Bài toán giám sát bệnh nhân qua hệ thống cảm biến vô tuyến

TAÏP CHÍ KHOA HOÏC ÑAÏI HOÏC SAØI GOØN Soá 23 (48) - Thaùng 12/2016 40 Bài toán giám sát bệnh nhân qua hệ thống cảm biến vô tuyến Patient tracking through wireless sensor network ThS. Lý Tú Nga, Trường Đại học Quốc tế - Đại học Quốc gia TP.HCM Ly Tu Nga, M.Sc., International University - National University Ho Chi Minh City GS.TS. Lê Tiến Thường, Trường Đại học Bách khoa TP.HCM Le Tien Thuong, Prof., Ph.D., Ho Chi Minh University of Technology TS. Mai Linh, Trường Đại học Quốc tế - Đại học Quốc gia TP.HCM Mai Linh, Ph.D., International University - National University Ho Chi Minh City Tóm tắt Vấn đề then chốt của việc giám sát bệnh nhân qua hệ thống cảm biến vô tuyến là độ nhạy thay đổi môi trường từ những vật cản như tường, tủ, v.v. Những độ nhạy này chính là những ảnh hưởng “xấ a động ường độ tín hiệu thu. Bài báo đề xuất bộ lọ đa phần tử dựa vào thuật toán tái lấy mẫu khoảng cách Kullback-Leibler hiệu chỉnh phương sai với độ dốc dữ liệu làm giảm những ảnh hưởng xấu dao động ường độ tín hiệu thu bằng việc tạ ra tập ẫu gần iền hả năng a . Đề xuất này cải thiện giám sát bệnh nhân. Ý tưởng của giải pháp này dựa vào tìm giá trị phương sai l wer b n thông q a tối ư cự đại độ h nh lệ h gi trị lỗi ủa đề xuất và tái lấy mẫu khoảng cách Kullback-Leibler. Kết quả mô phỏng kiểm chứng cho thấy giải pháp này cải thiện sai số định vị bệnh nhân so với các giải pháp truyền thống khác. Từ khóa: lấy mẫu quan trọng tuần tự, tái lấy mẫu KLD, cường độ tín hiệu thu, hệ thống y sinh. Abstract The major challenge for patient tracking through wireless sensor network system is the sensibility to changing environment created by obstacles such as walls, furniture, etc. This sensibility negatively affects the function of the system, causing variations of Received Signal Strength (RSS). In this paper, we propose a Particle Filter (PF) based on Kullback-Leibler Distance (KLD)-resampling to smooth down the bad effect of RSS variations by generating a sample set near the high likelihood region. This technique improves the efficiency of patient tracking. The key idea of this method is to find the lower bound variance based on maximizing the error gap between the proposal and KLD-resampling. All simulation results show that this technique reduces tracking errors compared to traditional approaches. Keywords: SIR, KLD-resampling, RSS, health care systems. 1. Mở đầu Thách thức hiện nay trong hệ thống hă só sức khỏe là việc theo dõi/giám sát bệnh nhân, hệ thống quản lý và giám sát vì dân số lã hóa gia tăng và tình trạng thiế nhân vi n điề ưỡng. Thông qua các thiết bị cảm biến gọn nhẹ đe tr n người bệnh đã đóng góp việc giám sát bệnh nhân 41 một cách linh hoạt tự động bất cứ lúc nào và nơi nà [1]. Gi s t định vị bệnh nhân bao gồm hai dịch vụ chính yếu: dịch vụ theo dõi vị trí và tình trạng bệnh nhân. Nhận thức chính xác vị trí bệnh nhân trong khoảng thời gian ngắn đóng vai trò q an trọng cho nhân vi n sơ ứu. Mặt khác, dịch vụ theo dõi tình trạng bệnh nhân trong tình trạng khẩn cấp phải liên tục và rất cần thiết cho nhân vi n điề ưỡng khi bệnh nhân di chuyển x ng q anh ơ sở lư trú. Nhiều loại thông tin về tình trạng của bệnh nhân được thu thập một cách tự động như đặc tính chuyển động bệnh nhân, huyết áp, nhịp tim, v.v Sai số định vị bệnh nhân đóng vai trò quan trọng trong hệ thống hă só sức khỏe. Các tác giả [2-5] đưa ra ô hình hệ thống thực nghiệm LAURA (LocAlization and Ubiquitous monitoring of pAtients) gi s t và định vị bệnh nhân dựa vào ường độ tín hiệu thu RSS. Khi bệnh nhân di chuyển, giải pháp Gra ient es ent [3] được áp dụng để xác định vị trí bệnh nhân. Giải pháp này tính khoảng cách bệnh nhân đến các anchor node bằng cách ánh xạ tín hiệu-khoảng cách SDM (Signal-to-Distance Mapping). Để phát hiện bệnh nhân di chuyển “x y n qua vật cản, tác giả kết hợp giải pháp Gradient descent và bộ lọ đa phần tử dựa vào thuật toán tái lấy mẫu tuần tự quan trọng SIR (Sequential Important Resampling) [2], kí hiệu là SIR PF. Gần đây, t giả [4] áp dụng thành công giải pháp bộ lọ đa phần tử dựa vào thuật toán tái lấy mẫu khoảng cách Kullback-Leibler (kí hiệu KLD-resampling) và phiên bản cải tiến bộ lọ đa phần tử dựa vào thuật toán tái lấy mẫu khoảng cách Kullback-Leibler với hiệu chỉnh phương sai và độ dốc dữ liệu [5] (kí hiệ Pr p sal) đã ải thiện định vị bệnh nhân tại mức công suất cố định. Ngoài ra, tác giả [5] hưa đưa ra th ật toán tìm giá trị phương sai l wer b n tr ng trường hợp tổng quát với các mức công suất khác nhau [6]. Bài b này đề xuất thuật toán tìm giá trị phương sai l wer b n ột cách tổng quát cho bài báo [5] với các mức công suất h nha [6] để cải thiện định vị bệnh nhân so với các giải pháp truyền thống: Gradient descent [3] và SIR [2]. 2. Nội dung 2.1. Vấn đề Cấu trúc hệ thống giám sát bệnh nhân điển hình được cho ở Hình 1. Hệ thống bao gồ an h r n e đượ đặt ở các vị trí cố định trong phòng, mạng điều phối cá nhân PAN (Personal Area Network), bệnh nhân, cấu trúc mạng, định tuyến cây. Hình 1. Cấu trúc hệ thống giám sát [2] Biết trước vị trí các anchor node, giá trị chỉ số ường độ hiệu thu RSSI (RSS In i at r) được thu thập giữa các cặp anchor node liên quan trong mạng. Bộ chỉ báo giá trị ường độ tín hiệ th RSSI được cung cấp bởi các thiết bị off-the-shelf mà không yêu cầu thêm phần cứng chuyên dụng. Giả định mô hình trì hoãn biết trước các số liệ li n q an RSSI như S (tính bằng đơn vị dBm) và khoảng cách giữa các anchor node d. Bảng chỉ số ường độ tín hiệ th RSSI được mô hình hóa [2] 42 10 0 100 - log v, dS S d (1) với S0 là những giá trị RSSI giữa hai anchor nodes, d0 giá trị khoảng cách tương ứng, và là hệ số s y ha ôi trường. Nhiễu v là nhiễu ngẫu nhiên phân bố Gaussian 2(0, )v tr ng ôi trường đa đường, với giá trị phương sai v phụ thuộc và đặ trưng ôi trường. Khoảng thời gian tr ng bình để thu thập 3 giá trị đ RSSI là 200 s. Khi đã ó mô hình lý thuyết truyền dẫn RSS như công thức (1), thì việ định vị bệnh nhân được giải quyết nhờ áp dụng giải pháp Gradient descent. Mô hình lý thuyết truyền dẫn RSS là phi tuyến nên việc kết hợp bộ lọ đa phần tử và Gradient descent hứa hẹn cải thiện định vị bệnh nhân. 2.2. Giải pháp Gradient descent Gọi 2 i Rx ,i=1,...,M là vị trí của một anchor node, và M là số lượng các anchor node. Mỗi anchor node chứa một vector   T i i1 i2 iMs s s, ,..., s chỉ số giá trị ường độ tín hiệ th RSSI tra đổi dữ liệu với an h r n e h , tr ng đó ijs là giá trị RSSI liên quan tới tín hiệ được phát ra bởi anchor node thứ i và thứ j. Ma trận   MxM1 2 M R, ,..., sS s s là tổng các giá trị chỉ số ường độ tín hiệu thu RSSI của tất cả các cặp anchor node. Mối liên quan tuyến tính giữa các giá trị RSSI và logarit của khoảng cách anchor n e [3] được tính log , D TS (2) tr ng đó,  M D d ,d ,...,d1 2 là ma trận khoảng cách của tất cả các cặp anchor node,   T i i1 i2 iMd ,d ,...,d d là vector khoảng cách của anchor node thứ i ; và ijd là khoảng cách Euclidean giữa anchor node thứ i và thứ j; MxMR T là ma trận ánh xạ tín hiệu-khoảng cách; mỗi hàng của ma trận T đượ trình bày như là phương trình t yến tính của cột ma trận S, và T it là trọng số của hàng thứ i. Ma trận T được tính toán dựa và phương ph p bình phương tối thiểu 1 T Tlog . T D S SS (3) Khi ánh xạ tín hiệu-khoảng h được x định, định vị bệnh nhân thu thập các giá trị đ RSSI giữa chính nó và các anchor node gần kề sˆ . Khi đó ve t r h ảng cách dˆ tương ứng được tính ˆ ˆexp . d Ts (4) 2.3. Bộ lọc đa phần tử Sai số định vị bệnh nhân được cải thiện nhờ sự kết hợp thông tin biết trước như: n e h yển động và bản đồ môi trường hình học. Trong hệ thống này, bộ lọ đa phần tử theo dõi vị trí bệnh nhân tại thời gian t, vector trạng thái T T T t = t , t z x v , với 2Rt x là vị trí và 2Rt v là vận tốc bệnh nhân. Gọi T T T p p pt = t , t z x v là vector bộ lọ đa phần tử ướ lượng với hàm xác suất hậu nghiệm trạng thái z tại thời điểm t, và p=1,,N; gọi pw t là trọng số bộ lọ đa phần tử. Khi đó, trạng thái của mụ ti được ướ lượng theo công thức (5) ở b n ưới. Giá trị ban đầu vị trí bệnh nhân 0xˆ được biết trước từ việ ướ lượng giá trị dˆ theo thuật toán Gradient descent từ M 2 i i i2 x i 1 1 0 x 2 ˆˆ arg min , x x d (6) 43 tr ng đó, idˆ là giá trị khoảng cách đượ ướ lượng giữa bệnh nhân và anchor node thứ i; i là hệ số trọng số được tính 2 i i M 2 ii 1 ˆ . ˆ   d d (7) tr ng đó, T là thời gian lấy mẫu; x và v là các giá trị tỉ lệ thí h nghi được x định thông qua mô hình thực nghiệm. Lấy đạo hàm công thức (6) với tham số x. Ướ lượng xˆ ùng để cập nhật M k 1 k ki i ik i 1 i 2 1 ˆ ˆ ˆ ˆ x , ˆ x   d x x x x (8) T pt 1 t 1 t 1 t t 1 t 1 t t 1 x x v v ˆ ˆ ˆ ˆw t , ˆ ˆ ˆ ˆ , x x v x v v x x (5) với được khởi tạ là 0.1; ước lượng ban đầu 0 xˆ là bằng với vị trí của anchor node gần nhất. Khi khởi tạo giá trị ban đầu bộ lọ đa phần tử có thể tìm ẩn vị trí của mục tiêu bên ngoài tòa nhà, mô hình ôi trường hình họ h trướ là điểm ràng buộc khởi tạo bệnh nhân bên trong tòa nhà. 2.3.1. Tiên đoán Vector giá trị trạng thái mới của bộ lọc đa phần tử thứ p được tính theo mô hình động công thức kinematic p p p T x p p v t t 1 t 1 t t 1 ,   x x v v v (9) tr ng đó, x và v là nhiễu Gaussian với phương sai tương ứng x 2  và v 2  ; Nếu bản đồ ôi trường hình họ được cho trước và áp dụng ô hình động bằng cách gán trọng số của bộ lọc bằng 0 ( p 0w ) nghĩa là bệnh nhân đã “x y n q a tường . 2.3.2. Cập nhật Sa q trình ti n đ n, trọng số của hạt thứ p được cập nhật dựa vào những giá trị thu thập RSSI tại thời điểm t. Trọng số của bộ lọ đa phần tử được thiết lập như sa M 2 p p i p i i2 i 1 1 t t 1 t 2 ˆw w - exp w x ,  x d (10) tr ng đó, idˆ là ướ lượng khoảng cách, p i 2t x x là giá trị khoảng cách của hạt từ anchor node thứ i. Một cách cụ thể để xem xét bệnh nhân di chuyển ra ng ài hay hưa, trọng số hàm phân bố bộ lọ đa phần tử theo công thức (10) được kiể tra, xe lư đồ giải thuật Hình 2. Khi tất cả các hạt đượ “nhốt trong một phòng tr ng hi đó bệnh nhân đã di chuyển ra ngoài phòng. N p p 1 tw ,  (11) với  là giá trị ngưỡng được gán 10-5. Ngõ vào: hởi tạ vị trí bệnh nhân (6), trọng số (7), trạng th i zp(0) Ngõ ra:tạ ra tập ẫ ới {xp,wp} Bệnh nhân ra hỏi phòng Cập nhật: trọng số (10), hởi tạ gi trị ngưỡng (11) Tiên đoán: tạ trạng th i ới h hạt (9) -Tính t n vị trí bệnh nhân (5) -T i lấy ẫ (SIR, KLD, đề x ất) -Ch ẩn hóa trọng số không có Hình 2. Lư đồ cải thiện định vị Nếu việc kiểm tra thất bại (bệnh nhân ra khỏi phòng), các hạt sẽ hông ướ lượng bệnh nhân chính xác nên các hạt được khởi 44 tạo lại. Ngược lại, bệnh nhân không ra khỏi phòng, vị trí b nh nhân đượ x định, tái lấy mẫ được tiến hành, trọng số của bộ lọ đa phần tử được chuẩn hóa N pp 1 t 1w  . 2.4. Thuật toán tái lấy mẫu 2.4.1. Tái lấy mẫu tuần tự quan trọng SIR Bộ lọ đa phần tử [7] được biết đến như là bộ lọc bootstrap, hay kỹ thuật Monte Carlo, v.v. Dựa vào ý tưởng hàm mật độ hậu nghiệ được yêu cầu bởi một tập mẫu ngẫu nhiên (hạt) với những trọng số ơ bản liên quan. Việc tính toán những giá trị ướ lượng dựa vào các mẫu và trọng số ơ bản. Khi số lượng của mẫu rất lớn, đặ trưng M nte Carl tương đương hà xác suất hậu nghiệm và bộ lọc tối ư Bayesian. Tác giả đưa ra th ật toán lấy mẫu tuần tự quan trọng SIS (Sequential I p rtant Sa pling) như Hình 3, ba gồm tái lấy mẫu tại thời điểm tức thời. Cập nhật trọng số Hạt đề xuất Khởi tạo trọng số 21 N 1 2 N Chuẩn hóa trọng số Hàm quan sát Ước lượng Ngõ ra Thoát Không Đánh giá hiệu quả hạt Cần tái lấy mẫu Tái lấy mẫu Có Không Có Hình 3. Lư đồ thuật toán SIR PF [7] Thuật toán SIS sử dụng mật độ hàm quan trọng, đó là hà ật độ đại diện cho một số khác mà không thể tính toán chính x . D đó, ẫ được tạo ra từ mật độ quan trọng thay vì mật độ thực tế. Hiện tượng suy thoái mẫu là một vấn đề thường gặp với SIS PF, như bướ 3 Hình 4. Đối với hạt trọng số nhỏ, quá trình tái lấy mẫu sẽ bỏ qua các giá trị này (đượ đ nh ấu tr ng h ng à đỏ); hay hạt trọng số lớn được sao chép thành hai/ba hạt tương ứng. Ý tưởng khắc phục hiện tượng suy thoái mẫ được nêu ra trong bài báo [8]: sự “thỏa hiệp giữa hạt tập trung (sao chép các hạt trọng số lớn) và hạt phân hóa (loại bỏ các hạt hông đ ng ể). Giải pháp này còn gọi là tái lấy mẫu dựa vào giá trị hạt (hay thông tin trạng thái). Bài báo nêu ra ba giải pháp khắc phục hiện tượng suy thoái mẫ như: 1.T i lấy mẫu hiệu chỉnh (modified resampling): dựa vào hàm phân bố trọng số hạt. 2. Tái lấy mẫu kích thức thay đổi: nghĩa là họn số lượng hạt nhỏ nếu hàm phân bố tập trung vào phần nhỏ của không gian trạng th i và ngược lại, số lương hạt lớn nếu hàm phân bố tập trung vào phần lớn của không gian trạng thái: như t i lấy mẫu dựa vào khoảng cách Kullback-Leibler. 3. Làm nhám (Roughening): tập hạt tối ư : ựa vào hàm phân bố Gaussian kernels. Bước 1: hàm phân bố xác suất Bước 2: biểu diễn bằng hạt Bước 3: tái lấy mẫu dựa vào trọng số Bước 4: hàm phân bố xác suất biểu diễn bằng hạt Hình 4. Hiện tượng suy thoái mẫu [8] 45 Trong bài báo này chúng tôi xin trình bày giải pháp tái lấy mẫu khoảng cách Kullback-Leibler hiệu chỉnh phương sai với độ dốc dữ liệu của bộ lọ đa phần tử. 2.4.2. Thuậ oán á ấ ẫu KLD ệu c n ư ng độ ốc ệu Thuật toán lấy mẫu khoảng cách Kullbacl-Leibler [9] òn được gọi là bộ lọc thích nghi tại mỗi lần lặp của bộ lọc có số lượng mẫ x định với xác suất 1-  , và lỗi giữa giá trị hàm xác suất hậu nghiệm thực và mẫu xấp xỉ nhỏ hơn gi trị ngưỡng  h trước. Giá trị khoảng cách Kullback-Leibler giữa các hàm phân bố đề nghị (q) và (p) ở dạng rời rạc KL x x p x d p q p x q x W x x W x || log q log ,   (12) với W x p x q x/ . Số lượng mẫu cần dùng Nr được tính 2 r l 11 1 N 2 , ,  (13) tr ng đó l là số lượng pin. Lượng tử phân bố Chi-sq are được tính 2 2l 1 l 11P 1, .   (14) Căn ứ và phương ph p h yển đổi Wilson-Hilferty để tính toán xấp xỉ 2 l 11,  . Công thức (13) được biểu diễn theo cách khác 3 r,KLD 1 1 2 2 1 , 2 9 1 9 1 l N z l l   (15) với 1z  là tứ phân vị trên của hàm phân phối chuẩn. Giải pháp này có khuyết điểm: giới hạn thống kê về xấp xỉ mẫ được tính từ hàm phân phối đề xuất hơn là phân bố hậu nghiệm thực. Sự không phù hợp giữa hàm phân bố thực và phân phối đề xuất được loại bỏ. Để tránh hiện tượng này, công thức (15) được áp dụng trong quá trình tái lấy mẫu thay vì áp dụng ở qui trình lấy mẫu. Tác giả [10] đưa ra h phân hia hạt phân bố hậu nghiệ thành bins và đếm số lượng bins l mà ít nhất một hạt được tái lấy mẫ để x định tổng số hạt tái lấy mẫu. Phương ph p này được gọi là giải pháp tái lấy mẫu khoảng cách Kullback-Leibler. Khi đó, số lượng hạt yêu cầu Nr theo công thức (15) được viết lại r re r KLDN N N, max ,min ,ceil . (16) Bên cạnh đó, bài b [11] n ra th ật toán lấy mẫu khoảng cách Kullback-Leibler với hiệu chỉnh phương sai và độ dốc dữ liệu nhằm cải thiện thời gian hoạt động hay lỗi định vị. Điều này được thực hiện nhờ vào điều chỉnh í h thước mẫu bằng cách gia tăng phương sai nghị h đảo tỉ lệ khả năng và tạo ra các mẫu mới xấp xỉ hàm phân phối thực hay miền khả năng a (li elih ). Tương tự phương ph p này, nhóm nghiên cứ đề xuất giải pháp kết hợp thuật toán tái lấy mẫu khoảng cách Kullback-Leibler với phương sai điều chỉnh và dữ liệ độ dố . Nghĩa là q trình thực hiện điều chỉnh í h thước mẫu bằng cách gia tăng phương sai nghị h đảo tỉ lệ khả năng và tạo ra các mẫu mới xấp xỉ hàm phân phối thự được thực hiện ở bước tái lấy mẫu [4,5]. Phương sai điều chỉnh được tính toán bằng cách sử dụng mối quan hệ giữa số lượng tối đa ẫu và số lượng mẫu cần thiết như sa : 46 ad lb r,re max N , N    (17) tr ng đó, ad và lb là phương sai điều chỉnh và phương sai giới hạn ưới, tương ứng; Các mẫu mới được tạo ra bằng cách r re l l ad l l ad if 0 otherwise , i i i+N x=x i p h x x .randn, i xx , x .randn,      (18) với l l 2 l 2 z1 22 i ix=x x=x p h x h x exp x x        là phương sai ủa hàm phân bố xác suất Gaussian. Khi các mẫu mới tạo ra từ công thức (18) được sử dụng để cập nhật các trọng số. Thông qua giải pháp này, việc tạo ra các mẫu mới với miền khả năng a . Bảng 1 trình bày thuật t n đề xuất. Trong giải ph p này, việ q an trọng là là sa tì đượ gi trị phương sai lower bound, công thứ (17). Th ật t n tì gi trị này được trình bày trong phần tiếp theo. 2.4.3. uậ oán ư ng o bound Đề xuất thuật toán tìm giá trị phương sai l wer b n được cho Bảng 2 bên ưới. Gọi lb i, là giá trị phương sai l wer bound thứ i; lb i o , PrEr , KLDEr và SIREr là những giá trị lỗi của đề xuất và KLD- resampling [10] và SIR [2]. Gọi lb i, * (dòng 12) là tập giá trị phương sai l wer b n đ p ứng điều kiện của Nhận xét 1 (dòng 11). Gọi lb i lb i o KLD , , PrEr Er Er  là khoảng lỗi của đề xuất và KLD-resa pling [10]. Khi đó lb 1 lb, ,Q Er Er , , Er  là tập giá trị các khoảng lỗi của hai giải pháp nêu trên. Nhận xét 1: Nếu 0Er (dòng 11- 14) thì tồn tại một giá trị lb opt, thỏa mãn điều kiện cự đại tập Er . Bảng 1. Thuật toán KLD-resampling hiệu chỉnh phương sai và độ dốc dữ liệ (Đề xuất) 1: procedure Pro lb Nmax, , ,    lb dựa vào Bảng 2 2: i=0, l=0, Nr,re=0 Khởi tạo biến đếm, số bin, số hạt cần dùng 3: tất cả bin là zero-resampled: b 4: while ( r reN ,i && Nmaxi ) do 5: Chọn một hạt ngẫu nhiên từ tập hạt theo trọng số 6: i=i+1 7: if (hạt tái lấy mẫu mới từ zero-resampled b) then 8: ad theo công thức (17)  Tính t n phương sai hiệu chỉnh 7: l=l+1  Cập nhật bin 8: b:=resampled 9: Nr,re theo công thức (16)  Cập nhật hạt sử dụng 10: end if 11: end while 12:end procedure 47 Bảng 2. Thuật t n phương sai l wer b n 1:procedure lblb,opt min,max,  2: Khởi tạo mức công suất 3: M Ch trước số lượng anchor nodes 4:   Xác suất cố định 5: i=1, lb 1 lb, ,i*min, Er   Khởi tạo các tập l wer b n , độ chênh lệch lỗi 6: while ( lb ,i max ) do 7: lb lb,i* ,i    Cập nhật phương sai lower bound 8: lb i o , PrEr  Tính toán lỗi của Pro 9: KLDEr  Tính toán lỗi của KLD-resampling [10] 10: SIREr  Tính toán lỗi của SIR [2] 11: if ( lb i lb i KLD o SIREr , , Pro PrEr Er && Er  ) then  Kiểm tra khoảng lỗi 12: lb lb lb,i* ,i* ,i     Cập nhật phương sai lower bound 13: lb ,i* Er Er Er   Cập nhật khoảng lỗi Pro và KLD-resampling 14: end if 15: i=i+1 16: end while 17: lb ,opt max Er  Tìm lb ,opt theo cự đại hàm Er 18:end procedure 3. Kết luận Tất cả các kết quả mô phỏng chạy trên PC Core i5-2400 @3.10GHz, 4.00GB RAM và MATLAB 2012a (7.14.0.739). Ngoài ra, tất cả thông số của hệ thống được cho trong Bảng 3. Bệnh nhân được theo dõi là một đường biết trước trong diện tích 250m 2. An h r n e đượ đặt tại mỗi điểm test với 30 giây, với 30 gói RSSI được gởi tới mạng điều phối cá nhân. Mỗi gói RSSI, vị trí bệnh nhân đượ ướ lượng theo thuật toán SIR, Gradient descent, KLD - resa pling và đề xuất. Test được lặp đi lặp lại cho bốn mật độ an h r n e, và ước lượng trên tập ngẫu nhiên của anchor node được lặp lại để tránh hiện tượng bias. 3.1. h ập h ph n a bound lb Theo Nhận xét 1, Bảng 4 trình bày kết quả những giá trị tối ư phương sai l wer bound với các giá trị mức công suất khác nhau cho bốn mật độ anchor node. Bài báo sẽ xe xét và đ nh gi tracking lỗi của các thuật toán: Gradient descent [3], SIR [2], KLD-resampling [10] và đề xuất tại mức công suất tối thiểu (-25dBm). Theo Bảng 4, các giá trị phương 48 sai lower bound cho bốn mật độ anchor node tại mức công suất self-RSSI tối thiểu là 0.85, 0.2, 0.45, và 0.15 (xem Hình 5). Cuối cùng, tất cả giá trị phương sai l wer bound ở Bảng 4 được áp dụng để đ nh gi hiệu quả khoảng lỗi với bốn mật độ anchor node (xem Hình 6) và kiểm tra sự ảnh hưởng mật độ anchor node với toàn bộ mức công suất h đề xuất (xem Hình 7). Bảng 3. Thông số hệ thống Dòng Kí hiệu Giải thích Giá trị 1 M Số lượng của anchor nodes [5;10;15;20] 2 exp_day Data sets [12] '9 aprile 2' 3 N_max Số subset cự đại để test cho mỗi mật độ node 1 4 x Tố độ thích nghi theo công thức (5) 1 5 v Tố độ thích nghi theo công thức (5) 0.8 6  Giá trị ngưỡng theo công thức (11) 10-5 7 Nmax Số lượng cự đại của hạt theo Bảng 1 50 8  Giá trị bound error theo Bảng 1 0.65 9  Xác suất cố định theo Bảng 1 0.01 10 lb Giá trị phương sai l wer b n Xem Bảng 4 11 N Số lượng mẫu 100 Bảng 4. Giá trị phương sai l wer b n với các mức công suất Anchor nodes Các mức công suất [dBm] 0 -3 -5 -7 -10 -15 -25 5 0.55 0.25 0.7 0.05 0.55 0.65 0.85 10 0.7 0.6 0.45 0.55 0.55 0.45 0.2 15 0.95 0.15 0.6 0.95 0.35 0.15 0.45 20 0.3 0.6 0.3 0.25 0.8 0.65 0.15 3.2. K t quả khác Hình 5 trình bày lỗi định vị đề xuất các giải pháp khác. Tại xác suất lỗi nhỏ hơn 80% (Pr<80%), ba mật độ anchor node (10 anchor nodes, 15 anchor nodes và 20 anchor nodes) thỏa ãn điều kiện sai số chuẩn [13] từ 3 đến 5m. Với mật độ anchor node 0.04 (10 anchor nodes), khoảng lỗi giữa đề xuất with 50 particles so với thuật toán Gradient descent, SIR with 100 particles, KLD- resampling with 50 paritlces là 0.16m, 0.01 và 0.15 , tương ứng. Tương tự cho 20 anchor node (0.08 anchor nodes/m 2 ), khoảng lỗi giữa đề xuất with 50 particles so với thuật toán Gradient descent, SIR with 100 particles, KLD-resampling with 50 particles là 0.53m, 0.05m, 0.15m; và 15 an h r n es là 0.63 , 0.22 , 0.24 . Điều này chứng tỏ, mật độ an h r n e àng tăng thì lỗi định vị càng giảm. 49 (a) (b) (c) (d) Hình 5. Tracking lỗi với mức công suất tối thiểu (-25dBm) (a)5 anchor nodes (b)10 anchor nodes (c)15 anchor nodes (d)20 anchor nodes Bảng 5 so sánh khoảng lỗi của các giải pháp với các mật độ anchor node. Khoảng lỗi giữa đề xuất with 50 particles và SIR with 100 particles; khoảng lỗi giữa đề xuất và KLD-resampling with 50 particles. Nhìn chung, với số lượng mẫu giảm phân nữa, đề xuất tương đối tốt tr ng 2 trường hợp 5 và 20 anchor nodes. Kết hợp với Hình 5d, chúng tôi khuyến cáo sử dụng mật độ 20 anchor nodes sẽ cho sai số lỗi ưới 2m khi Pr<80%. Cuối ùng, đề xuất vẫn tốt hơn giải pháp KLD-resampling nhờ vào hiệu chỉnh phương sai và độ dốc dữ liệu thông qua tìm giá trị phương sai l wer b n . Bảng 5. Khoảng lỗi với mật độ anchor node 1. Anchor nodes 2. Đề xuất và SIR [2] 3. Đề xuất và KLD-resampling [10] 5 0.2 0.17 10 0.02 0.18 15 0.05 0.15 20 0.27 0.23 50 Hình 6 đ nh gi ối liên quan giữa khoảng lỗi và các mức công suất cho tất cả các giải pháp với bốn mật độ anchor node. Với 5 an h r n es, như Hình 6a, nhìn chung các khoảng lỗi của đề xuất with 50 particles và SIR với 100 particles là 0.2, 0.58, 0.44, 0.11, 0.4, 0.41, và 0.36 hi thay đổi mức công suất từ -25 B đến 0 B , tương ứng. Ngoài ra, khi số lượng hạt như nha , h ảng lỗi của đề xuất và KLD-resampling là 0.15, 0.55, 0.18, 0.08, 0.25, 0.08, và 0.38. Tương tự Hình 6a, hi tăng ật độ anchor node từ 0.02 anchor nodes/m2 đến 0.08 anchor nodes/m 2, đề xuất khả thi hơn những giải pháp khác.Việ đ nh gi ảnh hưởng mức công suất với tracking lỗi của đề xuất cho các mật độ anchor n e được trình bày trong Hình 7. Với 20 anchor nodes, tất cả đường tracking lỗi của đề xuất hội tụ và đạt ưới 2m (Pr<80%), xem Hình 7d; Bên cạnh đó, việc cải thiện tracking lỗi từ 3m đến 5 tr ng trường hợp 5 anchor nodes, 10 anchor nodes và 15 anchor nodes được trình bày trong các Hình 7abc. (a) (b) (c) (d) Hình 6. Khoảng lỗi với các mức công suất cho các giải pháp (a)5 anchor nodes (b)10 anchor nodes (c)15 anchor nodes (d)20 anchor nodes 51 (a) (b) (c) (d) Hình 7. Tracking lỗi và các mức công suất h đề xuất (a)5 anchor nodes (b)10 anchor nodes (c)15 anchor nodes (d)20 anchor nodes 4. ết ận Bài báo nêu ra thuật toán tái lấy mẫu khoảng cách Kullback-Leibler dựa vào hiệu chỉnh phương sai và độ dốc dữ liệu cho bộ lọ đa phần tử trong y học. Kết quả mô phỏng kiểm chứng đã h thấy giải pháp mới cải thiện định vị bệnh nhân so với các giải pháp truyền thống. Bài báo khảo sát ảnh hưởng các mức công suất khác nhau với các mật độ anchor node khác nhau của bộ lọ đa phần tử trong mạng y học. Acknowledgment This research is funded by Vietnam National University Ho Chi Minh City (VNU-HCM) under grant number C2015-2803. TÀI LIỆU THAM KHẢO 1. Ren Y., Pazzi R., and Boukerche A., (February 2010). Monitoring patients via a secure and mobile health care system, Wireless Communications, IEEE, vol. 17, no.1, 59-65 52 2. Alessandro Redondi, Marco Tagliasacchi, Matteo Cesana, Luca Borsani, Paula Tarrio, and Fabio Salice. (September, 2010). LAURA- LocAlization and Ubiquitous monitoRing of pAtients for health care support. In Proccedings of IEEE 21st Symposium on Personal, Indoor and Mobile Radio Communications Workshops, 218-222, DOI:10.1109/PIMRCW.2010.5670365. 3. Lim H., Kung L.-C., Hou J.C., and Luo H., (2010). Zero-configuration indoor localization over ieee 802.11 wireless infrastructure, Wireless Networks, vol.16, no.2, 405-420. 4. Nga Ly-Tu, Thuong Le-Tien, Linh Mai (Dec.2015). Kullback-Leibler Distance Resampling based Particle Filter Applied to Health Care System. In Proceedings on the 16th ASIA Pacific Industrial Engineering and Management Systems Conference, APIEMS 2015, HCM city, Vietnam, 301-307. 5. Nga Ly-Tu, Thuong Le-Tien, Linh Mai, (Mar. 2016), Power adaptive-resampling based particle filters for wireless patient tracking applied to health care systems, Proceeding on the 7th International Conference on the Applications of Digital Information and Web Technologies (ICADIWT), Keelung city, Taiwan, 148-161, DOI: 10.3233/978-1- 61499-637-8-148. 6. Hongliang Ren and Max Q.-H. Meng, (June 2009). Power Adaptive Localization Algorithm for Wireless Sensor Networks Using Particle Filter, IEEE Trans. Vehicular Technology, vol.58, no.5, 2498-2508. 7. Arulampalam M.S., Maskell S., Gordon N., Clapp T., (August 2002). A Tutorial on Particle Filters for Online Nonlinear/Non- Gaussian Bayesian Tracking. IEEE Transactions on Signal Processing, Vol.50, no.2, 174-188. 8. Tiancheng Li, Deterministic resampling: unbiased sampling to avoid sample impoverishment in particle filter, Signal Processing, Elsevier, 2012. 9. Fox, D. (December 2003). Adapting the Sample Size in Particle Filters through KLD- sampling. The International Journal of Robotics Research, vol.22, no.12, 985-1003. 10. Li T., Sun S., and Sattar T.P., (June 2013). Adapting Sample Size in Particle Filters through KLD-resampling. Electronics Letters, Vol.49, No.12, 1-2, DOI: 10.1049/el.2013.0233. 11. Sang-Hyuk Park; Young-Joong Kim; Hoo- Cheol Lee; Myo-Taeg Lim (August 2008). Improved Adaptive Particle Filter Using Adjusted Variance and Gradient Data. In Proceedings of IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems, Seoul, Korea, 650-655. 12. ANT Lab. (2011) LAURA-Localization and Ubiquitous Monitoring of Patients for Health Care Support. Available at: Accessed: Aug. 30, 2015 13. Zahid Farid, Rosdiadee Nordin, and Mahamod Ismail, Recent Advances in Wireless Indoor Localzation Techniques and System, Journal of computer Networks and Communications, Volume 2013, 1-13, Aug.2013. Ngày nhận bài: 26/5/2016 Biên tập xong: 15/12/2016 Duyệt đăng: 20/12/2016