DE202023105340U1

DE202023105340U1 - An autoencoder-based biomedical signal transmission system to optimize performance using a convolutional neural network

Info

Publication number: DE202023105340U1
Application number: DE202023105340.8U
Authority: DE
Original assignee: Nitte Meenakshi Institute Of Tech; Nitte Meenakshi Institute of Technology
Current assignee: Nitte Meenakshi Institute Of Tech; Nitte Meenakshi Institute of Technology
Priority date: 2023-09-14
Filing date: 2023-09-14
Publication date: 2023-10-12
Anticipated expiration: 2033-09-15

Abstract

Ein auf einem Auto-Encoder basierendes biomedizinisches Signalübertragungssystem, bestehend aus:
eine Eingabeerfassungsverarbeitungseinheit zum Sammeln der Eingaben von mehreren drahtlosen Sensoren und zum anschließenden Sammeln der gesammelten Eingaben als Eingabe für das System;
eine Vorverarbeitungseinheit zur Verbesserung der Signalqualität, in der Techniken wie Filterung, Glättung und Digitalisierung durchgeführt werden;
eine Kodierungsverarbeitungseinheit, die so konfiguriert ist, dass sie nur den Hauptteil des Eingangssignals statt des gesamten Signals kodiert, wobei mit der Kodierungsverarbeitungseinheit eine Merkmalsauswahlverarbeitungseinheit kombiniert ist, um die Merkmalsauswahl und Kodierung gleichzeitig zu erleichtern;
eine Kommunikationsverarbeitungseinheit, die dazu konfiguriert ist, das codierte Signal an den gewünschten Ort zu übertragen; und
eine Rekonstruktionsverarbeitungseinheit, die so konfiguriert ist, dass sie das ursprüngliche Signal rekonstruiert und gleichzeitig eine signalverlustfreie Entschlüsselung des codierten Signals ermöglicht.

An auto-encoder based biomedical signal transmission system consisting of:
an input collection processing unit for collecting the inputs from a plurality of wireless sensors and then collecting the collected inputs as input to the system;
a pre-processing unit to improve signal quality, where techniques such as filtering, smoothing and digitization are carried out;
an encoding processing unit configured to encode only the main part of the input signal instead of the entire signal, a feature selection processing unit being combined with the encoding processing unit to facilitate feature selection and encoding simultaneously;
a communication processing unit configured to transmit the encoded signal to the desired location; and
a reconstruction processing unit configured to reconstruct the original signal while enabling loss-free decryption of the encoded signal.

Description

GEBIET DER ERFINDUNGFIELD OF THE INVENTION

Die vorliegende Offenbarung bezieht sich auf das Gebiet der drahtlosen Sensornetzwerke und insbesondere auf ein biomedizinisches Signalübertragungssystem auf Auto-Encoder-Basis zur Leistungsoptimierung mithilfe eines Faltungs-Neuronalen Netzwerks.The present disclosure relates to the field of wireless sensor networks and, more particularly, to an autoencoder-based biomedical signal transmission system for performance optimization using a convolutional neural network.

HINTERGRUND DER ERFINDUNGBACKGROUND OF THE INVENTION

Der Begriff „drahtlose Sensornetzwerke“ (WSN) bezieht sich auf eine Klasse von Netzwerken, die aus Sensorknoten bestehen, von denen jeder in der Lage ist, Daten zu verarbeiten, zu kommunizieren und zu erfassen. WSN wird für viele verschiedene Zwecke eingesetzt, beispielsweise für die Umweltüberwachung, die Landwirtschaft, die Kampfüberwachung, den Grenzschutz auf internationaler Ebene und die Überwachung des Maschinenzustands. Da die Nachfrage nach intelligenterem Leben gestiegen ist, hat WSN Mobilfunknetze als wichtigste IoT- Infrastruktur abgelöst.The term “wireless sensor networks” (WSN) refers to a class of networks consisting of sensor nodes, each capable of processing, communicating, and collecting data. WSN is used for many different purposes, such as environmental monitoring, agriculture, combat surveillance, border protection at the international level, and machine health monitoring. As demand for smarter living has increased, WSN has replaced cellular networks as the primary IoT infrastructure.

IoT verfügt über ein zuverlässiges Objektdatenübertragungssystem. Die Verknüpfung von Datenerfassungsgeräten wie GPS, RFID, Sensorknoten und ultraroten Identifikatoren zur Durchführung der Kommunikation und des Datenaustauschs für das vorgegebene Protokoll wird als Internet der Dinge (IoT) bezeichnet . IoT wird häufig zur Nachverfolgung, intelligenten Artikelidentifizierung, Objektverwaltung und Standortbestimmung eingesetzt. Sie wird typischerweise in drei Kategorien unterteilt: die Übertragungsschicht, die Erfassungsschicht und die Anwendungsschicht. Um Paketverluste und Netzwerkverzögerungen zu reduzieren und die Genauigkeit und Effizienz der Datenerfassung zu erhöhen, ist die Übertragungsschicht dafür verantwortlich, sicherzustellen, dass Daten konsistent zwischen der Anwendungsschicht und der Erfassungsschicht übermittelt werden.IoT has a reliable object data transmission system. The linking of data collection devices such as GPS, RFID, sensor nodes and ultra-red identifiers to carry out communication and data exchange for the given protocol is called Internet of Things (IoT). IoT is widely used for tracking, intelligent item identification, asset management, and location tracking. It is typically divided into three categories: the transmission layer, the capture layer and the application layer. To reduce packet loss and network delays and increase the accuracy and efficiency of data collection, the transmission layer is responsible for ensuring that data is delivered consistently between the application layer and the collection layer.

Zum Thema der energiesparenden Durchführung der Datenübertragung in drahtlosen Sensornetzwerken (WSNs) wurden zahlreiche Forschungsprojekte durchgeführt. Damit der Sensorknoten sein maximales Potenzial ausschöpfen kann, muss die für die Datenübertragung erforderliche Leistung auf ein Minimum beschränkt werden. Techniken zur Datenkomprimierung und Datenaggregation sind unerlässlich, um die Energiemenge zu reduzieren, die WSN dafür verbraucht.Numerous research projects have been carried out on the topic of energy-saving data transmission in wireless sensor networks (WSNs). In order for the sensor node to achieve its maximum potential, the power required for data transmission must be kept to a minimum. Data compression and data aggregation techniques are essential to reduce the amount of energy WSN consumes.

Der Begriff „Compressive Sensing“ (CS) bezieht sich auf einen bestimmten Signalverarbeitungs- und Datenerfassungsansatz, der eine neuartige Lösung für die Datenverarbeitung in WSNs darstellt. Die Forscher haben gezeigt, dass Daten, die hauptsächlich auf CS-basierten Datenerfassungstechniken basieren, die räumlichen Netzwerkfähigkeiten vollständig ausnutzen, den Energieverbrauch des Netzwerks reduzieren, die Datenkomprimierung erleichtern und das Problem der Energielücke lösen können. Mit weniger Paketverlusten auf Netzwerkleitungen versucht die WSN CS-basierte Datenerfassung, Daten in einer zuverlässigen Netzwerkumgebung zu sammeln. In tatsächlichen WSNs kommt es häufig zu Paketverlusten.The term “Compressive Sensing” (CS) refers to a specific signal processing and data acquisition approach that represents a novel solution for data processing in WSNs. The researchers have shown that data acquisition techniques based mainly on CS can fully exploit the spatial network capabilities, reduce network energy consumption, facilitate data compression, and solve the energy gap problem. With less packet loss on network lines, WSN CS-based data collection attempts to collect data in a reliable network environment. Packet loss is common in actual WSNs.

Während das Signal während der Übertragung komprimiert wird, bewahrt der Compressive Sensing (CS)-Ansatz die Spärlichkeit des Signals. Das Programm stellt sicher, dass das rekonstruierte Empfangssignal von guter Qualität ist. Ein Signal gilt als spärlich, wenn es im Vergleich zum Originalsignal eine sehr kleine Anzahl von Koeffizienten aufweist, die nicht Null sind. Die hervorragende Qualität der spärlichen Signalrekonstruktion kann über CS wiederhergestellt werden. CS wird häufig in praktischen Anwendungen wie Biosignalkomprimierung, Radar, drahtloser Kommunikation und Bildverarbeitung eingesetzt. Es wurden umfangreiche Studien zum Einsatz des CS bei der Übertragung medizinischer Daten durchgeführt, die dazu beigetragen haben, dass das System erschwinglichere und energieeffizientere Lösungen liefern konnte. Die auf Kompressionsmessung basierende Technik kann weiter verbessert werden, indem nur die Hauptbotschaft des Signals kodiert wird.While the signal is compressed during transmission, the Compressive Sensing (CS) approach preserves the sparseness of the signal. The program ensures that the reconstructed received signal is of good quality. A signal is considered sparse if it has a very small number of non-zero coefficients compared to the original signal. The excellent quality of sparse signal reconstruction can be recovered via CS. CS is widely used in practical applications such as biosignal compression, radar, wireless communication and image processing. Extensive studies have been conducted on the use of the CS in the transmission of medical data, which has helped the system to provide more affordable and energy efficient solutions. The compression measurement based technique can be further improved by encoding only the main message of the signal.

Aufgrund des Umfangs der Verbesserung der CS-Technik besteht daher ein Bedarf an einem solchen verbesserten System.Therefore, due to the extent of improvement in CS technology, there is a need for such an improved system.

Aus der Sicht der vorangegangenen Diskussion wird deutlich, dass ein Bedarf an einem biomedizinischen Signalübertragungssystem auf der Basis eines automatischen Encoders besteht, um die Leistung mithilfe eines neuronalen Faltungsnetzwerks zu optimieren.From the perspective of the previous discussion, it is clear that there is a need for a biomedical signal transmission system based on an automatic encoder to optimize performance using a convolutional neural network.

ZUSAMMENFASSUNG DER ERFINDUNGSUMMARY OF THE INVENTION

Die vorliegende Offenbarung bezieht sich auf ein auf einem Auto-Encoder basierendes biomedizinisches Signalübertragungssystem zur Optimierung der Leistung mithilfe eines neuronalen Faltungsnetzwerks. Die räumliche und zeitliche Korrelation von Signalen, die in dieser Offenbarung von bekannten CS-basierten Algorithmen verwendet werden, steht im Gegensatz zu prospektiven verlustbehafteten Komprimierungstechniken, die sich die zeitliche und geografische Dynamik der Daten zunutze machen. Diese Techniken wurden so modifiziert, dass sie gut mit verteilten WSNs funktionieren. Zu diesem Zweck wird in dieser Offenbarung BCAE vorgeschlagen, das auf optimierter Biosignalkomprimierung unter Verwendung von Convolution Neural Networks (CNN) basiert und Auto-Encoder mit Merkmalsauswahl kombiniert. Hierbei wird der primäre Teil des Signals codiert und an den gewünschten Ort übertragen , anstatt das gesamte Signal als Eingabe zu verwenden. Durch Rekonstruktion ist eine Entschlüsselung ohne Signalverlust möglich. Realistische Verfahren zur Datenaggregation und - erfassung können bei der genauen Datenrekonstruktion hilfreich sein. Für verschiedene Techniken wird der Energieverbrauch im Verhältnis zum Rekonstruktionsfehler bewertet. Wie die Simulation zeigt, beträgt der Datenrekonstruktionsfehler 5 % und der Paketverlust 40 %. Die Datenweiterleitung erfolgt in 16.36 % kürzerer Zeit und mit 23.59 % weniger Energieverbrauch im Netzwerk. Die vorgeschlagene Strategie übertrifft die bereits eingesetzten Strategien, wie aus den Ergebnissen der mit MATLAB durchgeführten Validierung hervorgeht.The present disclosure relates to an autoencoder-based biomedical signal transmission system for optimizing performance using a convolutional neural network. The spatial and temporal correlation of signals used in this disclosure by known CS-based algorithms is in contrast to prospective lossy compression techniques that take advantage of the temporal and geographical dynamics of the data. These techniques have been modified to work well with distributed WSNs. For this purpose, BCAE is proposed in this disclosure, which is based on optimized biosignal compression Using Convolution Neural Networks (CNN) based and auto-encoder combined with feature selection. This involves encoding the primary portion of the signal and transmitting it to the desired location, rather than using the entire signal as input. Reconstruction enables decryption without signal loss. Realistic data aggregation and collection techniques can help in accurate data reconstruction. For different techniques, the energy consumption is evaluated in relation to the reconstruction error. As the simulation shows, the data reconstruction error is 5% and the packet loss is 40%. Data forwarding takes place in 16.36% less time and with 23.59% less energy consumption in the network. The proposed strategy outperforms the strategies already used, as shown by the results of the validation performed with MATLAB.

Die Offenbarung beschäftigt sich damit ein biomedizinisches Signalübertragungssystem auf der Basis eines automatischen Encoders bereitzustellen, um die Leistung mithilfe eines neuronalen Faltungsnetzwerks zu optimieren. Das System umfasst: eine Eingabeerfassungsverarbeitungseinheit zum Sammeln der Eingaben von mehreren drahtlosen Sensoren und zum anschließenden Sammeln der gesammelten Eingaben als Eingabe für das System; eine Vorverarbeitungseinheit zur Verbesserung der Signalqualität, in der Techniken wie Filterung, Glättung und Digitalisierung durchgeführt werden; eine Kodierungsverarbeitungseinheit, die so konfiguriert ist, dass sie nur den Hauptteil des Eingangssignals statt des gesamten Signals kodiert, wobei mit der Kodierungsverarbeitungseinheit eine Merkmalsauswahlverarbeitungseinheit kombiniert ist, um die Merkmalsauswahl und Kodierung gleichzeitig zu erleichtern; eine Kommunikationsverarbeitungseinheit, die dazu konfiguriert ist, das codierte Signal an den gewünschten Ort zu übertragen; und eine Rekonstruktionsverarbeitungseinheit, die so konfiguriert ist, dass sie das ursprüngliche Signal rekonstruiert und gleichzeitig eine signalverlustfreie Entschlüsselung des codierten Signals ermöglicht.The disclosure is concerned with providing a biomedical signal transmission system based on an automatic encoder to optimize performance using a convolutional neural network. The system includes: an input collection processing unit for collecting the inputs from a plurality of wireless sensors and then collecting the collected inputs as input to the system; a pre-processing unit to improve signal quality, where techniques such as filtering, smoothing and digitization are carried out; an encoding processing unit configured to encode only the main part of the input signal instead of the entire signal, a feature selection processing unit being combined with the encoding processing unit to facilitate feature selection and encoding simultaneously; a communication processing unit configured to transmit the encoded signal to the desired location; and a reconstruction processing unit configured to reconstruct the original signal while enabling loss-free decryption of the encoded signal.

Ein Ziel der vorliegenden Offenbarung besteht darin, ein auf einem automatischen Encoder basierendes biomedizinisches Signalübertragungssystem bereitzustellen, um die Leistung mithilfe eines neuronalen Faltungsnetzwerks zu optimieren.An aim of the present disclosure is to provide an automatic encoder-based biomedical signal transmission system to optimize performance using a convolutional neural network.

Ein weiteres Ziel der vorliegenden Offenbarung besteht darin, eine CNN-basierte optimierte Komprimierung von Biosignalen unter Verwendung eines Auto-Encoders (BCAE) bereitzustellen, der Auto-Encoder und Merkmalsauswahl kombiniert.Another aim of the present disclosure is to provide CNN-based optimized compression of biosignals using an auto-encoder (BCAE) that combines auto-encoder and feature selection.

Ein weiteres Ziel der vorliegenden Offenbarung besteht darin, nur den Hauptteil des Eingangssignals zu kodieren und ihn dann an den gewünschten Ort zu übertragen, wo die ursprüngliche Nachricht rekonstruiert wird.Another goal of the present disclosure is to encode only the main part of the input signal and then transmit it to the desired location where the original message is reconstructed.

Ein weiteres Ziel der vorliegenden Offenbarung besteht darin, den komprimierenden, auf der Erfassung basierenden Algorithmus für drahtlose Sensornetzwerke zu optimieren und zu verbessern.Another goal of the present disclosure is to optimize and improve the compressive sensing-based algorithm for wireless sensor networks.

Um die Vorteile und Merkmale der vorliegenden Offenbarung weiter zu verdeutlichen, erfolgt eine detailliertere Beschreibung der Erfindung unter Bezugnahme auf spezifische Ausführungsformen davon, die in den beigefügten Zeichnungen dargestellt sind. Es versteht sich, dass diese Zeichnungen nur typische Ausführungsformen der Erfindung darstellen und daher nicht als deren Umfang einschränkend anzusehen sind. Die Erfindung wird anhand der beigefügten Zeichnungen genauer und detaillierter beschrieben und erläutert.In order to further illustrate the advantages and features of the present disclosure, a more detailed description of the invention will be made with reference to specific embodiments thereof shown in the accompanying drawings. It is understood that these drawings represent only typical embodiments of the invention and are therefore not to be viewed as limiting its scope. The invention is described and explained in more detail and in greater detail with reference to the accompanying drawings.

KURZBESCHREIBUNG DER FIGURENBRIEF DESCRIPTION OF THE FIGURES

Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verständlich, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügten Zeichnungen gelesen wird, in denen in den Zeichnungen gleiche Bezugszeichen gleiche Teile darstellen, wobei:

1 zeigt ein Blockdiagramm eines auf einem Auto-Encoder basierenden biomedizinischen Signalübertragungssystems zur Leistungsoptimierung unter Verwendung eines Faltungs-Neuronalen Netzwerks gemäß einer Ausführungsform der vorliegenden Offenbarung;
2 veranschaulicht ein Diagramm, das die Kompressionserfassungstechnik in drahtlosen Sensornetzwerken gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt; Und
3A und 3B veranschaulichen Tabellen, die Clustering-Ergebnisse und Klassifizierungsergebnisse unter Verwendung mehrerer vorhandener Techniken und vorgeschlagener Systeme gemäß einer Ausführungsform der vorliegenden Offenbarung darstellen.

These and other features, aspects and advantages of the present disclosure will be better understood when the following detailed description is read with reference to the accompanying drawings, in which like reference numerals represent like parts throughout the drawings, in which:

1 shows a block diagram of an autoencoder-based biomedical signal transmission system for performance optimization using a convolutional neural network according to an embodiment of the present disclosure;
2 illustrates a diagram illustrating compression sensing technique in wireless sensor networks according to an embodiment of the present disclosure; And
3A and 3B illustrate tables depicting clustering results and classification results using several existing techniques and proposed systems according to an embodiment of the present disclosure.

Darüber hinaus werden erfahrene Handwerker erkennen, dass Elemente in den Zeichnungen der Einfachheit halber dargestellt sind und möglicherweise nicht unbedingt maßstabsgetreu gezeichnet wurden. Beispielsweise veranschaulichen die Flussdiagramme die Methode anhand der wichtigsten Schritte, die dazu beitragen, das Verständnis von Aspekten der vorliegenden Offenbarung zu verbessern. Darüber hinaus können im Hinblick auf die Konstruktion des Geräts eine oder mehrere Komponenten des Geräts in den Zeichnungen durch herkömmliche Symbole dargestellt worden sein, und die Zeichnungen zeigen möglicherweise nur die spezifischen Details, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind um die Zeichnungen nicht durch Details zu verdecken, die für den Durchschnittsfachmann auf dem Gebiet, der Nutzen aus der Beschreibung hierin zieht, leicht ersichtlich sind.Additionally, experienced craftsmen will recognize that elements in the drawings are presented for convenience and may not necessarily have been drawn to scale. For example, the flowcharts illustrate the method through key steps that help improve understanding of aspects of the present disclosure. In addition, with regard to the construction of the device, one or more components of the device may be shown in the drawings Conventional symbols may have been depicted, and the drawings may show only the specific details relevant to understanding the embodiments of the present disclosure in order not to obscure the drawings with details that would be difficult for one of ordinary skill in the art to benefit from the description herein draws, are easily visible.

DETAILLIERTE BESCHREIBUNG:DETAILED DESCRIPTION:

Um das Verständnis der Prinzipien der Erfindung zu fördern, wird nun auf die in den Zeichnungen dargestellte Ausführungsform Bezug genommen und für deren Beschreibung eine spezifische Sprache verwendet. Es versteht sich jedoch, dass dadurch keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, da Änderungen und weitere Modifikationen des dargestellten Systems und weitere Anwendungen der darin dargestellten Prinzipien der Erfindung in Betracht gezogen werden, wie sie einem Fachmann normalerweise in den Sinn kommen würden in der Technik, auf die sich die Erfindung bezieht.In order to promote understanding of the principles of the invention, reference will now be made to the embodiment shown in the drawings and specific language will be used to describe the same. It is to be understood, however, that this is not intended to limit the scope of the invention, since changes and further modifications to the system illustrated and further applications of the principles of the invention set forth therein are contemplated as would normally occur to one skilled in the art Technology to which the invention relates.

Der Fachmann wird verstehen, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.Those skilled in the art will understand that the foregoing general description and the following detailed description are exemplary and illustrative of the invention and are not intended to limit the same.

Verweise in dieser Spezifikation auf „einen Aspekt“, „einen anderen Aspekt“ oder eine ähnliche Sprache bedeuten, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder ein bestimmtes Merkmal, das in Verbindung mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Daher beziehen sich die Formulierungen „in einer Ausführungsforrn“, „in einer anderen Ausführungsform“ und ähnliche Formulierungen in dieser Spezifikation möglicherweise, aber nicht unbedingt, auf dieselbe Ausführungsform.References in this specification to “an aspect,” “another aspect,” or similar language mean that a particular feature, structure, or characteristic described in connection with the embodiment is included in at least one embodiment of the present disclosure is included. Therefore, the phrases “in one embodiment,” “in another embodiment,” and similar phrases in this specification may, but not necessarily, refer to the same embodiment.

Die Begriffe „umfasst“, „umfassend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, sodass ein Prozess oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte umfasst, sondern möglicherweise andere Schritte nicht umfasst ausdrücklich aufgeführt oder diesem Prozess oder dieser Methode innewohnend sind. Ebenso schließen ein oder mehrere Geräte oder Subsysteme oder Elemente oder Strukturen oder Komponenten, denen „umfasst...a“ vorangestellt ist, nicht ohne weitere Einschränkungen die Existenz anderer Geräte oder anderer Subsysteme oder anderer Elemente oder anderer Strukturen aus andere Komponenten oder zusätzliche Geräte oder zusätzliche Subsysteme oder zusätzliche Elemente oder zusätzliche Strukturen oder zusätzliche Komponenten.The terms “includes,” “comprising,” or other variations thereof are intended to cover non-exclusive inclusion, such that a process or method that includes a list of steps not only includes those steps, but may include other steps not specifically listed or following this inherent in the process or method. Likewise, one or more devices or subsystems or elements or structures or components prefixed with "comprises...a" do not exclude, without further limitation, the existence of other devices or other subsystems or other elements or other structures from other components or additional devices or additional subsystems or additional elements or additional structures or additional components.

Sofern nicht anders definiert, haben alle hier verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Durchschnittsfachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden werden. Das hier bereitgestellte System, die Methoden und Beispiele dienen nur der Veranschaulichung und sollen nicht einschränkend sein.Unless otherwise defined, all technical and scientific terms used herein have the same meaning as generally understood by one of ordinary skill in the art to which this invention pertains. The system, methods and examples provided herein are for illustrative purposes only and are not intended to be limiting.

Ausführungsformen der vorliegenden Offenbarung werden im Folgenden ausführlich unter Bezugnahme auf die beigefügten Zeichnungen beschrieben.Embodiments of the present disclosure are described in detail below with reference to the accompanying drawings.

Die in dieser Spezifikation beschriebenen Funktionseinheiten sind als Geräte gekennzeichnet. Ein Gerät kann in programmierbaren Hardwaregeräten wie Prozessoren, digitalen Signalprozessoren, Zentraleinheiten, feldprogrammierbaren Gate-Arrays, programmierbarer Array-Logik, programmierbaren Logikgeräten, Cloud-Verarbeitungssystemen oder dergleichen implementiert sein. Die Geräte können auch in Software zur Ausführung durch verschiedene Prozessortypen implementiert werden. Ein identifiziertes Gerät kann ausführbaren Code enthalten und beispielsweise einen oder mehrere physische oder logische Blöcke von Computeranweisungen umfassen, die beispielsweise als Objekt, Prozedur, Funktion oder anderes Konstrukt organisiert sein können. Dennoch muss die ausführbare Datei eines identifizierten Geräts nicht physisch zusammen angeordnet sein, sondern kann aus unterschiedlichen, an unterschiedlichen Orten gespeicherten Anweisungen bestehen, die, wenn sie logisch zusammengefügt werden, das Gerät bilden und den angegebenen Zweck des Geräts erfüllen.The functional units described in this specification are identified as devices. A device may be implemented in programmable hardware devices such as processors, digital signal processors, central processing units, field programmable gate arrays, programmable array logic, programmable logic devices, cloud processing systems, or the like. The devices can also be implemented in software for execution by different types of processors. An identified device may contain executable code and, for example, include one or more physical or logical blocks of computer instructions, which may be organized, for example, as an object, procedure, function, or other construct. However, the executable file of an identified device does not have to be physically located together, but may consist of different instructions stored in different locations, which, when logically assembled, form the device and fulfill the stated purpose of the device.

Tatsächlich könnte ein ausführbarer Code eines Geräts oder Moduls eine einzelne Anweisung oder mehrere Anweisungen sein und sogar über mehrere verschiedene Codesegmente, zwischen verschiedenen Anwendungen und über mehrere Speichergeräte verteilt sein. In ähnlicher Weise können Betriebsdaten hier innerhalb des Geräts identifiziert und dargestellt werden und können in jeder geeigneten Form verkörpert und in jeder geeigneten Art von Datenstruktur organisiert werden. Die Betriebsdaten können als einzelner Datensatz erfasst oder über verschiedene Standorte, einschließlich verschiedener Speichergeräte, verteilt werden und können zumindest teilweise als elektronische Signale in einem System oder Netzwerk vorliegen.In fact, a device or module's executable code could be a single instruction or multiple instructions, and even distributed across several different code segments, between different applications and across multiple storage devices. Similarly, operational data may be identified and represented herein within the device and may be embodied in any suitable form and organized into any suitable type of data structure. The operational data may be collected as a single data set or distributed across various locations, including various storage devices, and may exist, at least in part, as electronic signals in a system or network.

Verweise in dieser Spezifikation auf „eine ausgewählte Ausführungsform“, „eine Ausführungsform“ oder „eine Ausführungsform“ bedeuten, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder ein bestimmtes Merkmal, das in Verbindung mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform des offenbarten Gegenstands enthalten ist. Daher beziehen sich die Ausdrücke „eine ausgewählte Ausführungsform“, „in einer Ausführungsform“ oder „in einer Ausführungsform“ an verschiedenen Stellen in dieser Spezifikation nicht unbedingt auf dieselbe Ausführungsform.References in this specification to “a selected embodiment,” “an embodiment form” or “an embodiment” means that a particular feature, structure, or characteristic described in connection with the embodiment is included in at least one embodiment of the disclosed subject matter. Therefore, the expressions “a selected embodiment,” “in one embodiment,” or “in one embodiment” used elsewhere in this specification do not necessarily refer to the same embodiment.

Darüber hinaus können die beschriebenen Merkmale, Strukturen oder Eigenschaften in einer oder mehreren Ausführungsformen auf jede geeignete Weise kombiniert werden. In der folgenden Beschreibung werden zahlreiche spezifische Details bereitgestellt, um ein umfassendes Verständnis der Ausführungsformen des offenbarten Gegenstands zu ermöglichen. Ein Fachmann auf dem betreffenden Gebiet wird jedoch erkennen, dass der offenbarte Gegenstand ohne eines oder mehrere der spezifischen Details oder mit anderen Methoden, Komponenten, Materialien usw. in die Praxis umgesetzt werden kann. In anderen Fällen können wohlbekannte Strukturen, Materialien, oder Vorgänge werden nicht im Detail gezeigt oder beschrieben, um Aspekte des offengelegten Gegenstands nicht zu verschleiern.Additionally, the features, structures, or properties described may be combined in any suitable manner in one or more embodiments. In the following description, numerous specific details are provided to provide a thorough understanding of embodiments of the disclosed subject matter. However, one skilled in the art will recognize that the disclosed subject matter may be practiced without one or more of the specific details or with other methods, components, materials, etc. In other cases, well-known structures, materials, or processes may not be shown or described in detail so as not to obscure aspects of the subject matter disclosed.

Gemäß den beispielhaften Ausführungsformen können die offenbarten Computerprogramme oder -module auf viele beispielhafte Arten ausgeführt werden, beispielsweise als Anwendung, die sich im Speicher eines Geräts befindet, oder als gehostete Anwendung, die auf einem Server ausgeführt wird und mit diesem kommuniziert Geräteanwendung oder Browser über eine Reihe von Standardprotokollen wie TCP/IP, HTTP, XML, SOAP, REST, JSON und andere ausreichende Protokolle. Die offenbarten Computerprogramme können in beispielhaften Programmiersprachen geschrieben sein, die aus dem Speicher des Geräts oder von einem gehosteten Server ausgeführt werden, wie etwa BASIC, COBOL, C, C++, Java, Pascal, oder Skriptsprachen wie JavaScript, Python, Ruby, PHP , Perl oder andere geeignete Programmiersprachen.According to exemplary embodiments, the disclosed computer programs or modules may be executed in many exemplary ways, for example, as an application residing in a device's memory or as a hosted application executing on and communicating with a server via a device application or browser Set of standard protocols such as TCP/IP, HTTP, XML, SOAP, REST, JSON and other sufficient protocols. The disclosed computer programs may be written in exemplary programming languages that are executed from the device's memory or from a hosted server, such as BASIC, COBOL, C, C++, Java, Pascal, or scripting languages such as JavaScript, Python, Ruby, PHP, Perl or other suitable programming languages.

Einige der offenbarten Ausführungsformen beinhalten oder beinhalten auf andere Weise die Datenübertragung über ein Netzwerk, beispielsweise die Übermittlung verschiedener Eingaben oder Dateien über das Netzwerk. Das Netzwerk kann beispielsweise eines oder mehrere der folgenden Elemente umfassen: Internet, Wide Area Networks (WANs), Local Area Networks (LANs), analoge oder digitale drahtgebundene und drahtlose Telefonnetzwerke (z. B. ein PSTN, Integrated Services Digital Network (ISDN)). , ein Mobilfunknetz und Digital Subscriber Line (xDSL), Radio, Fernsehen, Kabel, Satellit und/oder andere Übertragungs- oder Tunnelmechanismen zur Datenübertragung. Das Netzwerk kann mehrere Netzwerke oder Teilnetzwerke umfassen, von denen jedes beispielsweise einen drahtgebundenen oder drahtlosen Datenweg umfassen kann. Das Netzwerk kann ein leitungsvermitteltes Sprachnetzwerk, ein paketvermitteltes Datennetzwerk oder jedes andere Netzwerk umfassen, das elektronische Kommunikation übertragen kann. Das Netzwerk kann beispielsweise Netzwerke umfassen, die auf dem Internetprotokoll (IP) oder dem asynchronen Übertragungsmodus (ATM) basieren, und kann Sprache beispielsweise mithilfe von VoIP, Voice-over-ATM oder anderen vergleichbaren Protokollen unterstützen, die für Sprachdatenkommunikation verwendet werden. In einer Implementierung umfasst das Netzwerk ein Mobilfunknetz, das so konfiguriert ist, dass es den Austausch von Text- oder SMS-Nachrichten ermöglicht.Some of the disclosed embodiments involve or otherwise involve data transmission over a network, such as the transmission of various inputs or files over the network. The network may include, for example, one or more of the following: Internet, Wide Area Networks (WANs), Local Area Networks (LANs), analog or digital wired and wireless telephone networks (e.g. a PSTN, Integrated Services Digital Network (ISDN) ). , a cellular network and Digital Subscriber Line (xDSL), radio, television, cable, satellite and/or other transmission or tunneling mechanisms for data transmission. The network may include multiple networks or subnetworks, each of which may include, for example, a wired or wireless data path. The network may include a circuit-switched voice network, a packet-switched data network, or any other network capable of transmitting electronic communications. The network may include, for example, networks based on Internet Protocol (IP) or Asynchronous Transfer Mode (ATM), and may support voice using, for example, VoIP, Voice over ATM, or other comparable protocols used for voice data communications. In one implementation, the network includes a cellular network configured to enable the exchange of text or SMS messages.

Beispiele für das Netzwerk sind unter anderem ein Personal Area Network (PAN), ein Storage Area Network (SAN), ein Home Area Network (HAN), ein Campus Area Network (CAN) und ein Local Area Network (LAN). ), ein Wide Area Network (WAN), ein Metropolitan Area Network (MAN), ein Virtual Private Network (VPN), ein Enterprise Private Network (EPN), Internet, ein Global Area Network (GAN) und so weiter.Examples of the network include a Personal Area Network (PAN), a Storage Area Network (SAN), a Home Area Network (HAN), a Campus Area Network (CAN), and a Local Area Network (LAN). ), a Wide Area Network (WAN), a Metropolitan Area Network (MAN), a Virtual Private Network (VPN), an Enterprise Private Network (EPN), Internet, a Global Area Network (GAN), and so on.

1 zeigt ein Blockdiagramm eines auf einem Auto-Encoder basierenden biomedizinischen Signalübertragungssystems (100) zur Leistungsoptimierung mithilfe eines neuronalen Faltungsnetzwerks gemäß einer Ausführungsform der vorliegenden Offenbarung. Das auf einem Auto-Encoder basierende biomedizinische Signalübertragungssystem (100) umfasst eine Eingabeerfassungsverarbeitungseinheit (102) zum Sammeln der Eingaben von mehreren drahtlosen Sensoren (102a) und zum anschließenden Sammeln der gesammelten Eingaben als Eingabe für das System. 1 shows a block diagram of an auto-encoder-based biomedical signal transmission system (100) for performance optimization using a convolutional neural network according to an embodiment of the present disclosure. The autoencoder-based biomedical signal transmission system (100) includes an input capture processing unit (102) for collecting the inputs from a plurality of wireless sensors (102a) and then collecting the collected inputs as input to the system.

In einer Ausführungsform ist eine Vorverarbeitungseinheit (104) so konfiguriert, dass sie die Qualität des Signals verbessert, wobei Techniken wie Filterung, Glättung und Digitalisierung durchgeführt werden.In one embodiment, a pre-processing unit (104) is configured to improve the quality of the signal, performing techniques such as filtering, smoothing and digitization.

In einer Ausführungsform ist eine Kodierungsverarbeitungseinheit (106) so konfiguriert, dass sie nur den Hauptteil des Eingangssignals statt des gesamten Signals kodiert, wobei mit der Kodierungsverarbeitungseinheit eine Merkmalsauswahlverarbeitungseinheit kombiniert ist, um die Merkmalsauswahl und Kodierung zu erleichtern gleiche Zeit.In one embodiment, an encoding processing unit (106) is configured to encode only the main part of the input signal instead of the entire signal, a feature selection processing unit being combined with the encoding processing unit to facilitate feature selection and encoding at the same time.

In einer Ausführungsform ist eine Kommunikationsverarbeitungseinheit (108) so konfiguriert, dass sie das codierte Signal an den gewünschten Ort überträgt.In one embodiment, a communications processing unit (108) is configured to that it transmits the coded signal to the desired location.

In einer Ausführungsform ist eine Rekonstruktionsverarbeitungseinheit (110) so konfiguriert, dass sie das ursprüngliche Signal rekonstruiert und gleichzeitig eine signalverlustfreie Entschlüsselung des codierten Signals ermöglicht.In one embodiment, a reconstruction processing unit (110) is configured to reconstruct the original signal and at the same time enable decryption of the encoded signal without signal loss.

In einer Ausführungsform bietet das Auto-Encoder-basierte biomedizinische Signalübertragungssystem (100) Komplementarität bei der Merkmalsauswahl und der Leistung des Auto-Encoders, wobei die Unterscheidbarkeit auf den ausgewählten Einheiten durch die Auswahl anspruchsvoller Merkmale auf höherer Ebene erhöht wird.In one embodiment, the auto-encoder-based biomedical signaling system (100) provides complementarity in feature selection and auto-encoder performance, increasing distinctiveness on the selected entities through the selection of sophisticated higher-level features.

In einer Ausführungsform handelt es sich bei dem Auto-Encoder-basierten biomedizinischen Signalübertragungssystem (100) um ein auf Faltungs-Neuronalen Netzen basierendes optimiertes Komprimieren von Biosignalen unter Verwendung eines Auto-Encoders (BCAE), das Auto-Encoder und Merkmalsauswahl kombiniert, und diese Kombination ermöglicht nur die Kodierung Der Hauptteil der Eingabe wird dann an den gewünschten Ort übertragen, wo das ursprüngliche Signal durch Entschlüsselung rekonstruiert wird.In one embodiment, the auto-encoder-based biomedical signal transmission system (100) is a convolutional neural network-based optimized compression of biosignals using an auto-encoder (BCAE) that combines auto-encoder and feature selection, and this Combination allows only encoding The main part of the input is then transmitted to the desired location, where the original signal is reconstructed through decryption.

In einer Ausführungsform wird eine auf Kompressionsmessung basierende Datenerfassung innerhalb jedes Clusters unabhängig durchgeführt, wobei der Energieverbrauch des Clusterknotens stark reduziert, der beschleunigte Energieverbrauch des Netzwerks abgemildert und die Netzwerklebensdauer erhöht wird.In one embodiment, compression measurement-based data collection is performed within each cluster independently, greatly reducing cluster node energy consumption, mitigating accelerated network energy consumption, and increasing network lifetime.

In einer Ausführungsform werden mehrere Tests durchgeführt, um die Wirksamkeit des Systems hinsichtlich Rekonstruktionsfehler, Paketankunftsrate, Netzwerklaufzeit und Energieverbrauch zu bewerten.In one embodiment, multiple tests are performed to evaluate the effectiveness of the system in terms of reconstruction errors, packet arrival rate, network delay, and energy consumption.

In einer Ausführungsform können die Eingabeerfassungsverarbeitungseinheit (102), die Vorverarbeitungseinheit (104), die Kodierungsverarbeitungseinheit (106), die Kommunikationsverarbeitungseinheit (108) und die Rekonstruktionsverarbeitungseinheit (110) in programmierbaren Hardwaregeräten implementiert sein wie Prozessoren, digitale Signalprozessoren, Zentraleinheiten, feldprogrammierbare Gate-Arrays, programmierbare Array-Logik, programmierbare Logikgeräte, Cloud-Verarbeitungssysteme oder dergleichen.In one embodiment, the input capture processing unit (102), the preprocessing unit (104), the encoding processing unit (106), the communication processing unit (108) and the reconstruction processing unit (110) may be implemented in programmable hardware devices such as processors, digital signal processors, central processing units, field programmable gate arrays , programmable array logic, programmable logic devices, cloud processing systems or the like.

Das in der vorliegenden Offenbarung beschriebene System ist ein auf einem Auto-Encoder basierendes biomedizinisches Signalübertragungssystem (100) zur Optimierung der Leistung mithilfe eines Faltungs-Neuronalen Netzwerks - genauer gesagt, einer auf einem Faltungs-Neuronalen Netzwerk (CNN) basierenden optimierten Biosignalkomprimierung mithilfe eines Auto-Encoders (BCAE). System das Auto-Encoder und Funktionsauswahl kombiniert-bietet ein auf Auto-Encoder basierendes biomedizinisches Signalübertragungssystem und optimiert die Leistung. Bei diesem Ansatz kodieren wir lediglich den primären Teil des Signals und übertragen ihn an das beabsichtigte Ziel, anstatt das gesamte Signal als Eingabe zu verwenden. Durch die Rekonstruktion wird eine signalverlustfreie Entschlüsselung ermöglicht. Realistische Datenerfassungs- und Aggregationsmethoden können bei der genauen Datenrekonstruktion helfen.The system described in the present disclosure is an auto-encoder-based biomedical signal transmission system (100) for optimizing performance using a convolutional neural network - more specifically, a convolutional neural network (CNN)-based optimized biosignal compression using an auto encoders (BCAE). System combining auto-encoder and function selection-provides auto-encoder based biomedical signal transmission system and optimizes performance. In this approach, we only encode the primary part of the signal and transmit it to the intended destination, rather than using the entire signal as input. The reconstruction enables decryption without signal loss. Realistic data collection and aggregation methods can help with accurate data reconstruction.

In einer Ausführungsform ergänzen sich die Leistung des automatischen Encoders und die Merkmalsauswahl im CNN-basierten Optimized BCAE-System. Das Framework wählt anspruchsvolle übergeordnete Merkmale aus, um die Unterscheidbarkeit der ausgewählten Einheiten zu erhöhen. Durch Verschieben der Feature-Auswahlkriterien, wie etwa des Laplace-Scores und des Fisher-Scores, auf die verborgene Ebene kann das vorgeschlagene System in einer Vielzahl von Situationen verbessert werden, etwa bei der Clusterbildung. Optimiertes BCAE, ein auf CNN basierendes System, kann die Grundlage für gestapelte Netzwerke bilden. Darüber hinaus werden mehrere Tests durchgeführt, um die Leistung des vorgeschlagenen Systems mit alternativen Ansätzen hinsichtlich Rekonstruktionsfehler, Paketankunftsrate, Netzwerklaufzeit und Energieverbrauch zu vergleichen. Dadurch werden die Effizienz und Gültigkeit unseres vorgeschlagenen Systems validiert. Die folgende Liste enthält Vor- und Nachteile unseres vorgeschlagenen Algorithmus.In one embodiment, the performance of the automatic encoder and the feature selection in the CNN-based Optimized BCAE system are complementary. The framework selects sophisticated high-level features to increase the distinctiveness of the selected entities. By moving the feature selection criteria, such as Laplace score and Fisher score, to the hidden layer, the proposed system can be improved in a variety of situations, such as clustering. Optimized BCAE, a CNN-based system, can form the basis of stacked networks. Furthermore, several tests are conducted to compare the performance of the proposed system with alternative approaches in terms of reconstruction error, packet arrival rate, network running time and energy consumption. This validates the efficiency and validity of our proposed system. The following list contains advantages and disadvantages of our proposed algorithm.

In einer Ausführungsform kann es möglich sein, CS-Techniken zu nutzen und die Notwendigkeit eines übermäßig großen Datenzentrums während des Datenübertragungsprozesses zu beseitigen, indem der CS-basierte Datenerfassungsprozess innerhalb jedes Clusters separat ausgeführt wird. Simulationen des Energieverbrauchs, der Nachrichtenweiterleitungszeit, der Paketankunftsrate und der Rekonstruktion zeigen, wie erfolgreich das vorgeschlagene System ist. Es wurde festgestellt, dass die vorgeschlagene Methode das Signal erfolgreich und genau rekonstruieren konnte. Die vorgeschlagene BCAE-Methode könnte den Energieverbrauch der Clusterknoten erheblich reduzieren, den schnellen Energieverbrauch des Netzwerks verlangsamen und somit die Netzwerklebensdauer verlängern. Der empfohlene Ansatz hat einige Nachteile, wie zum Beispiel den langwierigen Trainingsprozess und die Notwendigkeit einer tiefen neuronalen Netzwerkstruktur. Je weiter wir in die neuronalen Schichten vordringen, desto höher wird zwar die Genauigkeit, aber auch die Anzahl der Berechnungen, die zur Durchführung der Komprimierung und Übertragung der Daten erforderlich sind.In one embodiment, it may be possible to leverage CS techniques and eliminate the need for an excessively large data center during the data transfer process by executing the CS-based data collection process within each cluster separately. Simulations of energy consumption, message forwarding time, packet arrival rate and reconstruction show how successful the proposed system is. It was found that the proposed method could successfully and accurately reconstruct the signal. The proposed BCAE method could significantly reduce the energy consumption of cluster nodes, slow down the rapid energy consumption of the network, and thus extend the network lifetime. The recommended approach has some disadvantages, such as the lengthy training process and the need for a deep neural network structure. The further we penetrate into the neuronal layers, the higher the accuracy, but also the number of calculations that lead to Carrying out the compression and transmission of the data is required.

In einer Ausführungsform wird die Beziehung zwischen Energieverbrauch und Rekonstruktionsfehler auf verschiedene Arten untersucht. Wie die Simulation zeigt, beträgt der Datenrekonstruktionsfehler 5 % und der Paketverlust 40 %. Die Datenweiterleitung erfolgt in 16.36 % kürzerer Zeit und mit 23.59 % weniger Energieverbrauch im Netzwerk. Die vorgeschlagene Strategie übertrifft die bereits eingesetzten Strategien, wie aus den Ergebnissen der mit MATLAB durchgeführten Validierung hervorgeht. Der vorgeschlagene CNN-basierte optimierte BCAE-Algorithmus und die derzeit verwendete Methode werden mit verschiedenen Erfolgswahrscheinlichkeiten für Senkenknoten(p*)verglichen.Wir konnten das Simulationsergebnis berechnen, indem wir alle Pakete addierten, die am Senkenknoten empfangen wurden.In one embodiment, the relationship between energy consumption and reconstruction error is examined in various ways. As the simulation shows, the data reconstruction error is 5% and the packet loss is 40%. Data forwarding takes place in 16.36% less time and with 23.59% less energy consumption in the network. The proposed strategy outperforms the strategies already used, as shown by the results of the validation performed with MATLAB. The proposed CNN-based optimized BCAE algorithm and the currently used method are compared with different success probabilities for sink nodes (p*). We were able to calculate the simulation result by adding all the packets received at the sink node.

In einer Ausführungsform erfüllt das vorgeschlagene CNN-BCAE-System die p*-Kriterien basierend auf Simulationsergebnissen. Wenn die Wahrscheinlichkeit, ein Paket zu empfangen, p*, ihren höchsten Wert, p*=1, erreicht, kann sich die Paketankunftsrate (PAR) der theoretischen Obergrenze (UB) sehr nahekommen. Der vorgeschlagene BCAE-Algorithmus übertrifft die MIC-CSDG-Technik, wenn die Anzahl der Knoten zunimmt. Die Clustering-Methode trägt dazu bei, dass BCAE weniger Energie verbraucht. Die gesamte Netzwerkenergie bei Änderung der Parameter auf W_1=0.1 und W_2=0.5 wird über der Anzahl der Knoten aufgetragen. Das vorgeschlagene BCAE-System übertrifft die MIC-CSDG-Technik, wenn die Anzahl der Knoten steigt. Die Clustering-Methode trägt dazu bei, dass BCAE weniger Energie verbraucht. Es zeigt sich, dass die von uns empfohlene Strategie möglicherweise genaue Rekonstruktionssignale aus den Originalsignalen erzeugen könnte. Auch dieses System weist ein hervorragendes Leistungssteigerungspotenzial auf. Die Präzision der Datenrekonstruktion ist der größte Fortschritt gegenüber der vorliegenden Methode. Im Vergleich zu aktuellen WSN-Algorithmen könnte der vorgeschlagene Ansatz den Energieverbrauch des Netzwerks, den Energieverbrauch des Clusterknotens und die Netzwerklebensdauer erheblich reduzieren.In one embodiment, the proposed CNN-BCAE system meets the p* criteria based on simulation results. When the probability of receiving a packet, p*, reaches its highest value, p*=1, the packet arrival rate (PAR) can get very close to the theoretical upper bound (UB). The proposed BCAE algorithm outperforms the MIC-CSDG technique as the number of nodes increases. The clustering method helps BCAE consume less energy. The total network energy when changing the parameters to W_1=0.1 and W_2=0.5 is plotted against the number of nodes. The proposed BCAE system outperforms the MIC-CSDG technique as the number of nodes increases. The clustering method helps BCAE consume less energy. It turns out that our recommended strategy could potentially produce accurate reconstruction signals from the original signals. This system also has excellent performance improvement potential. The precision of the data reconstruction is the biggest advance compared to the present method. Compared with current WSN algorithms, the proposed approach could significantly reduce network energy consumption, cluster node energy consumption and network lifetime.

2 zeigt ein Diagramm, das die Kompressionserfassungstechnik in drahtlosen Sensornetzwerken gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt. 2 shows a diagram illustrating compression sensing technique in wireless sensor networks according to an embodiment of the present disclosure.

CS wird häufig in realen Anwendungen wie Bildverarbeitung, Radar, drahtloser Kommunikation und Biosignalkomprimierung eingesetzt. Der Einsatz des CS bei der Übertragung medizinischer Daten war Gegenstand umfangreicher Forschungsarbeiten im Gesundheitswesen und hat das System für die Bereitstellung wirtschaftlicherer und energieeffizienterer Lösungen verbessert. CS reduziert gleichzeitig und drastisch den Stromverbrauch, die Knotenlebensdauer und den Energieverbrauch. zeigt, wie sich CS auf die biometrische Signalkomprimierung für EKG, EEG und Signalübertragung auf der IoT- Plattform im Kontext des Gesundheitswesens konzentriert.CS is widely used in real-world applications such as image processing, radar, wireless communication and biosignal compression. The use of CS in the transmission of medical data has been the subject of extensive research in the healthcare sector and has improved the system to provide more economical and energy efficient solutions. CS simultaneously and dramatically reduces power consumption, node lifetime and energy consumption. shows how CS focuses on biometric signal compression for ECG, EEG and signal transmission on the IoT platform in the context of healthcare.

In einer Ausführungsform werden der Auto-Encoder und die Funktionsauswahl in ein CNN-basiertes optimiertes BCAE-System integriert. Die Merkmalsauswahl wird automatisch auf der erlernten verborgenen Ebene angewendet, um zwischen relevanten und diskriminierenden Merkmalen zu unterscheiden. So schnell wie möglich kann Feedback von aufgabenrelevanten versteckten Einheiten gegeben werden, um die Kodierungsschicht zu verbessern und die Unterscheidbarkeit der ausgewählten versteckten Einheiten zu erhöhen. Die Multi-Hop-Funktion zwischen den Erfassungsknoten kann verwendet werden, um die proportionale Beziehung für SNs in der BCAE-Technik zu definieren. Durch den Einsatz einer Rekonstruktionstechnik, die sich eine geringere Korrelation bei der Beobachtung zunutze macht, kann der Verlust von Datenpaketen im Internet der Dinge verringert und die Genauigkeit der Rekonstruktion von Basisstationsdaten erhöht werden. Ein Bestätigungsmechanismus wird auch verwendet, um die Zuverlässigkeit des Datenflusses zwischen Clustern zu verbessern.In one embodiment, the auto-encoder and feature selection are integrated into a CNN-based optimized BCAE system. Feature selection is automatically applied on the learned hidden layer to distinguish between relevant and discriminatory features. Feedback from task-relevant hidden units can be provided as quickly as possible to improve the coding layer and increase the discriminability of the selected hidden units. The multi-hop function between the sensing nodes can be used to define the proportional relationship for SNs in the BCAE technique. By using a reconstruction technique that takes advantage of lower correlation in observation, the loss of data packets in the Internet of Things can be reduced and the accuracy of base station data reconstruction can be increased. An acknowledgment mechanism is also used to improve the reliability of data flow between clusters.

In einer Ausführungsform wird die Zuverlässigkeit und Wirksamkeit der vorgeschlagenen CNN-basierten optimierten BCAE-Technik mithilfe von MATLAB-Simulationstests gezeigt. Die Wirksamkeit und Zuverlässigkeit des Algorithmus werden durch die Simulationsergebnisse gezeigt. Die zugehörigen Einstellungen wurden ebenfalls in diesem Abschnitt behandelt. Das 200 mal 200 Meter große Quadrat, das als Überwachungsbereich dient, verfügt über 280 eng beieinander liegende Sensorknoten. Jeder Sensorknoten benötigt 10 Joule Strom. Der Knoten für die Senke wird außerhalb des Überwachungsbereichs installiert. Die folgenden Werte für die im Datenerfassungsprozess verwendeten Variablen sind: w 1 = 0.5, 0.1 und 0.4; w 2 = 0.9, 0.5 und 0.9; die Intervallreichweite beträgt R = 10 Meter; und die Länge beträgt T = 900 Sekunden. Darüber hinaus wird die Robustheit und Generalisierbarkeit unseres vorgeschlagenen Systems anhand des Multi Parameter Intelligent Monitoring in Intensive Care (MIMIC) -II-Datensatzes bewertet. Dies geschah, um den empfohlenen Algorithmus zu evaluieren.In one embodiment, the reliability and effectiveness of the proposed CNN-based optimized BCAE technique is demonstrated using MATLAB simulation tests. The effectiveness and reliability of the algorithm are shown by the simulation results. The related settings have also been covered in this section. The 200 by 200 meter square that serves as the monitoring area has 280 closely spaced sensor nodes. Each sensor node requires 10 joules of power. The sink node is installed outside the monitoring area. The following values for the variables used in the data collection process are: w 1 = 0.5, 0.1 and 0.4; w 2 = 0.9, 0.5 and 0.9; the interval range is R = 10 meters; and the length is T = 900 seconds. Furthermore, the robustness and generalizability of our proposed system is evaluated on the Multi Parameter Intelligent Monitoring in Intensive Care (MIMIC)-II dataset. This was done to evaluate the recommended algorithm.

Die Wirksamkeit von BCAE als Dateisystem wird durch Experimente mit sieben verschiedenen Benchmark-Datensätzen bewertet. Das AEFS wird mit den folgenden Methoden verglichen, um die Überlegenheit unseres Ansatzes gegenüber früheren Ansätzen zur unbeaufsichtigten Merkmalsauswahl zu bewerten.

• Alle anfänglichen Merkmale, die die Merkmalsauswahl verhindern, werden als AllFea bezeichnet.
• Laplace- Score (LS), eine Feature-Auswahltechnik, die erstmals im Jahr 24 verwendet wurde, wählt Features aus, die die komplexe Struktur der Daten gut aufrechterhalten.
• MCFS, was für Multi-Cluster Feature Selection steht, ist eine Technik, die spektrale Regression mit L1-Norm- Regularisierung verwendet, um Features auszuwählen.
• Unsupervised Discriminative Feature Selection (UDFS) ist eine Technik zur Auswahl von Features, die sowohl Feature-Korrelationen als auch diskriminierende Informationen nutzt. UDFS wählt die Funktionen aus.

The effectiveness of BCAE as a file system is evaluated through experiments on seven different benchmark datasets. The AEFS is compared to the following methods to To evaluate the superiority of our approach over previous approaches to unsupervised feature selection.

• Any initial features that prevent feature selection are called AllFea.
• Laplace Score (LS), a feature selection technique first used in 24, selects features that well preserve the complex structure of the data.
• MCFS, which stands for Multi-cluster Feature Selection, is a technique that uses spectral regression with L1 norm regularization to select features.
• Unsupervised Discriminative Feature Selection (UDFS) is a feature selection technique that utilizes both feature correlations and discriminative information. UDFS selects the functions.

3A und 3B veranschaulichen Tabellen, die Clustering-Ergebnisse und Klassifizierungsergebnisse unter Verwendung mehrerer vorhandener Techniken und vorgeschlagener Systeme gemäß einer Ausführungsform der vorliegenden Offenbarung darstellen. 3A and 3B illustrate tables depicting clustering results and classification results using several existing techniques and proposed systems according to an embodiment of the present disclosure.

In 3A sind die Clustering-Ergebnisse dargestellt, wobei zur Bewertung der Wirksamkeit verschiedener Merkmalsauswahlstrategien Clustering-Tests unter Verwendung des K-Means-Algorithmus durchgeführt werden. In , in der die Klassifizierungsergebnisse dargestellt sind, werden Klassifizierungsexperimente unter Verwendung des Klassifikators für den nächsten Nachbarn durchgeführt entsprechend dem beschriebenen Versuchsaufbau durchgeführt.In 3A The clustering results are shown, whereby clustering tests are carried out using the K-means algorithm to evaluate the effectiveness of different feature selection strategies. In , which presents the classification results, classification experiments using the nearest neighbor classifier are carried out according to the experimental setup described.

Metriken zur Bewertung: Genauigkeit (ACC) ist die Metrik, die in Experimenten mit Clustering und Klassifizierung verwendet wird, um die Leistung zu messen. Die korrekte Bezeichnung im Clustering-Prozess wird durch pi dargestellt, und das Clustering-Ergebnis der Stichprobe xi wird durch qi dargestellt. ACC ist die Abkürzung für $A c c = \frac{\sum_{i = 1}^{m} δ (p_{i}, M a p (q_{i}))}{m}$

Metrics for Evaluation: Accuracy (ACC) is the metric used in clustering and classification experiments to measure performance. The correct label in the clustering process is represented by pi, and the clustering result of the sample xi is represented by qi. ACC is the abbreviation for

A c c = \frac{\sum_{i = 1}^{m} δ (p_{i}, M a p (q_{i}))}{m}

Wobei δ(x, y)=1, wenn x=y, sonst 0.Map(q_i) ist die Abbildungsfunktion. Die Ergebnisse der Clusterbildung sind in der Tabelle in dargestellt, und die Ergebnisse der Klassifizierung sind in der Tabelle in aufgeführt. Die Ergebnisse der Clusterbildung des BCAE-Algorithmus unter Verwendung verschiedener gängiger Merkmalsauswahltechniken und unterschiedlicher Datensätze sind in der Tabelle in dargestellt. Beim Vergleich des vorgeschlagenen BCAE mit anderen Methoden und Datensätzen wird festgestellt, dass das vorgeschlagene System eine bessere Leistung erbringt. Die Ergebnisse der Klassifizierung des BCAE-Algorithmus unter Verwendung verschiedener gängiger Merkmalsauswahltechniken und unterschiedlicher Datensätze sind in der Tabelle in dargestellt. Beim Vergleich des vorgeschlagenen BCAE mit anderen Methoden und Datensätzen wird festgestellt, dass das vorgeschlagene System eine bessere Leistung erbringt.Where δ(x, y)=1 if x=y, otherwise 0.Map(q _i ) is the mapping function. The results of the clustering are in the table in presented, and the results of the classification are in the table in listed. The results of clustering the BCAE algorithm using various popular feature selection techniques and different data sets are shown in the table in shown. Comparing the proposed BCAE with other methods and datasets, it is found that the proposed system performs better. The results of classification of BCAE algorithm using various popular feature selection techniques and different data sets are shown in the table in shown. Comparing the proposed BCAE with other methods and datasets, it is found that the proposed system performs better.

Den Ergebnissen zufolge kann die Merkmalsauswahl die Leistung sowohl der Clusterbildung als auch der Klassifizierung erheblich verbessern und zusätzlich die Dimension der Merkmale reduzieren. Darüber hinaus ist zu beobachten, dass BCAE in fast allen Situationen alternative Techniken übertrifft. Dies ist in der Lage, alle Merkmale sowie die Nichtlinearitätstransformation innerhalb der BCAE-Darstellung darzustellen, was hilfreich ist, da es die Erfassung der wichtigsten Teile ermöglicht.According to the results, feature selection can significantly improve the performance of both clustering and classification, in addition to reducing the dimension of features. Furthermore, BCAE is observed to outperform alternative techniques in almost all situations. This is able to represent all features as well as the nonlinearity transform within the BCAE representation, which is helpful as it allows the most important parts to be captured.

In einer Ausführungsform wird für verschiedene Techniken der Energieverbrauch im Verhältnis zum Rekonstruktionsfehler bewertet. Wie die Simulation zeigt, beträgt der Datenrekonstruktionsfehler 5 % und der Paketverlust 40 %. Die Datenweiterleitung erfolgt in 16.36 % kürzerer Zeit und mit 23.59 % weniger Energieverbrauch im Netzwerk. Den mit MATLAB gewonnenen Validierungsergebnissen zufolge ist das vorgeschlagene System leistungsfähiger als die derzeit verwendeten Strategien.In one embodiment, the energy consumption is evaluated in relation to the reconstruction error for various techniques. As the simulation shows, the data reconstruction error is 5% and the packet loss is 40%. Data forwarding takes place in 16.36% less time and with 23.59% less energy consumption in the network. According to the validation results obtained using MATLAB, the proposed system is more powerful than the currently used strategies.

Die Zeichnungen und die vorstehende Beschreibung geben Beispiele für Ausführungsformen. Fachleute werden erkennen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente einer Ausführungsform können zu einer anderen Ausführungsform hinzugefügt werden. Beispielsweise können die Reihenfolgen der hier beschriebenen Prozesse geändert werden und sind nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge implementiert werden; Es müssen auch nicht unbedingt alle Handlungen ausgeführt werden. Auch solche Handlungen, die nicht von anderen Handlungen abhängig sind, können parallel zu den anderen Handlungen durchgeführt werden. Der Umfang der Ausführungsformen wird durch diese spezifischen Beispiele keineswegs eingeschränkt. Zahlreiche Variationen, ob explizit in der Spezifikation angegeben oder nicht, wie z. B. Unterschiede in Struktur, Abmessung und Materialverwendung, sind möglich. Der Umfang der Ausführungsformen ist mindestens so breit wie durch die folgenden Ansprüche angegeben.The drawings and the description above provide examples of embodiments. Those skilled in the art will recognize that one or more of the elements described can certainly be combined into a single functional element. Alternatively, certain elements can be divided into several functional elements. Elements of one embodiment may be added to another embodiment. For example, the orders of the processes described herein may be changed and are not limited to the manner described herein. Additionally, the actions of a flowchart do not have to be implemented in the order shown; Not all actions necessarily have to be carried out. Even those actions that are not dependent on other actions can be carried out in parallel with the other actions. The scope of the embodiments is in no way limited by these specific examples. Numerous variations, whether explicitly stated in the specification or not, such as: B. Differences in structure, dimensions and material use are possible. The scope of the embodiments is at least as broad as specified by the following claims.

Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf spezifische Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und alle Komponenten, die dazu führen können, dass ein Nutzen, ein Vorteil oder eine Lösung eintritt oder ausgeprägter wird, dürfen jedoch nicht als kritische, erforderliche oder wesentliche Funktion oder Komponente von ausgelegt werden einzelne oder alle Ansprüche.Advantages, other benefits, and solutions to problems have been described above with respect to specific embodiments. However, the advantages, benefits, solutions to problems and any components that may cause a benefit, advantage or solution to occur or become more pronounced should not be construed as a critical, necessary or essential function or component of any or all of the claims.

REFERENZENCREDENTIALS

100100: Ein auf Auto-Encoder basierendes biologisch-medizinisches Signalübertragungssystem zur Optimierung der Leistung unter Verwendung eines neuronalen Faltungsnetzwerks.An auto-encoder based biological-medical signal transmission system to optimize performance using a convolutional neural network.
102102: Verarbeitungseinheit für die EingabesammlungInput collection processing unit
102a102a: Vielzahl von drahtlosen SensorenVariety of wireless sensors
104104: VorverarbeitungseinheitPreprocessing unit
106106: CodierungsverarbeitungseinheitCoding processing unit
108108: KommunikationsverarbeitungseinheitCommunication processing unit
110110: RekonstruktionsverarbeitungseinheitReconstruction processing unit
202202: Daten ErwerbData acquisition
204204: CodierungCoding
206206: Probenahmesampling
208208: Übertragungtransmission
210210: Cs CS-basierte MessungCS CS-based measurement
212212: ErhaltenReceive
214214: EntmusterungDe-patterning
216216: DekodierungDecoding
218218: Daten ErholungData recovery
220220: Cs CS-RekonstruktionCS CS reconstruction

Claims

System after Claim 1 , where the auto-encoder-based biomedical signal transmission system provides complementarity in feature selection and auto-encoder performance, increasing discriminability on the selected units through the selection of more sophisticated higher-level features.

System after Claim 1 , where the auto-encoder-based bio-medical signal transmission system is a convolutional neural network-based optimized bio-signal compression using auto-encoder (BCAE) that combines auto-encoder and feature selection, and this combination enables encoding only the main part of the input, which is then transmitted to the desired location, where the original signal is reconstructed through decryption.

system according to Claim 1 , wherein compression measurement-based data collection is performed independently within each cluster and greatly reduces the energy consumption of the cluster's node, mitigating the accelerated energy consumption of the network and increasing the network lifetime.

System after Claim 1 , where several tests are carried out to evaluate the effectiveness of the system in terms of reconstruction errors, packet arrival rate, network delay and energy consumption.