首页 情景感知在体域网上的应用

情景感知在体域网上的应用

举报
开通vip

情景感知在体域网上的应用情景感知在体域网上的应用 一、体域网研究综述。  作为无线传感器网络(wireless sensor networks ,WSN)的一个分支和在生物医疗等领域内的应用,体域网( body sensor network , BSN) 是一种重要的公众应用网络,并在远程医疗保健、 特殊人群监护和社区医疗等服务领域有着巨大的应用意义和需求,并日渐成为研究和应用的热点。首先,随着全世界老龄化人口的不断增加,由于医疗资源(预算支出、医生、护士和病床等)相对不足,使得医疗保健系统的发展成为全球需求。其次,中国作为13亿人口...

情景感知在体域网上的应用
情景感知在体域网上的应用 一、体域网研究综述。  作为无线传感器网络(wireless sensor networks ,WSN)的一个分支和在生物医疗等领域内的应用,体域网( body sensor network , BSN) 是一种重要的公众应用网络,并在远程医疗保健、 特殊人群监护和社区医疗等服务领域有着巨大的应用意义和需求,并日渐成为研究和应用的热点。首先,随着全世界老龄化人口的不断增加,由于医疗资源(预算支出、医生、护士和病床等)相对不足,使得医疗保健系统的发展成为全球需求。其次,中国作为13亿人口的大国,对于能够切实解决广大社区(特别是偏远山区)看病难、看病贵的BSN 技术更是需求迫切。 此外,传统的医疗方法多为病发后治疗,不能很好地作到预防和实时诊疗,而BSN 代表的新技术则能通过对已有生理参数数据的分类学习对实时信号或数据进行分析从而对发病进行预警,或在发病时采取及时的报警,并将发病过程中重要的生理信息保存下来,以供后续的诊断治疗。 BSN 技术不仅用于医疗保健、健康恢复和助老助残方面,应用的领域还可扩展到娱乐业(如动漫产业、舞蹈设计和训练)、体育运动(如击剑教学模拟及分析)、其他工业(如汽车发动机和机床的状态监控及故障检测),甚至是军事领域(如战士生理状态监控及救助)和社会公共领域(如大规模突发事件的监控和心理救助等)。 当前,BSN 仍处在初级发展阶段,多数研究都集中在建立系统架构和服务平台上,仍面临诸多关键技术挑战,在用于减少冗余并获得特征和决策的数据融合方面,包括轻量级数据融合算法的设计及实现和生理信号的实时处理等;在用于提高识别精度和实现自动感知的情景感知方面 ,包括上下文计算、环境感知及监控和特征提取及降维技术等;在用于防止入侵的数据安全和隐私数据保护方面 ,包括数据安全 协议 离婚协议模板下载合伙人协议 下载渠道分销协议免费下载敬业协议下载授课协议下载 、数据加密算法设计及隐私保护机制等;在用于搭建BSN 应用的系统技术方面,包括低能耗的无线通信、身体上及身体周围的无线传输、体上传感器节点的可穿戴性、传感器(特别是植入体内)的尺寸大小及低能耗问题等。这些关键技术都是构建完整BSN 系统所必须涉及到的,不仅有研究价值 ,还具有重要的实际应用价值。已有的研究综述分别就 BSN 的生物传感器设计和自动感知、 无线通信架构、情景感知、医疗保健领域的发展趋势、数据安全和无缝系统整合技术给出了充分讨论.本文将着重在数据融合、情景感知和系统技术方面 总结 初级经济法重点总结下载党员个人总结TXt高中句型全总结.doc高中句型全总结.doc理论力学知识点总结pdf BSN 领域的技术挑战、 最新进展和发展趋势 ,还就 BSN 系统架构展开讨论。 体域网(wireless body sensor network , WBSN或BSN)是基于无线传感器网络(WSN)的,人体上的生理参数收集传感器或移植到人体内的生物传感器共同形成的一个无线网络,它不仅是一种新的普适医疗保健、疾病监控和预防的解决 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 ,还是物联网( Internet of t hings)的重要感知及组成部分.其目的是提供一个集成硬件、 软件和无线通信技术的泛在计算平台,并为普适的健康医疗监控系统的未来发展提供必备的条件.它特别强调可穿戴或可植入生物传感器的尺寸大小及它们之间的低能耗无线通信.这些传感器节点能够采集身体重要的生理信号(如温度、 血糖,血压和心电信号等) 、人体活动或动作信号以及人体所在环境信息,处理这些信号/信息并将它们传输到身体外部附近的本地基站。BSN还有其他的称呼,分别是生物医疗传感器网络和无线体域传感网。 根据相对于人体所在位置可将 BSN 中传感器节点分为 3 类:1.可植入体内的传感器节点 ,包括可植入的生物传感器和可吸入的传感器(如摄像药丸);2.可穿戴在身体上的传感器节点 ,如葡萄糖传感器、非入侵血压传感器、血氧饱和度传感器和温度传感器等;3.在身体周围并距离身体很(较)近的用于识别人体活动或行为的周围环境节点。在以上分类的基础上,根据传感器节点的监控/检测目标,可将BSN 网络分为:1.仅包含第 1类传感器节点的植入式BSN网络(implanted BSN);2.仅包含第2类传感器节点的可穿戴式BSN(wearable  BSN);3.以上 3 类传感器节点任意组合的混合式 BSN ( hybrid BSN)。 BSN 中传感器节点(或设备)所要监控的人体(生理)信号分为 3 类:1.连续型时变生理信号,一般为各种波形居多,如肌电图和脉搏波等,对应的传感器(设备)包括脑电图扫描仪、视觉传感器、听觉传感器、心动电流仪、心电图仪、PVDF 压电脉象传感器、心脏起搏器和吸入式药丸摄像机;2.离散型时变生理信号 ,如体温、血压和血氧饱和度等生理参数值,对应的传感器(设备) 包括吸入式药丸温度测量仪、胰岛素泵、肺功能传感器、葡萄糖检测传感器、 出汗量检测传感器、指环式心率感知器、血氧饱和度传感器、体温传感器、非入侵血压监测仪和脉搏率检测传感器;3.人体活动及动作信号,用于监控病人的日常活动或人体活动,对应的传感器(设备)包括人体活动传感器、加速度传感器、动作传感器、耳戴式活动识别传感器和螺旋仪。 二、情景感知在体域网上初步认识 1. 情景感知 由于情景感知能够解释来自于 BSN 中的物理信号和生物化学信号 ,对外界不同事件作出决策以及调整自身的监控行为,因此已成为在实现健康保健监控BSN 应用系统中不可或缺的一部分BSN 中情景感知的重要性还在于将用户生理活动和周围环境信息结合起来以形成被感知的信号,这种情景信息可以被用在普适医疗、特别是用于精确病情检测。最后 ,情景感知能让BSN 中的一些数据处理以低能耗方式在本地的资源受限的传感器节点上执行,从而让整个网络的能耗和通信带宽最小化情景是能够描述当前实体情况的任何信息,这里实体可以是一个人、地方或者是物理对象。情景感知(context2aware sensing , CAS)能被定义为探知或监测用户的内部或外部状态。情景感知计算(context aware comp uting , CAC)描述了一个可穿戴可移动的、 传感器能够感知到用户状态和周围环境、 并在任务中利用这些信息来改变其行为的计算。.情景信息可以是周围传感器获得的信息也可以是身体活动信息 ,还可以是血压、 周围环境温度、 体温或大脑活动等。情景感知技术就是利用这些情景信息来检测或监控目标生理参数(如 ECG)是否出现异常 2. 情景感知的系统结构分析 传感器采集到的信息种类繁多 而不同的应用需要的信息处理方法也各不相同 而这些方法对系统结构的需求也不同现有研究中有两种常见的情景感知系统结构直接访问传感器和基于中间件技术直接访问传感器的方法经常用于内嵌传感器的设备应用程序直接从传感器中获取所需信息传感器与应用是一种紧耦合关系 以往的无线传感器网络 WSN 都是一些小规模的应用传感器种类及数量都比较少采用直接访问传感器的方法就可以满足其需要,但对于物联网来说随着规模的扩大及应用的增多,采用紧耦合的方式会造成感知系统的复杂化限制了系统的灵活性及可扩展性, 本文对此不作详细介绍。 基于中间件的结构是在情景感知系统中引入一种分层结构。它位于下层传感器与上层应用之间,该层向上屏蔽底层传感器操作细节,提供统一的信息访问接口,向下驱动物理或逻辑的传感器进行信息采集 ,通过中间件技术,构建应用程序与传感数据源的桥梁,集成情景信息建模处理等共性功能模块,简化了物联网情景感知应用程序的开发同时增强了系统的可扩展性。中间件在系统中的位置如图1所示 图1 中间件在系统中的位置 中间件技术源于软件行业,可用来解决多种硬件系统平台的异构问题,中间件是位于平台。硬件和操作系统, 和应用之间的通用服务,这些服务能够满足大量应用的需要,能够运行在多种硬件平台上。且支持各类标准协议接口,物联网具有海量信息的特性 而情景感知应用又要求中间件具有情景信息处理的能力。因此,传统的中间件技术无法满足物联网的要求,需要新的支撑技术,根据本文的描述物联网的中间件要实现的功能至少还应该包括上面提到的情景信息建模处理和存储管理,已有的情景感知中间件包括 Combra、Gaia、Context  Toolkit、Camus Camido。 Context  Toolkit是美国乔治亚理工学院提出并实现的个支持产生情景感知应用程序的中间件,上下文信息的计和管理分布在用户的设备上进行,上下文感知应用请求用设备获取相关的上下文 主要包含3类对象Widgets 服务器和解释器。 Context  Toolkit架构中,传感器被抽象为 Widgets对上层应用提供统一的数据接口 服务器和解释器则装了情景信息的分析处理过程 但它采用的是面向特定对的信息建模方法,缺乏情景信息的共享,有一定的局限性。 Gaia是由伊利诺斯州立大学 Mauel Roman等开发的普适计算中间件 Gaia类似传统操作系统。其实Gaia也将传统操作系统认为是特殊的智能空间,它将物理空间及其包含的实体等定义为智能空间。智能空间内部的普适计算软件环境由Gaia核心 Gaia应用程序框架和应用程序组成。它采用集中模式,即情景信息的计算和管理集中在一台服务器进行应用请求服务器获取相关情景信息。在以海量信息为特征的物联网环境下 集中模式是系统扩展的瓶颈 Gaia提供对不确定情景信息进行推理的能力。支持贝叶斯网络推理机制Gaia结构如图2所示 其中 Context Provider是底层各种物理和逻辑传感器 负责情景信息的采集Context Synthesizer对获得的信息进行融合并推理出高层情景信息Context Consumers由高层的情景信息决定采取相应的行动 Context Provideer Lookup Service管理上下文提供者 Context History。Service提供历史上下文存储服务 Ontology Servicer维护存储情景信息的本体。 图2  Gaia结构图 物联网最基本的组成部分是传感器,不同于传统的传感网。物联网是个大的网络 其中的传感器数量巨大且种类繁多。同时传感器自身故障及网络传输问题导致信息空缺及噪声数据 多传感器协同感知不可避免会出现大量冗余和不确定信息。传感器有效管理和数据预处理是情景感知能否高效实现的关键。如何管理海量动态的传感器以及如何处理海量的不确定信息 是物联网的重点。物联网情景感知系统应当重点考虑,此外,传统的多传感器协同感知应用处理的仅为传感器采集的感知信息,物联网情景感知应用不仅处理传感器感知信息。还包括用户个性信息。如用户习惯,日程表,并注重用户反馈。 目前的支持情景感知的中间件基于传统的传感网,缺乏上述相应管理,如前面提到的几种中间件系统有其优势。但在物联网环境下也存在局限性,参考上面提到的几种系统结构,本文提出的情景感知系统结构如图3所示 系统使用本体建模 实现了情景信息的共享 解决了 Gaia存在的局限性。结构采取Cobra的多Agent结构,均衡系统负载,较Cobra增加了底层传感器管理模块等。与以往系统结构相比,本结构考虑了物联网的特性更加适合物联网的情景感知应用本文的物联网情景感知系统包括情景信息采集模块用来驱动底层传感器进行信息采集,同时实现对底层传感器的管理,情景信息整合模块,对采集模块获得的情景信息进行预处理,包括去冗余和冲突处理等推理模块,由采集模块得到的数据集挖掘出隐藏的知识,推理出应用可理解的高层情景信息,识别当前情景,并由此决定提供什么服务,学习模块。根据用户反馈,优化推理模块和整合模块,接入控制模块,用于传感器应用及用户等的接入控制。此外,还应该包括存储情景信息和注册信息的数据库 物联网中情景信息的瞬时性、关联性特征等使得情景信息存储管理有其固有的特点,如情景信息的时效性。例如, 过去的温度信息对当前的情景感知是没有意义的。 隐私保护, 必须给予使用者定义隐私策略的机会 。根据定义的规则控制数据是否发送以及发送到哪里,做到合理的隐私保护。 3. 技术概述 对BSN 中情景信息进行推理主要包含 3 种方法:人工神经网络、 贝叶斯网络和 Markov 模型。人工神经网络作为一个稳定的分簇算法被用于BSN 的情景感知中 ,原因在于它能够表现良好却不需要对输入数据进行监管训练,但会在底层传感器产生一些无可避免的噪音.自组织映射( self organizing maps , SOM)是属于人工神经网络方法的一种,除了具有人工神经网络的特性外 ,它还提供了使数据可视化和分簇的高效方法,该特性决定它不但能够保持连续工作,与其他方法结合则更有利于日常活动识别;贝叶斯网络被用来将BSN 中感知数据的情景进行分类,因此是一个十分合适的用于情景感知的推理方法.贝叶斯网络遵循图中各顶点之间严格独立的假设,当独立假设成立的情况下它能获得最高的准确率;为了能够在真实世界的BSN中应用情景感知技术,需要一个持续时间段而非某个确切时间点上的连续识别 ,由此将隐 Markov 模型( HMMs)引入到监督层以获得情景转换的模型.由于系统能够识别一连串的动作或活动 ,因此应用隐 Markov模型是能够对人的行为实现精确建模的情景识别技术。 其主要步骤包括:信息采集 建模和智能处理。 (1) 情景信息采集 情景信息的获取可以分为用户主动输入和通过传感器采集等方式,情景感知的目标是通过普适的计算资源在用户较少参与或者根本不需要用户参与的情况下实现对用户的服务推荐。因此 情景感知系统需要用户个性化信息,如生活习惯、日程表等来辅助系统做出正确的决策。此外,系统还需要通过部署在环境中的传感器和其他设备自动获取其他情景信息。例,用户的位置信息,在户外环境下可以通过GPS获取在室内时,可采用如下技术获取。基于GPS原理 采用红外 ParcTab系统、射频技术,基于信号传输时间差的Cricket系统12 基于信号衰落的Radar 系统以及基于视觉技术的定位系统。 温度、湿度、加速度信息可通过相应的传感器获得。时间信息则由系统内部时钟提供,类似于网络带宽的信息可以通过动态监测的手段获得信息获取的手段众多。这里不再一一举例说明。在物联网中大量传感器分布在实际环境中,为了保证环境信息获取的快速性和准确性,常采用多传感器协同感知的手段,使用多传感器相互协作来提高系统可靠性及可信性还可以扩展传感器的覆盖范围,包括空间覆盖范围和时间覆盖范围。但传感器采集到的信息受自身质量和性能噪声的影响往往是不完整且不准确的。因此有必要对同一检测目标的多传感器数据进行预处理。 (2) 情景信息建模 情景信息是情景感知的基础,物联网的特性之一是海量设备。不同的传感器采集到的信息不同如位置,时间或者光强等,表示方式也千差万别。为了达到语义互操作的目的,需要对这些多源异构信息进行有效的表示,传输和存储。因此需要为这些数据进行统一形式的描述或者称为定义标准的数据格式及协议,如何从底层情景信息高效地提取出有意义的高层信息。也同样要求对情景信息进行有效组织和表达情景信息的建模可以分为两个层面 一是形式上的统一即不同的情景信息采用相同的表示方式。如关键值模型,其主要目的是解决信息的高效存储和查询等问题,并不涉及语义二是支持语义上的统一。如基于本体论的知识表达 通过统一的语义表达解决情景信息语义互操作和利用效率问题。 关键值模型Key value pair modle使用关键值偶对 通过提供情景信息的关键词及其值来描述。该模型建模简单,关键值偶对易于管理。但物联网中各传感器获得的信息之间总存在着一定的联系,该模型割裂了信息间的相互联系,而信息间的这种联系在物联网的信息处理中是相当重要的模式标识模型 Markup Scheme Models 。和各种标识语言 如 HTML和 XML等对事物的一样模式标识模型就是采用标签Tag分层对对象进行标识。这种表示方式又称为Profiles配置 W3C定义了Composite Capabilities prefences 它们都用XML来表述。扩展后可用于情景建模。 传统E-R模型又称为实体联系模型 由Peter Chen于1976年提出 是一种概念数据模型 它将现实世界转化成实体、联系和属性等几个基本概念。并用一种较为简单的E-R图来表示 如图3所示的E-R图中 实体用矩形表示,属性用椭圆形表示,联系则用菱形表示。 图3  E-R图 面向对象模型 OOMO,该模型以传统E-R模型为基础兴起20世纪80年代面向对象模型认为客观世界由特定结构,功能且具有相互联系的对象组成最低限度上必须具有对象。类 对象标识,继承性和对象包含5个基本概念 类是具有相似属性和方法的对象的集合,每个对象都是它所在类的一个实例。继承性指子类继承其所有父类的全部属性和方法 通过继承 提供了数据和方法重用机制 避免了重复定义 对象包含指一个对象的属性可以是另一个对象。这不仅使类之间具有层次结构而且某一个类内部也具有包含的层次结构 形成复杂对象结构由于采用了对象的继承和包含机制。面向对象模型相比传统 E-R模型 在对现实世界的表现上更加自然有效。因此 TEA Progect重点使用了面向对象模型来表达信息。 本体模型 Ontology Model使用本体建模是目前很流行的一种方法,本体可以很好地描述情景信息 本体的概念最初来源于哲学 表示客观存在的一个系统的解释和说明 随着智能信息处理技术的发展,本体被赋予了新的概念1993年 Gruber给出了本体的一个最为流行的定义即 ,本体是概念模型的明确的形式化规范说明,之后有不少学者在此基础上给出了本体的新定义。构造本体的目标是获得相关领域的知识,通过确定该领域认可的词汇,实现对该领域知识的共同理解。使其符合物联网对语义互操作的要求,基于本体的知识表达包含4层含义概念模型 Conceptualization明 确 Explicit 形式化Formal和共享Share 概念模型 指通过抽象出客观世界中一些现象的相关概念而得到的模型。独立于具体的环境状态,明确 指所使用的概念及这些概念的约束都需要明确定义,形式化,指本体必须具有计算机可读的特性。共享指本体中体现的是共同认可的知识,反映的是相关领域中公认的概念集本体的概念满足物联网语义互操作和资源重用的要求。是物联网中主要的建模方法。 概念的获取有基于语言学和基于统计学的方法,获取概念间关系大多基于 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 ,概念聚类词典和关联规则方法,本体表示方式可以多种多样如一阶谓词逻辑语义网络基于框架的系统,但目前使用最普遍的是W3C所推荐的OWL语言本体评估判断构造的本体的优采用的方法有选择相应的应用进行实验和基于Golden Stander 即与手工构建的本体进行比较。 4.面临挑战 BSN 中情景感知仍然面临着一些分类学习及推理、 情景感知架构、 环境感知及监控等方面的技术挑战 ,具体表现如下 (1) 分类学习及推理. 这包含 3 个方面的挑战: 1)在平滑约束和自适应学习方面 ,人类活动包括自然持续的身体动作 ,如果在情景中也引入这种平滑约束特性,那么对人体自然行为识别精度将会变得更高.此外 ,既然实际的BSN 应用需要长期的连续时间工作 ,这就要求系统具有自适应性,不仅能够学习新出现的情景信息 ,而且还能忘记以前发生过并已经学习的情景信息 ,这样它就不必重新学习。 2)  在分类器设计方面。 传统的传感器融合技术主要依赖于分类器的推理能力,如用于活动识别的朴素贝叶斯分类器、 用于日常活动跟踪的分级 Markov模型和用于识别心率紊乱的基于贝叶斯框架的人工神经网络分类器。因此分类器设计是至关重要的,其目的是基于所有感知数据来产生最优的结果而不考虑分类结果的相关性 ,从而更好地对目标进行分类. 3)在训练数据方面,训练数据是分类器准确率的重要保障 ,因此也是在情景感知中的另一个挑战。一方面在很多场景中 ,要求病人进行一些特定活动以获得足够大训练数据集合是不现实的。另一方面 ,大量使用传感器来获得真实的训练数据将会面临实际的部署困难 (2) 情景感知架构建立. 用于医疗健康监控的BSN 系统 ,特别是真实的健康医疗的 BSN 应用将会涉及到设计、 开发、 部署和管理上下文信息及各项系统任务的需求.这要从架构的角度进行考虑 ,必须设计一个通用合理的情景感知架构来解决以上问题.建立这样的情景感知架构的挑战在于: 1)架构中需要考虑的因素多且关系复杂 ,这些因素包括情景感知系统的模拟、安装、调试、 维护以及加入新感知设备或节点 ,移除旧的感知设备或节点 ,更新系统组件等; 2)合理的情景感知架构不仅要能够高效地获取上下文信息 ,还要有效地将它们进行融合和推理。 (3) SOM 的不稳定性和训练数据依赖性。 自组织映射(SOM)的不稳定性表现在它是基于神经元输入属性或特征的快照进行匹配的,准确性极易受特征变化的影响.在一些情景应用中,每个活动可以包含一系列的子活动 ,受其影响 ,这种情况下的结果活动模式不再受到本地神经元簇的限制,它往往会跨过大片区域的映射而和其他活动的神经元产生重叠,这将对 SOM 总的识别精度起到相反的影响效果。SOM 依赖性表现在受过训练映射的神经元活动模式高度依赖训练数据的分布。如果输入空间的某个区域包含频繁激励,它会被 SOM 大片区域所表示,并因此会出现依赖于训练数据中类的记录个数的偏差.由于动态和静态混合激励的存在,因此控制分类识别率是困难的,类误匹配也无法避免。 3. 研究现状及发展趋势 情景感知在BSN 应用中所处的位置非常重要,因此其研究成果也比较丰富。代表性的应用大致分为 3 类:第 1 类是在已有的BSN 系统基础上 ,通过整合已有的情景感知技术或提出算法来构建新的具有情景感知能力的BSN 系统.如基于情景感知 QRS检测的BSN 系统和用于家庭护理和健康监护的非入侵情景感知 BSN 系统等。第 2 类是应用情景感知技术识别人体活动,进而实现医院或家庭中对病人护理监控目的.如通过佩戴加速传感器识别病人的活动,提出基于隐 Markov 的行为模型方法以高效监控家庭中病人的日常活动[46 ] ,以及通过将耳戴式活动识别传感器(e2AR)和基于 Blob的周围环境传感器相结合 ,以提高活动识别精度等.在此类应用中都需要建立用于识别的模型架构、定义活动模式和设计学习算法。第 3 类是直接或间接应用自组织映射( SOM)技术来实现情景感知功能的BSN 应用 ,如将 SOM 与 K近邻方法相结合对不同的人体活动进行分类;基于SOM 提出了对复杂病症进行分类的方法以检测病人心率不齐、 建立自适应机制的 SOM 架构以解决BSN 中类分离和节点扩展问题,以及建立基于时空自组织映射 ( ST2SOM) 的分布式推理模型等。 当前情景感知技术一般应用加速度传感器来识别病人的日常活动并提供情景信息[ 26 ] ,理由是考虑到生理参数不断发生变化是任何用于监控的 BSN系统的必然现象 ,而加速度传感器却能够显示当病人出现异常情况(如心率上升) 时活动状态 ,使得BSN 通过情景感知技术能够更精确地判断病人的“正常” 和 “非正常” 信息。总之 ,考虑将周围环境和可穿戴感知设备相结合,使得开发一个高效的能够监控家庭中日常活动的可视化架构才有可能 BSN 中情景感知技术主要发展趋势为:1.研究灵活配置和自适应的统一情景感知模型或架构以指导BSN 设计 ,该架构能够提供统一的接口和服务.具体的BSN 应用只需提供情景相关参数 ,选择恰当的分类识别技术 ,最后即可获得决策级的反馈结果.2.情景感知将是分布式协作的进一步发展 ,是对情景感知计算的充分表达 ,因此情景感知未来的另一个发展趋势是和无线通信技术、 数据融合技术以及数据安全技术更好地结合在一起 ,构造出功能强且安全的BSN 应用系统. 3.自动情景感知也是一个发展趋势,因为传统的获得用户情景信息的方法既费时又不可靠 ,通过专业设备和试验条件下的临床观察又不能准确反映病人的行为 ,这些问题都促进了对自动情景识别系统的需求和发展。
本文档为【情景感知在体域网上的应用】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑, 图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
该文档来自用户分享,如有侵权行为请发邮件ishare@vip.sina.com联系网站客服,我们会及时删除。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
下载需要: 免费 已有0 人下载
最新资料
资料动态
专题动态
is_833902
暂无简介~
格式:doc
大小:35KB
软件:Word
页数:0
分类:互联网
上传时间:2019-08-21
浏览量:6