[论文解读] Study of Vital Data Analysis Platform Using Wearable Sensor

Yoji Yamato|arXiv (Cornell University)|Jun 6, 2017

IoT and Edge/Fog Computing参考文献 25被引用 3

一句话总结

本文提出了一种基于可穿戴传感器的实时生命体征数据分析平台，用于监测心电图和加速度数据，以检测体位、疲劳和放松状态。通过在智能手机或云系统上采用流处理和微批处理技术，该平台降低了网络成本，并实现了对危险体位或疲劳程度变化的及时预警，目前已完成系统实现，现场测试正在进行中。

ABSTRACT

In this paper, we propose a vital data analysis platform which resolves existing problems to utilize vital data for real-time actions. Recently, IoT technologies have been progressed but in the healthcare area, real-time actions based on analyzed vital data are not considered sufficiently yet. The causes are proper use of analyzing methods of stream / micro batch processing and network cost. To resolve existing problems, we propose our vital data analysis platform. Our platform collects vital data of Electrocardiograph and acceleration using an example of wearable vital sensor and analyzes them to extract posture, fatigue and relaxation in smart phones or cloud. Our platform can show analyzed dangerous posture or fatigue level change. We implemented the platform and we are now preparing a field test.

研究动机与目标

• 为解决医疗物联网中缺乏实时可操作性的问题，实现实时响应生命体征数据。
• 降低持续传输原始生命体征数据带来的网络成本。
• 开发一种可扩展的平台，利用流处理和微批处理技术处理生命体征信号。
• 利用可穿戴传感器数据检测并预警疲劳水平和体位的变化。
• 实现在智能手机或云基础设施上的部署，以支持实际的医疗监测。

提出的方法

• 该平台从可穿戴传感器实时采集心电图（ECG）和加速度数据。
• 采用流处理和微批处理技术，在智能手机或云系统上分析数据。
• 通过收集的传感器数据上的信号处理算法，提取体位、疲劳和放松水平。
• 系统架构设计旨在通过在设备端进行预处理，仅传输相关分析结果，从而最小化数据传输量。
• 该平台采用适合边缘和云部署的分布式计算模型实现。
• 正在准备现场测试，以验证实际性能和可用性。

实验结果

研究问题

• RQ1 如何实时处理可穿戴传感器数据以检测疲劳和体位的变化？
• RQ2 何种处理架构可在实现及时健康洞察的同时最小化网络成本？
• RQ3 混合边缘-云处理模型能否有效提取如放松和疲劳等临床相关状态？
• RQ4 ECG与加速度数据的集成如何提升体位和疲劳检测的准确性？
• RQ5 此类平台在真实医疗环境中的部署可行性如何？

主要发现

• 该平台成功实现了基于流处理和微批处理技术的ECG与加速度数据的实时分析。
• 通过移动设备或云系统上的处理后传感器数据，可检测并可视化疲劳和体位的变化。
• 系统通过在本地处理数据后再传输，显著减少了网络负载，降低了带宽使用。
• 该平台能够对危险体位或疲劳程度变化发出及时预警，支持主动健康干预。
• 系统实现已完成，现正准备开展现场测试以评估实际性能。
• 与另一篇预印本（arXiv:1704.05573）存在大量文本重叠，表明方法上具有延续性并得到验证。