基金项目:国家自然科学基金(61872436); 福建省自然科学基金(2019J01856); 赛尔网络下一代互联网创新项目(NGI20160708)
(厦门理工学院计算机与信息工程学院,福建省物联网应用高校重点实验室,福建 厦门 361024)
(Key Laboratory of Internet-of-Things Applications of Fujian Province,School of Computer and Information Engineering,Xiamen University of Technology,Xiamen 361024,China)
IPv6; cloud & fog resources; unified scheduling algorithm; healthcare monitoring; response delay
DOI: 10.6043/j.issn.0438-0479.201810016
备注
基金项目:国家自然科学基金(61872436); 福建省自然科学基金(2019J01856); 赛尔网络下一代互联网创新项目(NGI20160708)
针对新一代健康监护系统在综合运用传感器网络、云计算和大数据等技术时存在的移动性、网络延迟、慢性疾病预测的准确率局限性问题,设计了一种基于云雾辅助的移动健康监护系统.通过分析基于云雾辅助的移动健康监护系统的层次化结构,解决了该系统的3项关键技术,包括:采用基于IPv6的网络体系结构以增加移动性,采用基于时间阈值的云雾资源统一调度算法以降低响应延迟,采用基于级联特征降维和特征选择的慢性病变风险分级模型以提高预测的智能性和准确率.对比实验表明,该系统具有更低的响应延迟和更高的慢性病变风险分级准确率,从而有利于心血管病类慢性疾病的早期预警.
The new generation healthcare monitoring system integrates sensor networks,cloud computing and bigdata technologies,and there are still limitations in mobility,network delay,and the accuracy of chronic disease prediction.In response to the above situation,a cloud & fog-assisted mobile health monitoring system was designed.First of all,the hierarchy structure of cloud & fog-assisted mobile health monitoring system is analyzed.Then,some key technologies of the system are solved as follows:designing IPv6-based network architecture to enhance mobility; adopting unified scheduling algorithm of cloud & fog resources based on time threshold to reduce response delay; relying on risk classification model of chronic diseases based on a cascade feature dimensionality reduction and feature selection to improve the intelligence and accuracy of chronic lesions prediction.Finally,the comparative experiments demonstrate that the system has lower response delay and higher accuracy of chronic disease risk classification,which is conducive to early warning of chronic cardiovascular disease.
引言
1 预备知识
据《中国心血管报告2017概要》显示[1],血管病患人数2 900万人,其中,冠心病1 100万人,肺原性心脏病500万人,心力衰竭450万人,风湿性心脏病250万人,先天性心脏病200万人.可见心血管病(CVD)的预防和监护非常重要,特别是猝发性心脏疾病,如果事先监测到细微征兆并采取有效措施,70%~80%的患者可以避免死亡[2],及时发现并给予救护非常重要.
目前医院健康监护中心、社区医院、养护中心等场所人员密集,流动量大,台式监护设备往往因体积较大、不方便携带、监护费用高,很难满足日益增长的患者需求.新一代健康监护系统综合运用传感器网络、云(雾)计算和大数据等技术,即通过生理传感器(包括血氧传感器、血糖传感器、心电传感器、睡眠生理传感器等)采集多项生理数据,基于蓝牙、ZigBee、6LoWPAN等无线短距协议传输至汇聚节点,再基于IPv4协议将数据集中到具有较大存储和计算能力的云端; 利用数据分析算法评估身体状况和生理慢性病变风险,具有广阔的市场前景.目前国内外围绕新一代健康监护系统展开积极、有效的研究,包括:
1)基于云辅助的健康监护系统
Wang等[3]提出应用体域网(wireless body area networks,WBANs)采集人体的血压、心率和体温等生理数据,采用薄云存储数据并基于粗糙集的等级评定算法协同推荐信息到相关医疗群体.Jetendra等[4]采用穿戴式胸带监测人体的心电、心率、呼吸频率、皮肤温度,将生理监测数据存放到薄云,采用马拉松算法处理并以红、绿、黄颜色警示身体健康状况.胡建强[5]研制一种联接“健康云”的健康监护系统,融合物联网和云计算技术,长期监测和记录各项生理数据,利用灰色模型和马尔科夫模型相结合的方法评估身体状况并预警生理病变.Prabal等[6]提出基于物联网和云端结合的移动医疗健康监测系统框架,包括:便携式监护终端获取人体生理数据,通过本地处理单元(LPU)中继到云端; 基于决策树评估身体状况; 对父母或看护者发送警报信息.
2)基于雾辅助的健康监护系统
Ahmad等[7]提出基于健康雾(healthfog)框架,其中雾计算作为云和终端用户的中间层,减少云辅助健康监护系统的额外通信.Sandeep等[8]设计雾辅助健康监护系统,采用时态网络分析和预防奇昆古尼亚病毒(chikungunya virus)爆发.Prabal等[9]提出融合雾计算和物联网的健康监护系统,利用人工神经网络模型实时分析健康状况并预测健康状态易损概率.Bhatia等[10]提出一种雾网关的远程患者健康监护系统,采用时态挖掘分析时序健康指数.
上述研究成果对健康监护领域进行了有益探索,但还存在以下挑战:1)普遍采用无线短距离协议+IPv4协议,难以保证移动节点和云(或雾)节点的持续连接,尚未有效解决移动性问题; 2)没有充分调度云雾资源以有效降低响应延迟; 3)采集的生理数据往往具有时间连续性、非精确性和模糊性,现有工作大多假定生理数据精确.因此,数据处理算法的智能性和准确率有较大的提升空间.
针对上述问题,本文中设计一种基于云雾辅助的移动健康监护系统,利用地址唯一性、IPv6移动支持协议等优势,增强移动性; 利用云雾计算资源的统一调度算法,发挥雾计算节点和云数据中心资源的计算能力,降低响应延迟; 组合多个非线性处理层对原始数据进行逐层抽象,高层特征可以为低层特征提供信息互补,提高高血压、糖尿病等慢性病变风险分级的智能性和准确率,从而有利于慢性疾病早期预警.
2 层次化结构
基于云雾辅助的移动健康监护系统,能够综合运用物联网、云雾计算、深度学习等技术,给出层次化结构(图1),自底向上包括监测感知层、雾计算层和云数据中心层,各层之间基于IPv6协议交互.
1)监测感知层:生理参数监测的基础设施,即布置在人体表面的各类生理传感器,包括血压传感器、心率传感器、心电传感器、血氧传感器、呼吸率传感器、体温传感器等.
2)雾计算层:监测感知层和云数据中心层的“桥梁”,由若干雾计算服务器组成.雾计算服务器虚拟化成若干雾计算节点,基于分布式哈希表(DHT)协议构成Chord环[11]雾网络模型.雾计算节点接收生理传感器采集的生理数据并预处理.
3)云数据中心层:由若干云数据中心节点和云-雾层协调器组成.云数据中心节点负责维护和存储健康档案数据.雾计算节点向网络距离最近的云数据中心节点上传数据.云-雾层协调器负责维护雾计算节点的注册信息,协调、分布控制雾计算节点.通过采用云雾资源的统一调度算法和基于级联特征降维和特征选择的慢性病变风险分级模型来提高预测的准确性,从而有利于慢性疾病的早期预警.
3 关键技术
3.1 基于IPv6的网络体系结构基于云雾辅助的健康监护系统的网络体系结构,由人体生理监测网络、传输网络、雾辅助网关节点、云数据中心节点和移动智能终端等组成,如图2所示.人体生理监测网络由若干附着体表的传感器节点组成,负责采集生理数据并汇聚到网络距离最近的雾辅助网关节点; 雾辅助网关节点将数
据上传到云数据中心节点,同时对接收的生理数据进行预处理; 用户手持移动智能终端与网络距离最近的雾计算节点交互,展示生理监测数据处理、慢性病变风险分级结果.
人体生理监测网络由若干传感器节点和雾辅助网关节点构成基于蓝牙协议的无线传感网络.传感器节点集成生理传感器、数据转换模块、电源模块、存储单元、无线收发器等主要功能模块.各生理传感器负责分别采集生理数据,包括心率、心电、血压、血氧等; 无线收发器负责实现传感器节点之间以及传感器节点与雾辅助网关节点之间的通信.协议栈至底向上包括蓝牙物理层、蓝牙链路层、逻辑链路控制与适配协议、6LowPAN和μIPv6协议栈.雾辅助网关节点内置蓝牙与IPv6协议转换网关,其协议结构至底向上包括蓝牙物理层、蓝牙链路层,逻辑链路控制与适配协议、6LowPAN和IPv6协议; 以双栈方式支持物理层、链路层、IPv6协议.每个雾辅助网关节点拥有短距协议的有效连接区域.云数据中心节点的协议栈至底向上包括物理层、链路层和IPv6协议.该网络体系结构具有以下特点:
1)传感器节点都具有唯一的IPv6地址,即由全局路由前缀、子网ID和接口ID,采用无状态自动配置.
2)支持传感器节点在网拓扑内移动,并且保持移动节点与对应节点之间的可达性和持续连接[12].雾辅助网关利用发现和移动性支持模块为传感器节点支持不间断服务.例如:当传感器节点从雾辅助网关#1区域移动到雾辅助网关#4区域时,从雾辅助网关接收关于其身份的广播消息; 当传感器节点接收到广播消息时,它向相应的网关回复发现请求,该发现请求由网关中的设备发现和移动性支持模块处理.
3.2 云雾资源的统一调度算法为有效利用雾计算层和云数据中心层的计算资源,雾计算层和云数据中心层内部采用基于时间阈值的云雾资源的统一调度算法,最大化降低响应延迟.基于时间阈值的云雾资源统一调度算法具体如下:
1)移动智能终端选择与网络距离最近的雾计算服务器i0连接;
2)移动智能终端设置等待请求时间阈值T;
3)如果雾计算服务器i0的所有或部分雾计算节点可用;
4)那么移动智能终端请求被派发到可用节点;
5)否则判断是否超过请求时间阈值T;
6)如果未超过请求时间阈值T,基于DHT Chord协议请求转发至邻近的雾计算节点处理该请求;
7)否则云数据中心节点优先分配与雾计算节点距离最近的节点处理请求,移动智能终端重新确认时间阈值T;
8)移动智能终端收到雾计算节点或云数据中心节点转发的慢性病变风险分级结果.
在满足请求时间阈值条件下:1)如果所有或部分雾计算节点可用,则分解请求任务并派发子任务到可用雾计算节点; 2)如果所有雾计算节点都处于已分配阶段,则基于DHT协议Chord环雾网络模型将请求转发至邻近的雾计算节点; 3)云数据中心节点优先分配与雾计算节点最近的节点处理.该算法优先利用与网络距离最近的雾计算节点资源,在有效时间阈值内利用云计算中心节点响应结果,最大化降低响应延迟.
3.3 慢性病变分级模型生理传感器采集数据具有时间连续性、非精确性、模糊性、区间内高度动态变化等特性,存在数据遗漏和缺失问题.在数据预处理阶段将数据转换为完备集; 在此基础上采用级联学习框架(如图3所示),即采用多层结构(数据降维、特征属性选择),上一层的输出是下一层的输入,最低层的特征最接近于原始特征属性空间,高层特征可以为低层特征提供互补的信息; 最终基于粗糙集分类算法EML2[13]分类规则实现慢性病变风险分级.
基于级联特征降维和特征选择的慢性病变风险分级模型包括以下步骤:
1)输入数据预处理.
针对属性取值有遗漏等情况,采用相容矩阵并基于启发式算法[14]将不完备数据集转化为完备数据集.
2)基于奇异值分解(singular value decompo-sition,SVD)算法的特征降维.
定义1(相容矩阵)设样本空间X={x1,x2,…,xn},属性集C={c1,c2,…,cm},决策属性集D={d},R=C∪D, f:X→R是一个函数,属性c∈C,如果属性取值有遗漏或缺失,*记为遗漏属性值,则相容矩阵Mc=(rij)m×n,其中
rij=
{0,c∈C,f(xi,c)≠f(xj,c)∧f(xi,c)≠
*∧f(xj,c)≠*,f(xi,D)≠f(xj,D),
1,其他,
1≤i≤m,1≤j≤n.(1)
对m×n矩阵Mc进行SVD,有
Mcm×n=Um×mΣm×nVTn×n,(2)
取Mc的前r个非零奇异值作为主要特征
Mcm×n≈Um×rΣr×rVTr×n.(3)
3)基于Boosting算法[15]的特征选择,即每次从特征属性空间中选择一个特征进行分类,通过控制弱分类器个数达到特性属性选择目的.
4)基于粗糙集分类算法EML2实现慢性病变风险分级.
由于生理监测数据具有典型增量数据特点,分类规则需要考虑准确性、健壮性和伸缩性.其中,准确率和覆盖度是分类规则的优劣标准.
定义2 决策规则CX→D的准确率、覆盖度分别为pre(C,D)=(|CX∩D|)/(|CX|),cov(C,D)=(|CX∩D|)/(|D|).
首先,在输入数据预处理的基础上,通过级联特征降维和特征选择得到最优特征集.然后,调用基于粗糙集分类算法EML2确定最优规则集; 最后,运用最优规则集中规则实现慢性病变风险分级.其中,最优规则集的确定过程如下:1)对数据集A调用EML2算法得到分类规则集; 2)读取增量数据集ΔA; 如果ΔA=NULL,跳转到4); 3)如果运用当前规则集可达到预期的准确率和覆盖度,则合并数据集A=A∪ΔA,继续2); 否则执行1); 4)输出分类最优规则集.
4 实 验
实验环境由中国教育和科研计算机网(CERNET)、赛尔网络有限公司提供C6C IPv6云服务平台; 厦门理工学院信息中心搭建雾服务(雾服务器采用硬盘容量500 GB,内存4 GB; 支持IPv4和IPv6协议; 安装Centos操作系统); 支持IPv6移动智能终端.路由器设置其服务集标识(SSID)为AHUT_IPV6; 移动智能终端发现此网络后尝试进行网络的自动连接,获取IPv4地址后再设置IPv6参数.原型系统实现了心电、心率、血压、血氧饱和度和血糖的在线监测,根据慢性疾病智能风险分级结果,进行膳食推荐、运动推荐和就医服务推荐.
1)慢性病变风险分级测试
实验数据取自厦门市集美区110 198条健康监测数据.每条数据包括个人资料(年龄、性别、民族等)、生活偏好(吸烟、喝酒等)、常规体检数据(身高、体质量、腰围、臀围)和监测数据(心电、心率、血压、血氧饱和度、血糖).糖尿病数据集DS1共40个属性,高血压数据集DS2共35个属性,冠心病数据集DS3共35个属性; 健康风险分级中H为高级风险、M为中级风险,L为低级风险.
以糖尿病数据集为例,通过包括SVD和Boosting算法选择的级联学习,最终得到的特征属性集包括:年龄(c1)、身体质量指数(c2)、腰臀比(c3)、吸烟(c4)、甜食(c5)、血氧饱和度(c6)、心率(c7)、血糖(c8)、收缩压(c9).由图4可以看出DS1、DS2、DS3均随着训练样本的增加,测试的准确率不断上升,当训练到2 000 组数据时趋向稳定.
数据集DS1规则示例如下:
R1:f(x,c1)≥57∧f(x,c2)≥26.4∧f(x,c4)≥0∧f(x,c5)=1∧f(x,c6)≥0.89∧f(x,c7)≥(60,90]∧f(x,c8)≥(6.98,9.16]∧f(x,c9)≥(115, 148]→H.
样本数据:年龄(59岁),身体质量指数值27.0(中国标准:[24,27.9],偏胖),腰臀比(0.83),有吸烟史,喜欢甜食,血氧饱和度值93%(中国标准:<94%,供养欠缺),心率(73,84](次/min),血糖(FBG)(7.05,7.52](中国标准:空腹全血血糖≥6.7 mmol/L 2次,诊断为糖尿病); 收缩压(130,135](中国标准:≥140 mmHg,高血压),运用规则R1分类规则判定为H(高级风险).
对于数据集DS1、DS2和DS3,若直接采用粗糙集算法EML2处理,慢性病变风险分级平均准确率89.23%.但采用本研究的慢性病变风险分级准确率分别为96.43%, 95.12%, 94.45%.存在误差的部分原因是由于生理监测数据具有非精确性、模糊性等特点,通过包括SVD和Boosting算法选择的级联学习得到的特征属性更优,上述过程虽然会消耗更多的时间,但提高了数据处理的智能性和准确率.
2)系统响应延迟
数据集DS1、DS2和DS3属性数量分别是45,35和30,主要属性存在较大重合,在IPv4云辅助环境下平均系统响应延迟为118.43 ms,在IPv6云雾辅助环境下平均系统响应延迟为26.42 ms.系统响应延迟存在差异的主要原因:在IPv4云辅助环境下,移动智能终端与云数据中心面临长距离通信开销; 在IPv6云雾辅助环境下,移动智能终端与雾服务器属于近网络距离通信.因此,在IPv6云雾辅助环境下系统有更低的响应延迟.
5 结 论
本文中提出一种基于IPv6云雾辅助的健康监护系统,即利用附着人体的智能生理传感器获取人体生理数据并汇聚到网络距离最近的雾计算节点,雾计算节点将数据上传到云数据中心节点,实现慢性疾病风险分级预测,实现云雾资源的统一调度,克服长距网络延迟瓶颈并增强移动性,具有广阔的市场前景.同时本文中分析了基于云雾辅助的移动健康监护系统的层次化结构,并提出了基于IPv6的网络体系结构设计、基于时间阈值的云雾资源统一调度算法、基于级联特征降维和特征选择的慢性病变风险分级模型等关键技术方法,采用厦门市集美区案例数据验证原型系统,实验表明该系统具有较好的慢性病变风险分级准确率和较低的系统响应延迟.
下一步工作包括:改进慢性病变风险分级模型,完善系统原型,展开示范性应用和推广.
致谢:感谢中国教育和科研计算机网CERNET、赛尔网络有限公司提供C6C IPv6云服务平台.
- [1] 中国心血管病报告编写组.中国心血管报告2017概要[J].中国循环杂志,2018,33(1):1-8.
- [2] 周巍.高危心脏病人的远程心电监护系统中下位机软件设计及心电压缩算法研究[D].上海:复旦大学,2009:3.
- [3] WANG S L,CHEN Y L,KUO A M H,et al.Design and evaluation of a cloud-based mobile health information recommendation system on wireless sensor networks[J].Computers and Electrical Engineering,2016(49):221-235.
- [4] JETENDRA J,DIVYA K,SATYAM B P A,et al.Health monitoring using wearable sensor and cloud computing[C]∥International Conference on Cybernetics,Robotics and Control.Hong Kong:IEEE,2016:104-108.
- [5] 胡建强.一种联接“健康云”的家庭健康监护系统设计[J].厦门大学学报(自然科学版),2016,55(1):114-120.
- [6] PRABAL V,SANDEEP K S.Cloud-centric IoT based disease diagnosis healthcare framework[J].Journal of Parallel and Distributed Computing,2018,116:27-38.
- [7] AHMAD M,BILAL M,HUSSAIN S,et al.Health fog:a novel framework for health and wellness applications[J].Journal of Supercomputing,2016,72(10):3677-3695.
- [8] SANDEEP K S,ISHA M.A fog-based healthcare framework for chikungunya[J].IEEE Internet of Things Journal,2018,5(2):794-801.
- [9] PRABAL V,SANDEEP K S.Fog assisted-IoT enabled patient health monitoring in smart homes[J].IEEE Internet of Things Journal,2018,5(3):1789-1796.
- [10] BHATIA M,SOOD S K.A comprehensive health assessment framework to facilitate IoT-assisted smart workouts:a predictive healthcare perspective[J].Comput Ind,2017,92:50-66.
- [11] STOICA I,MORRIS R,KARGER D,et al.Chord:a scalable peer-to-peer lookup service for internet applications[J].ACM SIGCOMM Computer Communication Review,2001,31(4):149.
- [12] NETWORK WORKING Group.Mobility support in IPv6[EB/OL].(2004-06-01)[2018-09-01].https:∥tools.ietf.org/html/rfc3775.
- [13] HENGKI J,SARJON D,SUMIJAN S.Identifikaasi tingkat kerusakan peralatan laboratorium komputer menggunakan metode rough set[J].Jurnal of Rekayasa Sistem Dan Teknologi Informasi,2018,2(1):410-415.
- [14] MUHAMMAD S R,USMAN Q.A heuristic based dependency calculation technique for rough set theory[J].Pattern Recognition,2018,81(9):309-325.
- [15] LLEW M,JONATHAN B,PETER B,et al.Boosting algorithms as gradient descent[J].Advances in Neural Information Processing Systems,2000,12:512-518.