[论文解读] Body Sensor Network: A Self-Adaptive System Exemplar in the Healthcare Domain

Eric Bernd Gil, Ricardo Caldas+4 more|arXiv (Cornell University)|Mar 27, 2021

Wireless Body Area Networks参考文献 23被引用 15

一句话总结

本文提出 SA-BSN，这是一种用于医疗保健的自适应体感网络范例，采用控制理论原理，在动态不确定性条件下维持目标可靠性（90%）的同时管理能耗。该系统基于 ROS 实现，通过注入噪声来模拟传感器故障，并利用控制指标（如稳态误差 8.84%、超调量 12.25% 和调节时间 339 秒）评估适应能力，展示了在不可预测条件下实时患者监测中的鲁棒性。

ABSTRACT

Recent worldwide events shed light on the need of human-centered systems engineering in the healthcare domain. These systems must be prepared to evolve quickly but safely, according to unpredicted environments and ever-changing pathogens that spread ruthlessly. Such scenarios suffocate hospitals' infrastructure and disable healthcare systems that are not prepared to deal with unpredicted environments without costly re-engineering. In the face of these challenges, we offer the SA-BSN -- Self-Adaptive Body Sensor Network -- prototype to explore the rather dynamic patient's health status monitoring. The exemplar is focused on self-adaptation and comes with scenarios that hinder an interplay between system reliability and battery consumption that is available after each execution. Also, we provide: (i) a noise injection mechanism, (ii) file-based patient profiles' configuration, (iii) six healthcare sensor simulations, and (iv) an extensible/reusable controller implementation for self-adaptation. The artifact is implemented in ROS (Robot Operating System), which embraces principles such as ease of use and relies on an active open source community support.

研究动机与目标

• 解决在动态、安全关键型医疗环境中维持系统可靠性和能效的挑战。
• 提供一个可重用、可扩展的自适应信息物理系统范例，基于控制理论原理应用于医疗保健领域。
• 使研究人员能够在真实、可配置的仿真环境中，实验不确定性注入、适应策略和 QoS 指标评估。
• 支持在实时干扰下对自适应系统属性（如可靠性、成本和瞬态行为）进行评估。
• 通过提供基于控制理论的开源范例，弥合现有文献在医疗自适应体感网络方面的空白。

提出的方法

• SA-BSN 在 ROS 中实现，采用受管系统（六种传感器：心电图、血氧饱和度、体温、动脉血压、葡萄糖）和管理系统（中央枢纽与控制器）以实现适应。
• 使用可配置参数（频率、Kp）的比例控制器，根据实时 QoS 反馈调整传感器采样率。
• 通过可配置的噪声信号（阶跃、斜坡、随机）注入实现不确定性模拟，噪声信号具有定义的幅值、频率、偏移量和持续时间。
• 通过基于文件的输入配置患者档案，实现对不同健康状态和传感器行为的动态仿真。
• 适应由策略执行器驱动，其监控 QoS 指标（可靠性、成本），并调整系统参数以满足用户定义的设定点。
• 系统使用控制理论指标评估适应性能：稳态误差（SSE）、超调量和调节时间。

实验结果

研究问题

• RQ1 自适应体感网络如何在动态不确定性条件下，维持目标可靠性的同时最小化能耗？
• RQ2 注入的噪声（如通信延迟、传感器故障）对系统可靠性和适应性能有何影响？
• RQ3 基于控制理论的方法在不同环境和系统级扰动下，实现期望 QoS 设定点（如 90% 可靠性）的有效性如何？
• RQ4 SA-BSN 范例在多大程度上能够支持对医疗信息物理系统中自适应系统行为的可重复评估？
• RQ5 在实时监测背景下，不同不确定性情景下的瞬态适应指标（如超调量、调节时间）如何变化？

主要发现

• 当目标可靠性为 90% 时，SA-BSN 的稳态误差（SSE）为 8.84%，表明与设定点存在 8.84 个百分点的偏差。
• 系统在收敛值之上表现出 12.25% 的超调量，表明其瞬态响应超过了目标可靠性。
• 调节时间为 339 秒，表明在扰动后适应过程在 6 分钟内即稳定下来。
• 该系统在模拟通信信道拥塞场景下成功维持了系统可靠性，该场景模拟了高患者负荷情况。
• 噪声注入与控制理论指标的结合，实现了对多种不确定性类别下适应行为的精确、定量评估。
• 该范例在以往研究中被证明具有可重用性和可扩展性，支持在真实医疗场景中对自适应系统属性进行评估。