CN114530028B - 一种基于LoRa通信与联邦学习的校园学生智能手环监控系统及方法 - Google Patents

一种基于LoRa通信与联邦学习的校园学生智能手环监控系统及方法 Download PDF

Info

Publication number
CN114530028B
CN114530028B CN202210132269.XA CN202210132269A CN114530028B CN 114530028 B CN114530028 B CN 114530028B CN 202210132269 A CN202210132269 A CN 202210132269A CN 114530028 B CN114530028 B CN 114530028B
Authority
CN
China
Prior art keywords
lora
data
bracelet
module
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210132269.XA
Other languages
English (en)
Other versions
CN114530028A (zh
Inventor
林驰
孔纯洁
刘宇轩
陈卓
王志勇
车欣泽
胡家豪
张钰
李芃松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202210132269.XA priority Critical patent/CN114530028B/zh
Publication of CN114530028A publication Critical patent/CN114530028A/zh
Application granted granted Critical
Publication of CN114530028B publication Critical patent/CN114530028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0205—Specific application combined with child monitoring using a transmitter-receiver system
    • G08B21/0211—Combination with medical sensor, e.g. for measuring heart rate, temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0233—System arrangements with pre-alarms, e.g. when a first distance is exceeded
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0269—System arrangements wherein the object is to detect the exact location of child or item using a navigation satellite system, e.g. GPS
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/028—Communication between parent and child units via remote transmission means, e.g. satellite network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/03—Protecting confidentiality, e.g. by encryption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/02—Terminal devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/16—Gateway arrangements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Cardiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供一种基于Lora通信与联邦学习的校园学生智能手环监控系统及方法，属于物联网技术领域。本发明使用联邦学习，通过基础的全局健康监测模型以及每个学生配置的Lora手环中的传感器收集到的数据进行模型的更新，Lora手环、Lora网关以及云端服务器之间仅仅传输加密后的模型数据，将终端的本地模型数据在云端服务器与全局健康监测模型进行整合，更新后得到更加真实的模型。本发明提供了对于学生隐私的保护、对于校园学生的健康状况以及运动状态的监测功能，实现了系统功耗更低、实时大范围监控、数据传输以及对学生未来健康状况预测的目的。

Description

一种基于LoRa通信与联邦学习的校园学生智能手环监控系统及方法
技术领域
本发明属于物联网技术领域，涉及一种基于扩频技术的超远距离无线传输方案(LoRa)结合联邦学习的用于学生校园运动健康监测的大规模监控系统及方法。
背景技术
在物联网应用中，数据的传输方式往往扮演着重要的角色。现有的智能手表或手环往往采用蓝牙、蜂窝、wifi无线数据传输技术，将终端设备采集的数据直接上传至所连接的手机。对于常见的实时运动健康监控系统，也往往局限在范围较小的运动场地中，依赖上述技术将数据发送至就近的数据采集服务器中。采用蜂窝无线数据技术进行传输，往往伴随着功耗和辐射较大的问题；而采用蓝牙或wifi传输技术又面临着覆盖范围小、信号衰减快等问题。对于校园学生运动健康的监控，往往是在大运动场或标准跑道上，同时要求对个体数据的实时采集和转发，又不能影响学生正常体育活动，采用智能手环的方式要求了对于数据收发的功耗有一定的限制。另一方面，从学生智能手环中所采集的实时数据通常规模较小，难以对相应设计的应用模型进行训练；通过收集学生群体的全部实时数据并传送至服务器中心进行训练，又面临着传输负荷大和涉及个人隐私安全的问题。
LoRa作为LPWAN(Low Power Wide Area Network)通信技术的一种，为通信终端提供了简单的易实现远距离、低功耗、大电池寿命的系统，通过创建长距离通讯连接的物理层或无线调制，基于CSS(Chirp Spread Spectrum)调制技术在保持低功耗的同时极大地增加了通讯范围，具有传输距离远、抗干扰性强等特点。通过LoRa网关连接控制多个设备，无需额外基站，布网方式更加灵活，成本更低。
联邦学习旨在建立基于分布式数据集的联邦学习模型，将过程分为模型训练和模型推理两部分。在模型训练过程中，模型相关信息可与各方交换，而数据留存在本地。通过聚合服务器将初始模型发布给各参与方，参与方采用各自的数据集对模型进行训练，并将模型权重更新发送到聚合服务器中。服务器通过联邦平均算法等聚合方法，将聚合后的模型更新重新发送给参与方。这一过程重复进行，直至模型收敛。在该体系架构下，保证了参与方的原始数据不会离开自己，保护了用户的隐私和数据安全，减少了发送原始数据所带来的开销，同时解决了单个体模型数据量小导致模型结果不准确的问题。
基于此，本发明结合多传感器的智能手环，采集用户心率、血氧、跑步速度、运动姿态等信息，并通过LoRa网关上传至云端服务器，同时结合心率等分布数据集对下发的联邦学习进行训练，最终将结果聚合到服务器的全局健康监测模型，用以实时监控预测学生运动训练强度和突发情况，并对下一次最佳运动量进行预测，由此实现学生校园运动监控。相较于当前市面上的手环，满足了大规模的实时管理需求，提供了对于学生运动安全的防护与预测，实现对于学生数据的保护加密，对每个学生有独特的数据处理。
发明内容
本发明的目的是如何通过服务器结合LoRa网关收发一定规模的LoRa体征与模型数据，并通过联邦学习的方式实现对学生个体进行突发情况判断以及适宜运动强度预测。本发明提出了一种以LoRa作为数据传输方式，实现基于联邦学习的校园学生智能手环监控系统，提供对于学生隐私的保护、对于校园学生的健康状况以及运动状态的监测功能，实现了系统功耗更低、实时大范围监控、数据传输以及对学生未来健康状况预测的目的。
本发明中使用联邦学习，通过基础的全局健康监测模型以及每个学生配置的Lora手环中的传感器收集到的数据进行模型的更新，Lora手环、Lora网关以及云端服务器之间仅仅传输加密后的模型数据，将终端的本地模型数据在云端服务器与全局健康监测模型进行整合，更新后得到更加真实的模型。传统的训练模型需要得到所有用户的对应数据进行训练，这种方式容易导致用户私有数据的泄露，无法保护学生的私人数据，因此选用联邦学习框架训练网络模型，避免每个用户之间的数据交换，转换为加密后的模型数据交换，保证算法效果的前提下满足用户的隐私保护需求。
本发明的技术方案为：
一种基于Lora通信与联邦学习的校园学生智能手环监控系统，包括依次相连的Lora手环1、Lora网关2、云端服务器3和控制端4。
所述的Lora手环1，由学生佩戴，具体包括管控模块A11以及与管控模块A11相连的电源模块A12、Lora通信模块A13、GPS模块14、心率血氧模块15和三轴加速度传感器模块16。其中，管控模块A11用于储存数据，控制协同各模块工作，解析指令。电源模块A12采用锂电池给所述的Lora手环供电。GPS模块14用于记录学生的位置信息，实现定位功能。心率血氧模块15用于测量学生的心率、血氧相关数据。三轴加速度传感器模块16用于测量学生的步数，估算跑步距离等运动数据信息。Lora通信模块A13将采集到的学生的心率、血氧、定位信息、运动数据等打包，基于所述Lora网关的定时唤醒机制的设定，周期性的将心率、血氧、定位信息、运动数据等无线发送至Lora网关2。
所述的Lora网关2，用于实现Lora手环与互联网的连接，具体包括管控模块B24、无线网络通信模块23、Lora通信模块B22和采用锂电池供电的电源模块B21。其中，管控模块B24搭载OpenWrt系统，与无线网络通信模块23、Lora通信模块B22及电源模块B21相连，主要用于储存数据。
Lora通信模块B22接收Lora手环1的Lora通信模块A13传递出的数据包，并通过无线网络通信模块23将数据包上传至云端服务器3，从而实现Lora手环与互联网的连接。
所述的云端服务器3，用于储存Lora手环的数据。云端服务器3中设有聚合服务器，用于处理服务器中存储的数据并聚合形成全局健康监测模型。
所述的控制端4与云端服务器3通讯，控制端4为面向学生或学校管理员的业务应用软件平台，通过PC端或移动端连接、查看，并管理相关数据。
进一步地，所述的Lora通信模块A13选用SX1278芯片。
进一步地，所述的Lora网关2通过低频LoRaWAN(433Mhz)网络，与多个Lora手环相连。
一种采用上述校园学生智能手环监控系统的方法，包括以下步骤：
步骤1：通过移动设备连接Lora网关2，并对Lora手环1、Lora网关2进行设置，调整Lora手环数据发送频段与Lora网关数据接受频段一致并避开32的整数倍。将Lora网关2接入互联网，调整Lora网关传输地址与云端服务器公网IP一致。
步骤2：通过学生佩戴的Lora手环上的心率血氧传感器15采集学生的心率血氧信息，通过三轴加速器传感器模块16测量学生的步数，结合GPS模块14得到学生位置信息，使用Lora网关脚本对Lora手环模型参数机型收集并分别储存。
所述心率血氧模块15由发光二极管和光电二极管组成，使用发光二极管红光RED、红外IR照射被测部位，然后使用一个光电二极管接收透射的光线，将光信号转换为电信号，得到IR值与RED值，并运用低通滤波器，消除IR值和RED值的交流分量，得出原始光信号波形的直流分量DCred、DCir，然后通过高精度的ADC测量反射回的电流大小，通过IR、RED值与直流分量计算出相对应的交流分量ACred、ACir。为保证血氧输出的稳定性，需要设一个血氧的过滤因子与血氧的初始值，首先运用相应的交流与直流信号求出R值：
Figure BDA0003503197980000051
再通过下列公式计算血氧值：
SpO2＝-23.3*(R-0.4)+100
运用低通滤波器得出最终输出的血氧值。
步骤3：建立本地模型
步骤3.1：将神经网络初始化
根据神经网络系统的输入和输出序列(X,Y)来确定神经网络输入层、隐含层和输出层的节点数N、i、M；并初始化这三层神经元的连接权值ωnl和ωlm，其中，n表示输入层节点，n＝1,2,…,N；l表示隐含层节点，l＝1,2,…,i；m表示输出层节点，m＝1,2,…,M；并对隐含层、输出层的阈值a、b进行初始化，然后确定神经元激励函数和学习速率。
步骤3.2：计算隐含层的输出
根据输入值x、输入层和隐含层间连接权值ωnl以及隐含层的阈值a来计算隐含层的输出H：
Figure BDA0003503197980000052
其中，f为隐含层激励函数，由于这个函数有多种形式，本发明为：
Figure BDA0003503197980000061
步骤3.3：计算输出层的输出
根据隐含层函数H、隐含层和输出层间连接权值ωlm以及输出层的阈值b，来计算预测输出O：
Figure BDA0003503197980000062
步骤3.4：误差分析
根据O、Y来计算神经网络预测误差e：
em＝Ym-Omm＝1,2,…,M
步骤3.5：更新权值
根据神经网络预测误差e更新权值ωnl和ωlm：
Figure BDA0003503197980000063
ωln＝ω(l-1)(m-1)+ηHl-1em-1l＝1,2,…i；m＝1,2,…,M
其中，η为学习速率。
步骤3.6：更新阈值
根据神经网络预测误差e来更新网络节点阈值a、b：
Figure BDA0003503197980000064
bm＝bm-1+em-1m＝1,2,…,M
步骤3.7：判断算法迭代的结束情况
判断训练的网络到指定迭代次数时是否收敛来判断算法是否完成迭代，若没有结束，返回到步骤3.2重新进行。
步骤4：Lora手环1通过Lora网关2将加密处理过的学生数据传输至云端服务器3，具体步骤如下：
步骤4.1：Lora手环1将本地模型打包及部分数据打包，通过Lora网络将数据传输至Lora网关2。
步骤4.2：Lora网关2通过特定脚本接受数据并储存在管控模块中，通过MQTT协议传输至云端服务器3，并存储相关数据。
其中，学生数据的加密处理过程使用FATE框架训练联邦神经网络对Lora手环监测数据(运动信息、血氧浓度和心率等)进行模型参数的加密聚合，联邦学习的模型参数加密聚合基于同态加密算法，同态加密公式如下：
Figure BDA0003503197980000071
E(x+y)＝E(x)⊙E(y) (2)
在不需要解密密钥的情况下可以对密文进行有效操作。
其中，E()表示同态加密算法，x、y表示加密的原文，⊕、⊙分别表示同或、异或模型数学运算。如果一个加密算法满足式(1)，则该加密算法是满足加法同态的；如果一个公式满足式(2)，则该加密算法是乘法同态的；同时满足两个公式则该加密算法是全同态的。因此，聚合服务器可以实现对多个Lora手环训练得到的本地模型进行加密聚合。
步骤5：云端服务器3对收集的学生数据进行处理。通过SGD算法聚合各个Lora手环中的本地模型并对云端服务器的全局健康监测模型进行更新，具体步骤如下：
通过Lora手环本地模型训练的损失函数乘以固定的学习速率η，计算出新一轮权重更新，Lora手环中的本地模型权重如下：
Figure BDA0003503197980000072
第t轮通信聚合服务器的全局健康监测模型为：
Figure BDA0003503197980000081
其中，ωt,k代表第k个客户端第t轮通信的本地模型更新，ωt代表第t轮通信的全局健康监测模型更新，nk表示第k个客户端的数据量，n表示总数据量，η代表固定的学习率，Fk(ω)是第k个设备的本地目标函数。
步骤6：云端服务器的控制端4实时观测所有Lora手环基础数据以及各手环全局健康监测模型预测结果，得到数据接近预警值以及超出预警值的学生名单。
本发明的有益效果：
(1)基于Lora通信，采用一对多的模式，实现远距离实时监控学生的健康数据，如心率、血氧浓度，并基于联邦学习，实现对学生个体进行突发情况判断以及预警功能；
(2)GPS实现实时监控学生位置信息，提供打卡、考勤的功能；
(3)基于联邦学习，实现对学生个体适宜运动强度的预测的功能。
附图说明
图1为lora智能手环整体架构图。
图2为学生健康状态监控与预测流程。
图中：1Lora手环；2Lora网关；3云端服务器；4控制端；11管控模块A；12电源模块A；13Lora通信模块A；14GPS模块；15心率血氧模块；16三轴加速度传感器模块；21电源模块B；22Lora通信模块B；23无线网络通信模块；24管控模块B。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的说明，力求完整清楚的解释本发明技术方案，但不作为对本发明的限度。
如图1所示，一种基于Lora通信与联邦学习的校园学生智能手环监控系统，包括Lora手环1若干个、Lora网关2、云端服务器3和控制端4。
第一步，通过移动设备连接Lora网关2并对Lora手环1、Lora网关2进行设置，调整Lora手环数据发送频段与Lora网关数据接受频段一致并避开32的整数倍。将Lora网关2接入互联网，调整Lora网关传输地址与云端服务器公网IP一致。
第二步，通过学生佩戴的Lora手环上的心率血氧传感器15采集学生的心率血氧信息，通过三轴加速器传感器模块16测量学生的步数，结合GPS模块14得到学生位置信息，使用Lora网关脚本对Lora手环模型参数机型收集并分别储存。
第三步，建立BP神经网络本地模型，聚合服务器本地模型将学生的健康情况分为五类水平，依次按照数值分为糟糕、较差、及格、良好、优秀。通过每一层之间的神经元之间的数据输出以及对不理想的输出数据的反向传播，来预测误差调整神经网络的权重和阈值，使神经网络的预测输出靠近理想输出。
第四步，使用FATE框架训练联邦神经网络对Lora手环1采集到的学生数据进行模型参数的加密聚合，并通过Lora网关2将处理过后的学生数据传输至云端服务器3。
第五步，云端服务器3对于收集的学生数据进行处理，通过SGD算法聚合各个Lora手环中的本地模型并对云端服务器的全局健康监测模型进行更新。
第六步，云端服务器的控制端4实时观测所有Lora手环基础数据以及各手环模型预测结果，得到数据接近预警值以及超出预警值的学生名单。

Claims (4)

1.一种基于Lora通信与联邦学习的校园学生智能手环监控系统的监控方法，其特征在于，所述的校园学生智能手环监控系统包括Lora手环(1)、Lora网关(2)、云端服务器(3)和控制端(4)；
所述的Lora手环(1)包括管控模块A(11)以及与管控模块A(11)相连的电源模块A(12)、Lora通信模块A(13)、GPS模块(14)、心率血氧模块(15)和三轴加速度传感器模块(16)；其中，管控模块A(11)用于储存数据，控制协同各模块工作，解析指令；电源模块A(12)采用锂电池给Lora手环供电；GPS模块(14)用于记录学生的位置信息，实现定位功能；心率血氧模块(15)用于测量学生的心率、血氧相关数据；三轴加速度传感器模块(16)用于测量学生的步数，估算包括跑步距离在内的运动数据信息；Lora通信模块A(13)将采集到的学生的心率、血氧、定位信息、运动数据打包，基于所述Lora网关的定时唤醒机制的设定，周期性的将心率、血氧、定位信息、运动数据无线发送至Lora网关(2)；
所述的Lora网关(2)，用于实现Lora手环与互联网的连接，具体包括管控模块B(24)、无线网络通信模块(23)、Lora通信模块B(22)和电源模块B(21)；其中，管控模块B(24)搭载OpenWrt系统，与无线网络通信模块(23)、Lora通信模块B(22)及电源模块B(21)相连，用于储存数据；
Lora通信模块B(22)接收Lora手环(1)的Lora通信模块A(13)传递出的数据包，并通过无线网络通信模块(23)将数据包上传至云端服务器(3)，从而实现Lora手环与互联网的连接；
所述的云端服务器(3)，用于储存并处理Lora手环的数据；
所述的控制端(4)与云端服务器(3)通讯，控制端(4)为面向学生或学校管理员的业务应用软件平台，通过PC端或移动端连接、查看，并管理数据；
所述的监控方法包括以下步骤：
步骤1：通过移动设备连接Lora网关(2)，并对Lora手环(1)、Lora网关(2)进行设置，调整Lora手环数据发送频段与Lora网关数据接受频段一致并避开32的整数倍；将Lora网关(2)接入互联网，调整Lora网关传输地址与云端服务器公网IP一致；
步骤2：通过心率血氧传感器(15)采集学生的心率血氧信息，通过三轴加速器传感器模块(16)测量学生的步数，结合GPS模块(14)得到学生位置信息，使用Lora网关脚本对Lora手环模型参数机型收集并分别储存；
步骤3：建立本地模型
步骤3.1：将神经网络初始化
根据神经网络系统的输入和输出序列(X,Y)来确定神经网络输入层、隐含层和输出层的节点数N、i、M；并初始化这三层神经元的连接权值ωnl和ωlm，并对隐含层、输出层的阈值a、b进行初始化，然后确定神经元激励函数和学习速率；其中，n表示输入层节点，n＝1,2,…,N；l表示隐含层节点，l＝1,2,…,i；m表示输出层节点，m＝1,2,…,M；
步骤3.2：计算隐含层的输出
根据输入值x、输入层和隐含层间连接权值ωnl以及隐含层的阈值a来计算隐含层的输出H：
Figure FDA0004119259310000021
其中，f为隐含层激励函数：
Figure FDA0004119259310000022
步骤3.3：计算输出层的输出
根据隐含层函数H、隐含层和输出层间连接权值ωlm以及输出层的阈值b，来计算预测输出O：
Figure FDA0004119259310000031
步骤3.4：误差分析
根据O、Y来计算神经网络预测误差e：
em＝Ym-Om m＝1,2,…,M
步骤3.5：更新权值
根据神经网络预测误差e更新权值ωnl和ωlm：
Figure FDA0004119259310000032
ωlm＝ω(l-10(m-1)+ηHl-1em-1 l＝1,2,…i；m＝1,2,…,M
其中，η为学习速率；
步骤3.6：更新阈值
根据神经网络预测误差e来更新网络节点阈值a、b：
Figure FDA0004119259310000033
bm＝bm-1+em-1 m＝1,2,…,M
步骤3.7：判断算法迭代的结束情况
判断训练的网络到指定迭代次数时是否收敛来判断算法是否完成迭代，若没有结束，返回到步骤3.2重新进行；
步骤4：Lora手环(1)通过Lora网关(2)将加密处理过的学生数据传输至云端服务器(3)；具体步骤如下：
步骤4.1：Lora手环(1)将本地模型打包及部分数据打包，通过Lora网络将数据传输至Lora网关(2)；
步骤4.2：Lora网关(2)通过特定脚本接受数据并储存在管控模块中，通过MQTT协议传输至云端服务器(3)，并存储相关数据；
其中，学生数据的加密处理过程使用FATE框架训练联邦神经网络对Lora手环监测数据进行模型参数的加密聚合，联邦学习的模型参数加密聚合基于同态加密算法，同态加密公式如下：
Figure FDA0004119259310000041
E(x+y)＝E(x)⊙E(y)(2)
其中，E()表示同态加密算法，x、y表示加密的原文，⊕、⊙分别表示同或、异或模型数学运算；若一个加密算法满足式(1)，则该加密算法是满足加法同态的；若一个公式满足式(2)，则该加密算法是乘法同态的；同时满足两个公式则该加密算法是全同态的；因此，聚合服务器可以实现对多个Lora手环训练得到的本地模型进行加密聚合；
步骤5：云端服务器对收集的学生数据进行处理
通过SGD算法聚合各个Lora手环中的本地模型并对云端服务器的全局健康监测模型进行更新，具体步骤如下：
通过Lora手环本地模型训练的损失函数乘以固定的学习速率η，计算出新一轮权重更新，Lora手环中的本地模型权重如下：
ωt,k＝ωt-1,k-ηFk(ω)
第t轮通信聚合服务器的全局健康监测模型为：
Figure FDA0004119259310000042
其中，ωt,k代表第k个客户端第t轮通信的本地模型更新，ωt代表第t轮通信的全局健康监测模型更新，nk表示第k个客户端的数据量，n表示总数据量，η代表固定的学习率，Fk(ω)是第k个设备的本地目标函数；
步骤6：云端服务器的控制端(4)实时观测所有Lora手环基础数据以及各手环全局健康监测模型预测结果，得到数据接近预警值以及超出预警值的学生名单。
2.根据权利要求1所述的监控方法，其特征在于，所述的Lora通信模块A(13)选用SX1278芯片；所述的Lora网关(2)通过低频LoRaWAN网络，与多个Lora手环相连。
3.根据权利要求1或2所述的监控方法，其特征在于，所述端服务器(3)中设有聚合服务器，用于处理服务器中存储的数据并聚合形成全局健康监测模型。
4.根据权利要求1所述的监控方法，其特征在于，步骤2中，所述心率血氧模块(15)由发光二极管和光电二极管组成，使用发光二极管红光RED、红外IR照射被测部位，然后使用一个光电二极管接收透射的光线，将光信号转换为电信号，得到IR值与RED值，并运用低通滤波器，消除IR值和RED值的交流分量，得出原始光信号波形的直流分量DCred、DCir，然后通过高精度的ADC测量反射回的电流大小，通过IR、RED值与直流分量计算出相对应的交流分量ACred、ACir；为保证血氧输出的稳定性，设一个血氧的过滤因子与血氧的初始值，首先运用相应的交流与直流信号求出R值：
Figure FDA0004119259310000051
再通过下列公式计算血氧值：
SpO2＝-23.3*(R-0.4)+100
运用低通滤波器得出最终输出的血氧值。
CN202210132269.XA 2022-02-14 2022-02-14 一种基于LoRa通信与联邦学习的校园学生智能手环监控系统及方法 Active CN114530028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210132269.XA CN114530028B (zh) 2022-02-14 2022-02-14 一种基于LoRa通信与联邦学习的校园学生智能手环监控系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210132269.XA CN114530028B (zh) 2022-02-14 2022-02-14 一种基于LoRa通信与联邦学习的校园学生智能手环监控系统及方法

Publications (2)

Publication Number Publication Date
CN114530028A CN114530028A (zh) 2022-05-24
CN114530028B true CN114530028B (zh) 2023-04-25

Family

ID=81622342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210132269.XA Active CN114530028B (zh) 2022-02-14 2022-02-14 一种基于LoRa通信与联邦学习的校园学生智能手环监控系统及方法

Country Status (1)

Country Link
CN (1) CN114530028B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116506469B (zh) * 2023-06-25 2023-09-05 华东交通大学 基于振动取能rfid传感器与联邦学习的桥梁状态监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734032A (zh) * 2020-12-31 2021-04-30 杭州电子科技大学 一种用于横向联邦学习的优化方法
CN113052333A (zh) * 2021-04-02 2021-06-29 中国科学院计算技术研究所 基于联邦学习进行数据分析的方法及系统
CN113807157A (zh) * 2020-11-27 2021-12-17 京东科技控股股份有限公司 基于联邦学习训练神经网络模型的方法、装置和系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101933810B (zh) * 2010-09-03 2015-09-16 深圳市索莱瑞医疗技术有限公司 一种血氧饱和度检测方法
CN104299031A (zh) * 2014-06-13 2015-01-21 国家电网公司 Bp神经网络超短期负荷预测方法
CN105534503A (zh) * 2016-02-01 2016-05-04 金昌红 老人心率监护定位系统及方法
CN107736699A (zh) * 2017-10-23 2018-02-27 天津云拓网络科技有限公司 一种基于LoRa手环的学生校园定位系统
CN109363660B (zh) * 2018-10-26 2022-04-12 石家庄昊翔网络科技有限公司 基于bp神经网络的心率监测方法及服务器
US20210073639A1 (en) * 2018-12-04 2021-03-11 Google Llc Federated Learning with Adaptive Optimization
CN111625988A (zh) * 2020-03-10 2020-09-04 河北工程大学 基于深度学习的桥梁健康管理分析与预测系统及方法
CN111631698A (zh) * 2020-05-12 2020-09-08 东南大学 基于运动模式级联约束的可穿戴血压监测及修正方法
CN112367109B (zh) * 2020-09-28 2022-02-01 西北工业大学 空地网络中由数字孪生驱动的联邦学习的激励方法
CN112699402B (zh) * 2020-12-28 2022-06-17 广西师范大学 基于联邦个性化随机森林的可穿戴设备活动预测方法
CN113593693A (zh) * 2021-05-25 2021-11-02 水欢怡 远程健康管理平台
CN113971461A (zh) * 2021-10-26 2022-01-25 南京航空航天大学 一种无人机自组网分布式联邦学习方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807157A (zh) * 2020-11-27 2021-12-17 京东科技控股股份有限公司 基于联邦学习训练神经网络模型的方法、装置和系统
CN112734032A (zh) * 2020-12-31 2021-04-30 杭州电子科技大学 一种用于横向联邦学习的优化方法
CN113052333A (zh) * 2021-04-02 2021-06-29 中国科学院计算技术研究所 基于联邦学习进行数据分析的方法及系统

Also Published As

Publication number Publication date
CN114530028A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
Wu et al. Artificial neural network based path loss prediction for wireless communication network
Wu et al. Edge-based hybrid system implementation for long-range safety and healthcare IoT applications
CN108171259A (zh) 一种基于NB-IoT的智慧末梢水质监测系统及方法
CN107462289A (zh) 一种水质安全监测系统
CN114530028B (zh) 一种基于LoRa通信与联邦学习的校园学生智能手环监控系统及方法
Deepika et al. Wireless sensor network in precision agriculture: A survey
Liu et al. Wireless distributed learning: A new hybrid split and federated learning approach
CN106664220A (zh) 估计网络中的带宽
CN102325155A (zh) 基于无线传感网络的生命体征监控方法及系统
CN108051779A (zh) 一种面向tdoa的定位节点优选方法
CN106453488A (zh) 一种基于量子通信的农产品生产环境监测方法与系统
CN103020728A (zh) 一种电力系统中变电站短期电能质量预测方法
CN106990217A (zh) 基于无线传感器网络的污水监测系统
Gao Smart campus teaching system based on ZigBee wireless sensor network
Moin et al. Optimized design of a human intranet network
Gál et al. Internet of things: application areas and research results of the FIRST project
CN113705083B (zh) 一种移动群智感知中参与者可靠性评估和真值推断方法
Yu Research and optimization of sports injury medical system under the background of Internet of things
Shi et al. Edge computing and the internet of things on agricultural green productivity
Gad et al. Joint self-organizing maps and knowledge distillation-based communication-efficient federated learning for resource-constrained UAV-IoT systems
Wang et al. Graph Neural Network enabled Propagation Graph Method for Channel Modeling
Giménez et al. Embedded federated learning over a LoRa mesh network
Calderón et al. GPRS telemetry system for high-efficiency electric competition vehicles
Kumari et al. An optimized routing algorithm for BAN by considering hop-count, residual energy and link quality for route discovery
Lu et al. Enhanced LoRaWAN RSSI indoor localization based on BP neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant