Narrowband IoT for Healthcare
物联网(IoT)将出现在人类生活的所有重要领域。它有能力在几乎所有行业提供主流服务和增值服务。医疗保健是关系到整体发展的重要服务部门。它对生活质量有着深远的影响。在生活质量显著下降的现代世界中,物联网肯定可以在提供更好的服务方面发挥建设性作用。在医疗保健领域,传感器可以在患者健康监测、远程观察和医院外的紧急程序等场合发挥重要作用。协调的传感器网络可以提供更好的服务。物联网有能力提供所有这些协调服务。窄带物联网(NBIoT)是物联网的一种经济而简单的版本,可以有效地处理这些任务。由于医疗保健的广泛需求,NBIoT是首选解决方案,因为它需要更少的资源。在这篇文章中,我们提供了NBIoT在医疗保健领域的主要问题和困难。
2019-04-01 eess.SP
Design of an Internet of Things System for Smart Hospitals
随着智能设备和物联网(IoT)技术的快速发展,某些既定的情况正在开辟新的探索途径。特别是在医疗领域,人口的多样性和庞大性、数据的复杂性和专业性,以及某些医疗场景和设备的严格环境要求,都对医院管理提出了极高的要求。因此,一个有效和安全的物联网系统至关重要。本文提出了一种物联网系统,可用于医院的各种用途。该系统通过LoRa、Wi-Fi等方式收集数据,通过安全连接上传到云平台进行处理,然后通过用户界面实时反馈给用户。该系统通过使用UWB、ECG信号检测、环境监测和人流数据实现精确的室内定位。
2022-04-06 eess.SP
6G Internet of Things: A Comprehensive Survey
第六代(6 G)无线通信网络被设想为通过物联网(IoT)来彻底改变客户服务和应用,以实现完全智能和自主系统的未来。在本文中,我们通过对6 G和物联网的融合进行全面调查,探索6 G技术在物联网网络和应用中带来的新兴机遇。我们首先介绍了一些最基本的6 G技术,这些技术有望为未来的物联网网络提供支持,包括边缘智能、可重构智能表面、空-空-地-水下通信、太赫兹通信、大规模超可靠和低延迟通信以及区块链。特别是,与其他相关调查论文相比,我们通过五个关键领域,即医疗物联网,车载物联网和自动驾驶,无人机,卫星物联网和工业物联网,深入讨论了6 G在广泛的物联网应用中的作用。最后,我们强调了有趣的研究挑战,并指出了潜在的方向,以刺激在这个有前途的领域进一步研究。
2021-08-11 eess.SP
A Federated Learning Framework for Healthcare IoT devices
Rice University(莱斯大学);University of Houston-Downtown(休斯顿大学市中心分校);Prudence Medical Technologies Ltd.(审慎医疗技术有限公司)
物联网(IoT)革命已经显示出潜力,可以产生许多医疗应用程序,这些应用程序可以访问IoT设备收集的大量医疗数据。然而,对医疗数据隐私和安全性的需求日益增长,使得每个物联网设备都成为数据孤岛。此外,可穿戴医疗设备有限的计算和通信能力限制了普通联邦学习的应用。为此,我们提出了一种先进的联邦学习框架来训练深度神经网络,其中网络被分区并分配给物联网设备和集中式服务器。然后,大部分训练计算由强大的服务器处理。激活和梯度的稀疏化显著降低了通信开销。实证研究表明,所提出的框架保证了较低的准确性损失,而只需要0.2%的香草联邦学习的同步流量。
2020-05-07 cs.DC cs.LG eess.SP
A Health Monitoring System Based on Flexible Triboelectric Sensors for Intelligence Medical Internet of Things and its Applications in Virtual Reality
Henan University(河南大学);University of Waterloo(滑铁卢大学)
本研究提出一种结合柔性可穿戴摩擦电传感器与深度学习的智能医疗物联网系统,通过嵌入四个传感器的腕带精准监测帕金森病患者的肢体运动、心脏及身份等,为Health 4.0社会提供低成本、高灵敏的全面评估方案。
2023-09-13 cs.AI cs.HC eess.SP
OFDM-Based Massive Connectivity for LEO Satellite Internet of Things
低轨卫星(LEO)被认为是地面物联网(IoT)的潜在补充。为了提高低轨卫星-物联网系统的接入容量和降低接入时延,研究了正交频分复用(OFDM)系统中的免授权非正交随机接入(GF-NORA)技术。我们专注于在卫星接入点的联合设备活动检测(DAD)和信道估计(CE)的问题。假设LEO卫星信道的延迟和多普勒效应被部分补偿。我们提出了一种OFDM符号重复技术,以更好地区分残留的多普勒频移,并提出了一个基于网格的参数概率模型来表征信道稀疏的延迟多普勒用户域,以及表征信道状态和设备活动之间的关系。在此基础上,我们提出了一种稳健的贝叶斯消息传递算法,即改进的方差状态传播算法(MVSP)。此外,为了解决真实信道与其网格表示之间的不匹配,提出了期望最大化(EM)框架来学习网格参数。仿真结果表明,我们提出的算法显着优于现有的方法在活动检测概率和信道估计精度。
2022-10-31 eess.SP
Applications of Distributed Machine Learning for the Internet-of-Things: A Comprehensive Survey
本文全面综述了分布式机器学习在物联网服务与应用中的方法、挑战及未来研究方向,涵盖联邦学习、多智能体强化学习等关键技术。
2023-10-16 cs.NI eess.SP
ApproxCS: Near-Sensor Approximate Compressed Sensing for IoT-Healthcare Systems
物联网(IoT)是一种新兴趋势,通过(集成)边缘、雾和云计算范式,实现了可穿戴医疗监测系统设计的升级。能源效率是此类物联网医疗系统中最重要的设计指标之一,尤其是对于边缘和雾节点。由于输入数据中存在感测噪声和固有冗余,即使是最安全的生物医学应用有时也会导致输出质量略有下降。因此,可以利用生物信号中的这种固有误差容限,以通过新兴趋势(例如,在软件和硬件级别都适用的近似计算)来实现高能量节省。在本文中,我们提出了利用数字压缩感知(CS)中的近似计算,通过低功耗近似加法器(LPAA)在精确的伯努利感知为基础的CS采集(BCS)。我们证明,近似确实可以安全地用于物联网医疗保健,而不会影响生物医学信号中关键事件的检测。为此,我们探索了使用最先进的lp 2d RLS重建算法的能源效率和输出质量之间的权衡。所提出的框架与MIT-BIH心律失常数据库进行了验证。我们的结果表明,与精确设计相比,节能约59%。
2018-11-18 eess.SP
Toward Blockchain for Edge-of-Things: A New Paradigm, Opportunities, and Future Directions
区块链作为许多应用领域的一项有前途的技术正在获得发展势头,其中之一是通过边缘计算和物联网(IoT)的集成实现的边缘物联网(EoT)。特别是,区块链和EoT的融合导致了一种新的范式,称为区块链支持的EoT(BEoT),这对于实现未来的低延迟和高安全性服务和应用至关重要。本文设想了一种新的BEoT架构,用于在网络边缘支持区块链管理下的工业应用,适用于各种物联网用例,如灵巧家庭、智能医疗、智能电网和智能交通。最后探讨了BEoT在提供安全服务方面的潜力,包括访问认证、数据隐私保护、攻击检测和信任管理。最后,我们指出了一些关键的研究挑战和未来的发展方向,在这一新兴领域。
2021-04-27 cs.CR eess.SP
Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables in Predictive Healthcare
University of Guelph(圭尔夫大学);University of Toronto(多伦多大学)
多年来,可穿戴物联网(IoT)设备在多种医疗保健服务中的普及和使用正在增加。受益于这些设备的使用的服务之一是预测分析,这可以改善电子保健的早期诊断。然而,由于可穿戴物联网设备的局限性,数据隐私,服务完整性和网络结构适应性方面的挑战出现了。为了解决这些问题,我们提出了一个在雾物联网网络中使用联邦学习和私有区块链技术的平台。这些技术具有隐私保护功能,可以保护网络内的数据。我们利用雾物联网网络的分布式结构为可穿戴物联网设备创建自适应网络。我们设计了一个测试平台,以检查所提出的平台的能力,以保持分类器的完整性。根据实验结果,所介绍的实现可以有效地保护病人的隐私和预测服务的完整性。我们进一步研究了其他技术对物联网网络安全性和适应性的贡献。总的来说,我们通过分析、模拟和实验证明了我们的平台在解决可穿戴物联网设备在预测性医疗保健中的重大安全和隐私挑战方面的可行性。
2023-01-11 cs.CR cs.LG cs.NI
Internet of Things-Enabled Overlay Satellite-Terrestrial Networks in the Presence of Interference
在本文中,我们考虑了一个覆盖卫星-地面网络(OSTO),其中机会主义地选择的地面物联网网络辅助主要卫星通信,并在存在来自地外和地面源的组合干扰的情况下访问其自身通信的频谱。因此,IoT网络通过在卫星和IoT信号之间适当地划分其功率来采用功率域复用。基于一种基于放大转发(AF)的机会物联网网络选择策略,最大限度地降低卫星网络的中断概率(OP),推导出卫星网络和物联网网络的OP下限表达式。我们进一步推导了相应的渐近OP表达式,以检验两个网络的可达分集阶数。我们表明,建议的OSTO与自适应功率分配因子有利于物联网网络,同时保证卫星网络的服务质量(QoS)。我们通过仿真验证了数值结果。
2020-01-15 cs.IT eess.SP math.IT
Multiband Massive IoT: A Learning Approach to Infrastructure Deployment
我们考虑了一种新型的超窄带(UNB)低功耗广域网(LPWAN)架构设计,用于在多个复用频带上对大量物联网(IoT)设备进行上行链路传输。IoT设备可以随机选择任何复用频带来传输其数据包。由于硬件约束,基站(BS)能够仅监听一个复用频带。我们的主要目标是最大限度地提高分组解码概率(PDP),通过优化的BS和频率分配的BS复用频带的位置。我们开发了两个在线的方法,适应环境的基础上的统计数据(不)成功的数据包在BS。第一种方法是基于预定义的环境模型,而第二种方法是基于测量的无模型方法,适用于任何环境。基于模型的方法的好处是训练复杂性较低,但在模型不兼容的环境中可能会出现拟合不佳的风险。仿真结果表明,我们提出的方法,频带分配和BS的位置提供了显着的改善PDP基线随机方法和执行接近理论上限。
2022-06-13 cs.SY eess.SP eess.SY
Internet of Things (IoT) based ECG System for Rural Health Care
DUET(达卡工程技术大学);EUB(欧洲孟加拉大学);JNU(贾汉吉尔纳加尔大学);Daffodil International University(达福迪尔国际大学);BUP(孟加拉国国父和平大学)
孟加拉国农村地区近30%的人口生活在贫困线以下。此外,由于没有现代化的保健技术,农村人口的护理和诊断设施有限。因此,农村人口被剥夺了适当的保健。从这个角度来看,可以促进现代技术来减轻他们的健康问题。ECG传感工具与人体胸部连接,通过物联网设备收集必要的心血管数据。这些数据存储在与MQTT和HTTP服务器合并的云中。在这项研究中,提出了一种用于心血管或心脏病患者ECG监测系统的创新物联网方法。ECG信号参数P、Q、R、S、T被收集、预处理和预测,以监测心血管状况,用于进一步的健康管理。利用机器学习算法确定心电信号参数的显著性和误差率。逻辑回归模型拟合的训练和测试数据之间的协议。预测已被执行,以确定的PQT质量的变化和其在心电监护系统中的适用性。考虑到质量参数的取值,得到了满意的结果。提出的基于物联网的心电图系统降低了未来心血管疾病的医疗成本和复杂性。
2022-07-27 cs.AI cs.CY cs.LG
Hardware Implementation of Deep Network Accelerators Towards Healthcare and Biomedical Applications
James Cook University(詹姆斯库克大学);The University of Michigan(密歇根大学);ETH Zurich(苏黎世联邦理工学院);Universidad de Sevilla(塞维利亚大学)
专用深度学习(DL)加速器和神经形态处理器的出现为将深度和脉冲神经网络(SNN)算法应用于边缘的医疗保健和生物医学应用带来了新的机会。这可以促进医疗物联网(IoT)系统和护理点(IoT)设备的发展。在本文中,我们提供了一个教程,描述了各种技术,包括新兴的忆阻器件,现场可编程门阵列(FPGA),互补金属氧化物半导体(CMOS)可以用来开发高效的DL加速器,以解决各种各样的诊断,模式识别,和信号处理问题的医疗保健。此外,我们探讨如何尖峰神经形态处理器可以补充他们的DL同行处理生物医学信号。该教程是增加了大量的文献案例研究神经网络和神经形态硬件应用于医疗保健领域。我们通过执行将肌电图(EMG)信号与计算机视觉相结合的传感器融合信号处理任务,对各种硬件平台进行基准测试。在推理延迟和能量方面,对专用神经形态处理器和嵌入式AI加速器进行了比较。最后,我们提供了我们对该领域的分析,并分享了各种加速器和神经形态处理器引入医疗保健和生物医学领域的优势,劣势,挑战和机遇的观点。
2021-04-28 cs.AR cs.LG eess.SP
Federated Learning for Internet of Things: A Comprehensive Survey
物联网(IoT)正在渗透我们日常生活的许多方面,人工智能(AI)支持的智能服务和应用程序正在激增。传统上,人工智能技术需要集中的数据收集和处理,由于现代物联网网络的高度可扩展性和日益增长的数据隐私问题,这在现实应用场景中可能不可行。联合学习(FL)已经成为一种分布式协作AI方法,可以通过允许在分布式物联网设备上进行AI训练而无需数据共享来实现许多智能物联网应用。在本文中,我们对FL在物联网网络中的新兴应用进行了全面的调查,从介绍FL和物联网的最新进展开始,讨论它们的集成。特别是,我们探索和分析了FL在实现各种物联网服务方面的潜力,包括物联网数据共享、数据卸载和缓存、攻击检测、本地化、移动人群感知以及物联网隐私和安全。然后,我们对FL在各种关键物联网应用中的使用进行了广泛的调查,例如智能医疗保健,智能交通,无人机(UAV),智能城市和智能工业。还强调了从FL-IoT服务和应用的审查中吸取的重要经验教训。我们通过强调这一蓬勃发展的领域目前面临的挑战和未来研究的可能方向来完成这项调查。
2021-04-16 eess.SP
iGLU 1.0: An Accurate Non-Invasive Near-Infrared Dual Short Wavelengths Spectroscopy based Glucometer for Smart Healthcare
在糖尿病的情况下,指尖穿刺血样对于葡萄糖测量是不方便的。侵入性方法,如实验室测试和一触式血糖仪,增加了血液相关感染的风险。为了缓解这一重要问题,在本文中,我们提出了一种新型的医疗物联网(IoMT)边缘设备,用于精确,无创的血糖测量。在这项工作中,近红外(NIR)光谱技术,使用两个波长(940 nm,1300 nm)的检测从人体血液中的葡萄糖分子。这种名为iGLU的新型设备基于高精度的近红外光谱和机器学习(ML)模型。提出了最优多元多项式回归模型和深度神经网络(DNN)模型,用于精确测量。所提出的设备经过验证,血糖值使用开放的物联网平台存储在云端,供内分泌学家远程监测。对于器械确认,将估计的血糖值与从侵入性器械获得的血糖值进行比较。已经观察到,平均绝对相对差(MARD)和平均误差(AvgE)分别为预测血糖浓度值的4.66%和4.61%。回归系数为0.81。所提出的光谱非侵入式设备为智能医疗提供了准确且具有成本效益的解决方案。
2019-11-10 cs.SY eess.SP eess.SY
Can Cross-Layer Design Bridge Security and Efficiency? A Robust Authentication Framework for Healthcare Information Exchange Systems
Air Defense College, Military Academy(防空学院,军事学院);Faculty of Engineering, Ain Shams University(艾因夏姆斯大学工程学院);University of Essex(埃塞克斯大学);The Egyptian Technical Research and Development Center(埃及技术研发中心)
本文提出一种跨层认证方案,结合加密机制与物理层认证,实现轻量级身份验证,减少计算和通信开销,同时通过加密伪身份增强隐私保护。
2026-04-29 cs.CR eess.SP
An adaptive cognitive sensor node for ECG monitoring in the Internet of Medical Things
University of Cagliari(卡利亚里大学)
医疗物联网(IoMT)模式正在成为多项临床试验和医疗保健程序的主流。心血管疾病的监测,通常涉及心电图(ECG)痕迹分析,是最有前途和高影响力的应用之一。然而,为了充分利用IoMT在这一领域的潜力,还需要采取一些措施。首先,必须将边缘计算范式添加到图片中。必须启用一定水平的近传感器处理,以提高IoMT节点的可扩展性、可移植性、可靠性和响应能力。第二,必须开发新的、越来越准确的数据分析算法,例如基于人工智能和深度学习的算法。为了实现这些目标,IoMT节点的设计者和程序员必须面对具有挑战性的优化任务,以便在低功耗可穿戴和便携式处理系统上执行相当复杂的计算任务,并且具有紧凑的功率和电池寿命预算。在这项工作中,我们探索的认知数据分析算法的实现,基于一个卷积神经网络训练分类心电图波形,在资源受限的微处理器为基础的计算平台。为了最大限度地降低功耗,我们添加了一个自适应层,该层动态管理设备的硬件和软件配置,以便在运行时使其适应所需的操作模式。我们的实验结果表明,在运行时调整节点设置的工作负载可以节省高达50%的功耗。我们的优化和量化的神经网络达到了心律失常疾病检测的准确率值高于97%的MIT-BIH心律失常数据集。
2021-07-23 cs.HC cs.LG eess.SP