بهبود الگوریتم برآورد داده‌های ازدست‌رفته علائم حیاتی در شبکه‌های حس‌گر بی‌سیم بدن مبتنی بر شبکه عصبی عمیق

در شبکه‌های حس‌گر بی‌سیم به‌دلیل عوامل مختلفی از قبیل محدودبودن انرژی، قابلیت انتقال حس‌گرها، خرابی سخت‌افزار و مشکلات شبکه مانند برخورد بسته‌ها، پیوند غیرقابل اطمینان و آسیب‌های غیرمنتظره، مقدار حس‌شده به سرخوشه یا ایستگاه پایه نمی‌رسد؛ بنابراین ازبین‌رفتن داده‌ها در شبکه‌های حس‌گر بی‌سیم بسیار متداول است. از دست‌دادن داده‌های سنجیده شده، دقت wban را بسیار کاهش می‌دهد. از آنجا که wban با علائم حیاتی بدن انسان سر‌وکار دارد، قابلیت اطمینان شبکه از اهمیت زیادی برخوردار است. برای حل این مشکل، داده‌های گم‌شده باید برآورد شوند. به منظور پیش‌بینی مقادیر گم‌شده، یک مدل برآورد دادههازدست‌رفته بر اساس شبکه عصبی بازگشتی lstm که وزن‌های شبکه به‌وسیله الگوریتم ازدحام ذرات (pso) بهینه شده‌اند، در این مقاله ارائه شده است. نتایج نشان می‌دهد که sgdm-lstm با ترکیب  psoروش خوبی برای برآورد مقدار ازدست‌رفته است. در ضمن، نتایج تجربی نشان می‌دهد که میانگین خطای مربع ریشه مقدار برآوردشده کمتر از سایر روش‌هاست. این مقدار، با بهترین ابر پارامترهای شبکه lstm و بهترین مقادیر برای الگوریتم pso،  1.5898 است.

improvement of missing vital signs data estimation algorithm in wireless body sensor networks based on deep neural networks

in a wireless sensor network (wsn), due to various factors such as limited power, sensor transferability, hardware failure and network problems such as packet collisions, unreliable connection and unexpected damage, the amount sensed to the header or base station is not arrives. therefore, data loss is very common in wireless sensor networks. loss of measured data greatly reduces wban accuracy. because wban deals with the vital signs of the human body, network reliability is very important. to solve this problem, missing data must be estimated. many methods are used to reconstruct lost sensor data based on temporal correlation, spatial correlation, interpolation method, or sparse theory. due to the characteristics of vital signs data, they can be considered as a series of sequential information. so far, various methods have been developed to estimate missing data in time series data in different fields. these methods can be divided into two categories: statistical methods and machine learning-based methods. in order to predict missing values, a missing data estimation model based on lstm recurrent neural network whose network weights are optimized by particle swarm algorithm (pso) is presented in this paper. in this paper, we use the mimic-iii waveform database to test the algorithm and determine the algorithm parameters. however, due to the large volume of data and the difficulty of testing the algorithm on all data, we suffice to test 500 patients with this data, whose vital signs included heart rate, respiration, blood oxygen, and so on. after data preprocessing, network training, predicting lost values and calculating error values, it is observed that the proposed technique of sgdm-lstm by combining the pso algorithm is a suitable method for estimating lost values. in addition, experimental results show that the mean square root error of the estimated value is lower than other methods. this value is 1.5898 with the best lstm network hyperparameters.