Detección de eventos para redes de sensores inalámbricas

La detección de eventos en redes de sensores inalámbricos permite limitar la cantidad de datos enviados entre nodos a solo cuando se activa un evento de interés en un sensor. Las redes de sensores inalámbricos (WSN) son redes distribuidas espacialmente de sensores autónomos que se utilizan para monitorear un entorno. El costo energético es una limitación importante para las WSN, lo que exige redes y procesamiento energéticamente eficientes . Uno de los principales costos energéticos en las WSN es la energía consumida en la comunicación entre nodos, y en ocasiones es deseable enviar datos a un nodo de puerta de enlace solo cuando se activa un evento de interés en un sensor. De esta manera, los sensores solo abrirán la comunicación durante un evento probable, lo que permite ahorrar en costos de comunicación. Los campos interesados en este tipo de red incluyen vigilancia, domótica , ayuda en casos de desastre, control de tráfico, atención médica y más.

El ahorro energético se debe a que los nodos solo se comunican con la puerta de enlace cuando hay un evento que reportar. Esto puede resultar difícil en entornos dinámicos donde gran parte de los datos recopilados pueden no ser relevantes. Para superar este problema, se flexibilizan las restricciones sobre lo que define un evento y, por lo general, se modela como un conjunto de umbrales o probabilidades.

La detección de eventos se divide en tres categorías principales: basada en umbrales, supervisada y no supervisada. ^{[ 1 ]}

Detección basada en umbrales

La detección basada en umbrales es una forma sencilla de detectar eventos mediante el uso de diversos parámetros que pueden indicar si un evento ha ocurrido o no. Los datos recopilados en un nodo sensor , también llamados datos-evento , se analizan para ver si han alcanzado un punto umbral determinado para ser considerados un evento. Por ejemplo, un detector de luz puede informar a una puerta de enlace solo si detecta luz por encima de cierta intensidad. Los datos-evento también pueden ser el resultado de una combinación de salidas de diferentes tipos de sensores que colaboran en la puerta de enlace o a través de comunicación punto a punto de salto corto. Dos parámetros importantes que afectan la efectividad de la detección son la tasa de muestreo y el área del evento. ^{[ 2 ]} La tasa de muestreo dependerá de si los eventos ocurren durante largos períodos de tiempo, como las mareas en el océano, o durante períodos cortos de tiempo, como los automóviles que pasan frente a un edificio. El área del evento determinará cuántos sensores deben informar valores por encima de un valor umbral para que la probabilidad de un evento sea lo suficientemente alta como para ser considerado.

Si los sensores recopilan múltiples puntos de datos en un momento dado, otro método para usar la detección basada en umbrales es medir la varianza de los datos y enviarlos a un nodo de puerta de enlace solo si la varianza alcanza un cierto umbral. Los eventos pueden ocurrir solo en una pequeña porción del conjunto de datos . En este caso, es importante dividir los datos en segmentos más pequeños y tener en cuenta la varianza de cada segmento individual. Consideremos un conjunto de datos N -dimensional que se puede dividir en cuatro cuadrantes iguales. La suma de la diferencia absoluta se puede calcular para todas las muestras en esa sección y se puede usar como una aproximación de la varianza de ese cuadrante. A continuación se muestra cómo se vería la ecuación para un cuadrante.

$V_{1}=\sum _{\mathbf {s} }|I_{(\mathbf {s} )}-Iref_{(\mathbf {s} )}|$ , dónde $0\leq s_{i}\leq {\frac {m}{2}}$ , dónde $\mathbf {s}$ es el área muestreada N -dimensional en la región de soporte que va de 0 a $m$ en cada dimensión, $I_{(s)}$ es el conjunto de puntos muestreados en el punto $\mathbf {s}$ , y $Iref_{(s)}$ es el conjunto de puntos de datos de referencia.

La suma de las diferencias absolutas mencionadas anteriormente corresponde a un cuadrante del espacio total muestreado y puede representar la pseudovarianza de un subconjunto de los datos. Al recopilar todas las varianzas de los diferentes cuadrantes, es más probable detectar la ocurrencia de un evento, incluso si este solo afecta una parte de la región total de soporte. ^{[ 3 ]}

Detección supervisada

La detección supervisada se da cuando se conocen los eventos de antemano y se pueden describir mediante patrones que se comparan con datos en tiempo real. Requiere información previa sobre los eventos en cuestión y el entorno. Esto se suele lograr tomando mediciones de muestra, o vectores de entrenamiento , en toda la red durante un evento y creando una firma de cómo se ven los datos.

La clasificación de un evento puede describirse generalmente como la probabilidad de que una medición observada x fuera el resultado del evento ω. Dado un conjunto de vectores N-dimensionales $\{\mathbf {x} \}$ y un conjunto predeterminado de eventos $\{\mathbf {\omega } \}$ El objetivo es lograr el mínimo error de clasificación errónea, o error de Bayes. El sensor necesita decidir si $\mathbf {x}$ pertenece a $\omega _{i}$ , asegurando que $p(\omega _ {i}|\mathbf {x} )>p(\omega _ {j}|\mathbf {x} )$ para $j\neq i$ . ^{[ 4 ]} Una vez que se ha determinado el evento más probable y la probabilidad de $\mathbf {x}$ Se calcula la pertenencia a un evento y se puede comparar con un umbral. Si la probabilidad de un evento es suficientemente alta, los datos se envían al nodo de puerta de enlace. A continuación, se muestran algunos ejemplos de algoritmos que resuelven el clasificador bayesiano óptimo . Todos requieren un conjunto de vectores de entrenamiento para simular o recrear los eventos de interés.

Clasificador de k vecinos más cercanos (k-NN)

El algoritmo k-NN es un algoritmo de reconocimiento de patrones bien conocido que utiliza un conjunto de prototipos predeterminados { p _k } durante la fase de muestreo o prueba de un evento hipotético. Los prototipos modelan los eventos de interés para la aplicación. Se calcula la distancia entre cada vector de prueba y cada prototipo, y los k vectores de prueba más cercanos a los vectores prototipo se consideran la clasificación o grupo de clasificaciones más probable. A partir de ahí, se puede calcular la probabilidad de que x pertenezca al evento prototipo. Sin embargo, este enfoque requiere mucha memoria y capacidad de procesamiento a medida que aumenta el número de prototipos, por lo que no es una opción muy práctica para las redes de sensores inalámbricas (WSN). No obstante, sirve como una buena referencia para evaluar el rendimiento de otros clasificadores, ya que es bien conocido y la probabilidad de clasificación errónea cuando k=1 se aproxima al doble del error bayesiano óptimo. ^{[ 5 ]}

Clasificador de máxima verosimilitud

El clasificador de máxima verosimilitud modela la distribución de vectores de entrenamiento de la misma clase como una mezcla de funciones de densidad gaussianas . La probabilidad de un vector de entrenamiento dado x , dada una clase ω _i es

$p(\mathbf {x} |w_{i})=G(\mathbf {x} |\theta _{i})=\sum _{k}\alpha _{ik}|\mathbf {\Lambda } _{ik}|^{-N/2}exp(-1/2(\mathbf {x} -\mathbf {m} _{ik})^{T}\mathbf {\Lambda } _{ik}^{-1}(\mathbf {x} -\mathbf {m} _{ik})$

dónde $\theta _{i}=[\mathbf {\alpha } _{i1},...\mathbf {\alpha } _{iP},\mathbf {m} _{i1},...\mathbf {m} _{iP},\mathbf {\Lambda } _{i1},...\mathbf {\Lambda } _{iP}]$ son los parámetros de la matriz de mezcla, media y covarianza de las densidades de mezcla P correspondientes a la clase ω _i . La identificación de los parámetros de la matriz se puede realizar mediante otros algoritmos para encontrar las densidades de mezcla de los vectores de entrenamiento, como el algoritmo k-means o el algoritmo de expectativa-maximización . ^{[ 4 ]}

clasificador de máquinas de vectores de soporte

Una máquina de vectores de soporte mapea un conjunto de transformaciones lineales. $\{\phi (\mathbf {x} )\}_{i=1}^{M}$ desde el vector de entrada N-dimensional a un espacio de características M-dimensional superior. Un clasificador lineal puede describirse como una función determinante. ${\mathfrak {g}}(\mathbf {x} )$ que satisface ${\mathfrak {g}}_{i}(\mathbf {x} )>{\mathfrak {g}}_{j}(\mathbf {x} )$ , si $p(\omega _{i}|\mathbf {x} )>p(\omega _{j}|\mathbf {x} )$ para $j\neq i$ .

El clasificador lineal para este clasificador de máquina de vectores de soporte es:

${\mathfrak {g}}(\mathbf {x} )=\sum _{i=1}^{Q}\alpha _{i}K(\mathbf {x} ,\mathbf {x} _{i})+b$ ,dónde $K(\mathbf {x} ,\mathbf {x} _{i})=\sum _{j=1}^{M}\phi _{j}(\mathbf {x} )\phi _{i}(\mathbf {x} _{i})$ , y $b$ es el parámetro de sesgo y $\alpha _{i}$ es una constante asociada con el peso de cada dimensión de la transformación. ^{[ 4 ]}

La función determinante se puede utilizar para aproximar las probabilidades de cada clase.

Detección no supervisada

Cuando los eventos de interés son desconocidos o no se han observado antes, es necesario utilizar la detección no supervisada. Esto requiere algoritmos de aprendizaje automático que, con el tiempo, identifiquen eventos anómalos en comparación con los sucesos normales. Esta es un área de investigación activa para la detección de eventos y otras aplicaciones en redes de sensores inalámbricas (WSN).

Referencias

↑ Bahrepour, M.; Meratnia, N.; Havinga, PJM (1 de diciembre de 2011). "Detección de eventos no supervisada en línea en redes de sensores inalámbricas". Séptima Conferencia Internacional de 2011 sobre Sensores Inteligentes, Redes de Sensores y Procesamiento de la Información (PDF) . págs. 306–311 . doi : 10.1109/ISSNIP.2011.6146583 . ISBN 978-1-4577-0674-5. S2CID 17493232 .
↑ Vairo, C.; Amato, G.; Chessa, S.; Valleri, P. (1 de octubre de 2010). "Modelado de la detección y el seguimiento de eventos complejos en redes de sensores inalámbricas". Conferencia Internacional IEEE de 2010 sobre Sistemas, Hombre y Cibernética . págs. 235–242 . doi : 10.1109/ICSMC.2010.5642242 . ISBN 978-1-4244-6586-6. S2CID 20798448 .
↑ Veeraraghavan, K.; Peng, Dongming; Sharif, H. (1 de mayo de 2005). "Vigilancia visual multirresolución energéticamente eficiente en redes de sensores inalámbricas". Conferencia Internacional IEEE de 2005 sobre Tecnología de la Información Electrónica . pp. 6 pp.–6. doi : 10.1109/EIT.2005.1626975 . ISBN 0-7803-9232-9. S2CID 17400756 .
1 2 3 Li, Dan; Wong, KD; Hu, Yu Hen; Sayeed, AM (2002-03-01). "Detección, clasificación y seguimiento de objetivos". IEEE Signal Processing Magazine . 19 (2): 17– 29. Bibcode : 2002ISPM...19R..17L . doi : 10.1109/79.985674 . hdl : 1793/9172 . ISSN 1053-5888 .
↑ Duda, RO; Hart, PE (1973). Pattern Classification and Scene Analysis . Nueva York: Wiley. Bibcode : 1973pcsa.book.....D .

[1] Bahrepour, M.; Meratnia, N.; Havinga, PJM (1 de diciembre de 2011). "Detección de eventos no supervisada en línea en redes de sensores inalámbricas". Séptima Conferencia Internacional de 2011 sobre Sensores Inteligentes, Redes de Sensores y Procesamiento de la Información (PDF) . págs. 306–311 . doi : 10.1109/ISSNIP.2011.6146583 . ISBN 978-1-4577-0674-5. S2CID 17493232 .

[2] Vairo, C.; Amato, G.; Chessa, S.; Valleri, P. (1 de octubre de 2010). "Modelado de la detección y el seguimiento de eventos complejos en redes de sensores inalámbricas". Conferencia Internacional IEEE de 2010 sobre Sistemas, Hombre y Cibernética . págs. 235–242 . doi : 10.1109/ICSMC.2010.5642242 . ISBN 978-1-4244-6586-6. S2CID 20798448 .

[3] Veeraraghavan, K.; Peng, Dongming; Sharif, H. (1 de mayo de 2005). "Vigilancia visual multirresolución energéticamente eficiente en redes de sensores inalámbricas". Conferencia Internacional IEEE de 2005 sobre Tecnología de la Información Electrónica . pp. 6 pp.–6. doi : 10.1109/EIT.2005.1626975 . ISBN 0-7803-9232-9. S2CID 17400756 .

[:0-4] 1 2 3 Li, Dan; Wong, KD; Hu, Yu Hen; Sayeed, AM (2002-03-01). "Detección, clasificación y seguimiento de objetivos". IEEE Signal Processing Magazine . 19 (2): 17– 29. Bibcode : 2002ISPM...19R..17L . doi : 10.1109/79.985674 . hdl : 1793/9172 . ISSN 1053-5888 .

[5] Duda, RO; Hart, PE (1973). Pattern Classification and Scene Analysis . Nueva York: Wiley. Bibcode : 1973pcsa.book.....D .

[ 1 ]

[ 2 ]

[ 3 ]

[ 5 ]