδιομετάδοσης αποδεικνύεται με θεωρητικό τρόπο, εργαλεία προσομοίωσης αλλά και πειραματικές μετρήσεις ως ο πιο αποτελεσματικός τρόπος ελαχιστοποίησης της ενεργειακής κατανάλωσης. Η επεξεργασία των δεδομένων που συλλέγονται από τα αισθητήρια υποσυστήματα προϋποθέτει τη μελέτη και υλοποίηση κατάλληλων μεθόδων επεξεργασίας σημάτων σε επίπεδο κόμβου αισθητήρων. Επικεντρώνοντας την ερευνητική δραστηριότητα σε βιοϊατρικά σήματα, αναλύονται οι υπάρχουσες μέθοδοι επεξεργασίας σημάτων με έμφαση στην εμπειρική μέθοδο αποσύνθεσης. Το θεωρητικό υπόβαθρο για τη συγκεκριμένη μέθοδο είναι σχετικά ισχνό επομένως η μελέτη της γίνεται κυρίως με αριθμητικές προσομοιώσεις. Στα πλαίσια της διδακτορικής διατριβής αναπτύσσεται μοντέλο πρόβλεψης των σημάτων ενδογενών τρόπων ταλάντωσης (Intrinsic Mode Functions, IMF) το οποίο βασίζεται στα στατιστικά χαρακτηριστικά της χρονοσειράς του βιοϊατρικού σήματος. Το αποτέλεσμα που εξάγεται από το μοντέλο προκύπτει με τη μορφή κλειστού διαστήματος πρόβλεψης και η εφαρμογή του σε χρονοσειράς βιοϊατρικών σημάτων αποκαλύπτει ποσοστά επιτυχών προβλέψεων της τάξης του 98%. Επιπλέον στη διδακτορική διατριβή προτείνεται μεθοδολογία διαχωρισμού των IMFs βάση του επιπέδου λευκού θορύβου που εμπεριέχουν μέσω της στατιστικής τους σημαντικότητας για τη μερική ανακατασκευή της χρονοσειράς. Η διατριβή ολοκληρώνεται με τη μελέτη του θέματος της πολυπλοκότητας εκτέλεσης της μεθόδου με την ανάπτυξη μοντέλου εκτίμησης υπολογιστικού χρόνου το οποίο λαμβάνει υπόψη στατιστικά χαρακτηριστικά της χρονοσειράς.

The explosive growth of microelectronics along with the sensor industry and wireless communications led to the development of sophisticated electronic devices which integrate microcontroller capacities, sensory circuits, wireless interfaces, printed antennas and supply units. Wireless sensor networks is considered a rather new technological and scientific area with a significant research interest and thousands of publications for all aspects of this issue. Various research groups have given major contribution and proposed sustainable solutions especially in the specific area of biomedical applications of wireless sensor networks. One of the active research issues in the wireless sensor network scientific field is related to the energy consumption of nodes and the determination of network lifetime expectancy which greatly determines the functionality and the network capacity to respond to asynchronous events monitoring and actuation. Two major fields gather the attention of the scientific community that deals with the optimization of protocol parameters implemented in the wireless sensor network and the development of low power consumption electronics. The efficiency of the proposed solutions is rarely explored in real life applications and is mainly limited to the simulation results for network life expectancy improvement. On the other side there are many research methods applied on virtual networks in simulation stage that have been proved to be difficult in implementation. The Doctoral Thesis analyzes a methodology framework for the theoretical calculation of energy consumption in wireless sensor network nodes and simulation results are provided for the estimation of energy consumption node's subsystem. Furthermore, three novel electronic devices are developed for the verification and validation of theoretical and simulated results. Wireless radio subsystem is mainly responsible for a significant part of energy consumption. In the doctoral Thesis this allegation is verified and techniques are developed that target to the minimization of duty cycle for the specific subsystem. The most efficient way of energy consumption reduction is proved to be the long sleep periods for the radio communications subsystem. This is supported by theoretical tools, simulation and measurement campaign results. Moreover, the reduction of data volume transmitted by the radio communication subsystem is accomplished by the implementation of a signal processing method that is applied on data collected by the sensory subsystem. Focusing on biomedical time series, special interest is given on empirical mode decomposition (EMD). The theoretical background of the method is not substantially developed in literature leading to numerical simulation as a means to explore the effect of the method on collected data. The algorithm that implements empirical mode decomposition is partially studied in terms of number of decomposed signals and computation time. This doctoral thesis fills this gap by proposing a methodology road map for the determination of the computational requirements in order to run the algorithm on biomedical time series acquired by means of the wireless sensor node's sensory subsystem. The acceptance of the Empirical Mode Decomposition as a processing tool is stressed by the large number of publications in diverse areas of signal processing including financial applications, fluid dynamics, ocean engineering, electromagnetic field time series analysis and image analysis. Open issues in the research field of empirical mode decomposition are related to the adaptive data analysis methodology in order to find out the underlying processes. In system identification field, the knowledge of the nonlinear characteristics of a physical process has become a hotspot. The lack of a solid base definition and the limited success of a credible methodology test for the nonlinear system identification based only on observed time series remains an unsolved issue. Furthermore, the prediction problem is a challenging task in terms of determining a spline curve for the extension of data. The advantage of empirical mode decomposition is based on the fact that only the IMFs (decomposed signal originating from the application of EMD on the original time series) need to be predicted and this raises the need to identify the value and location of the signal’s extrema. Moreover, the selection of the optimum parameters in EMD algorithm in order to produce the best IMF set is still under investigation. Number of signals produced by the application of the empirical mode decomposition, called Intrinsic Mode Functions (IMF), is unknown prior to the application of the method. A prediction model for the number of IMFs is developed which is based on the statistical properties of the collected biomedical time series. The prediction model outcome is provided as an upper and lower limit. Validation stage application on Physionet biomedical electrocardiogram time series results in a 98% success prediction of the model. Furthermore, a methodology for the statistical significance of the IMFs in the presence of White Gaussian Noise is provided which facilitates the partial signal reconstruction. Doctoral Thesis concludes with the development of a processing time prediction model for the application of the method on resource limited wireless sensor network nodes which is based on statistical properties of the collected biomedical time series. The contribution of the doctoral thesis on the enrichment of the literature related to EMD is multifold. First, it copes with an a priori prediction of the total number of IMFs produced from time series, based on knowledge and measurements of specific parameters and characteristics of the time series. Secondly, it describes a methodology starting from a monocomponent signal and extending to biomedical signals in order to study the performance of EMD in a generalized way regardless of the time series. Thirdly, a model is proposed for the prediction of the number of IMFs that achieves high accuracy and prediction success compared to other existing models. Fourthly, a prediction model for the total computation time required for the execution of the method on wireless sensor network node level is introduced. The strong point of the proposed prediction model is related to the a priori estimation of computation time for the execution of the EMD algorithm on biomedical signals without the execution of the algorithm body.