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<br /> <br /> <br /> <br /> Bài toán giám sát bệnh nhân<br /> qua hệ thống cảm biến vô tuyến<br /> <br /> Patient tracking through wireless sensor network<br /> <br /> ThS. Lý Tú Nga, Trường Đại học Quốc tế - Đại học Quốc gia TP.HCM<br /> Ly Tu Nga, M.Sc., International University - National University Ho Chi Minh City<br /> <br /> GS.TS. Lê Tiến Thường, Trường Đại học Bách khoa TP.HCM<br /> Le Tien Thuong, Prof., Ph.D., Ho Chi Minh University of Technology<br /> <br /> TS. Mai Linh, Trường Đại học Quốc tế - Đại học Quốc gia TP.HCM<br /> Mai Linh, Ph.D., International University - National University Ho Chi Minh City<br /> <br /> Tóm tắt<br /> Vấn đề then chốt của việc giám sát bệnh nhân qua hệ thống cảm biến vô tuyến là độ nhạy thay đổi môi<br /> trường từ những vật cản như tường, tủ, v.v. Những độ nhạy này chính là những ảnh hưởng “xấ a<br /> động ường độ tín hiệu thu. Bài báo đề xuất bộ lọ đa phần tử dựa vào thuật toán tái lấy mẫu khoảng<br /> cách Kullback-Leibler hiệu chỉnh phương sai với độ dốc dữ liệu làm giảm những ảnh hưởng xấu dao<br /> động ường độ tín hiệu thu bằng việc tạ ra tập ẫu gần iền hả năng a . Đề xuất này cải thiện giám<br /> 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<br /> cự đại độ h nh lệ h gi trị lỗi ủa đề xuất và tái lấy mẫu khoảng cách Kullback-Leibler. Kết quả mô<br /> phỏng kiểm chứng cho thấy giải pháp này cải thiện sai số định vị bệnh nhân so với các giải pháp truyền<br /> thống khác.<br /> Từ khóa: lấy mẫu quan trọng tuần tự, tái lấy mẫu KLD, cường độ tín hiệu thu, hệ thống y sinh.<br /> Abstract<br /> The major challenge for patient tracking through wireless sensor network system is the sensibility to<br /> changing environment created by obstacles such as walls, furniture, etc. This sensibility negatively<br /> affects the function of the system, causing variations of Received Signal Strength (RSS). In this paper,<br /> we propose a Particle Filter (PF) based on Kullback-Leibler Distance (KLD)-resampling to smooth<br /> down the bad effect of RSS variations by generating a sample set near the high likelihood region. This<br /> technique improves the efficiency of patient tracking. The key idea of this method is to find the lower<br /> bound variance based on maximizing the error gap between the proposal and KLD-resampling. All<br /> simulation results show that this technique reduces tracking errors compared to traditional approaches.<br /> Keywords: SIR, KLD-resampling, RSS, health care systems.<br /> <br /> <br /> 1. Mở đầu sát vì dân số lã hóa gia tăng và tình trạng<br /> Thách thức hiện nay trong hệ thống thiế nhân vi n điề ưỡng. Thông qua các<br /> hă só sức khỏe là việc theo dõi/giám thiết bị cảm biến gọn nhẹ đe tr n người<br /> sát bệnh nhân, hệ thống quản lý và giám bệnh đã đóng góp việc giám sát bệnh nhân<br /> <br /> 40<br /> một cách linh hoạt tự động bất cứ lúc nào liệu [5] (kí hiệ Pr p sal) đã ải thiện định<br /> và nơi nà [1]. vị bệnh nhân tại mức công suất cố định.<br /> Gi s t định vị bệnh nhân bao gồm Ngoài ra, tác giả [5] hưa đưa ra th ật toán<br /> hai dịch vụ chính yếu: dịch vụ theo dõi vị tìm giá trị phương sai l wer b n tr ng<br /> trí và tình trạng bệnh nhân. Nhận thức trường hợp tổng quát với các mức công<br /> chính xác vị trí bệnh nhân trong khoảng suất khác nhau [6].<br /> thời gian ngắn đóng vai trò q an trọng cho Bài b này đề xuất thuật toán tìm giá<br /> nhân vi n sơ ứu. Mặt khác, dịch vụ theo trị phương sai l wer b n ột cách tổng<br /> dõi tình trạng bệnh nhân trong tình trạng quát cho bài báo [5] với các mức công suất<br /> khẩn cấp phải liên tục và rất cần thiết cho h nha [6] để cải thiện định vị bệnh<br /> nhân vi n điề ưỡng khi bệnh nhân di nhân so với các giải pháp truyền thống:<br /> chuyển x ng q anh ơ sở lư trú. Nhiều Gradient descent [3] và SIR [2].<br /> loại thông tin về tình trạng của bệnh nhân 2. Nội dung<br /> được thu thập một cách tự động như đặc 2.1. Vấn đề<br /> tính chuyển động bệnh nhân, huyết áp, Cấu trúc hệ thống giám sát bệnh nhân<br /> nhịp tim, v.v điển hình được cho ở Hình 1. Hệ thống bao<br /> Sai số định vị bệnh nhân đóng vai trò gồ an h r n e đượ đặt ở các vị trí<br /> quan trọng trong hệ thống hă só sức cố định trong phòng, mạng điều phối cá<br /> khỏe. Các tác giả [2-5] đưa ra ô hình hệ nhân PAN (Personal Area Network), bệnh<br /> thống thực nghiệm LAURA (LocAlization nhân, cấu trúc mạng, định tuyến cây.<br /> and Ubiquitous monitoring of pAtients)<br /> gi s t và định vị bệnh nhân dựa vào<br /> ường độ tín hiệu thu RSS.<br /> Khi bệnh nhân di chuyển, giải pháp<br /> Gra ient es ent [3] được áp dụng để xác<br /> định vị trí bệnh nhân. Giải pháp này tính<br /> khoảng cách bệnh nhân đến các anchor<br /> node bằng cách ánh xạ tín hiệu-khoảng<br /> cách SDM (Signal-to-Distance Mapping).<br /> Để phát hiện bệnh nhân di chuyển “x y n Hình 1. Cấu trúc hệ thống giám sát [2]<br /> qua vật cản, tác giả kết hợp giải pháp Biết trước vị trí các anchor node, giá trị<br /> Gradient descent và bộ lọ đa phần tử dựa chỉ số ường độ hiệu thu RSSI (RSS<br /> vào thuật toán tái lấy mẫu tuần tự quan In i at r) được thu thập giữa các cặp anchor<br /> trọng SIR (Sequential Important node liên quan trong mạng. Bộ chỉ báo giá<br /> Resampling) [2], kí hiệu là SIR PF. Gần trị ường độ tín hiệ th RSSI được cung<br /> đây, t giả [4] áp dụng thành công giải cấp bởi các thiết bị off-the-shelf mà không<br /> pháp bộ lọ đa phần tử dựa vào thuật toán yêu cầu thêm phần cứng chuyên dụng.<br /> tái lấy mẫu khoảng cách Kullback-Leibler Giả định mô hình trì hoãn biết trước<br /> (kí hiệu KLD-resampling) và phiên bản cải các số liệ li n q an RSSI như S (tính bằng<br /> tiến bộ lọ đa phần tử dựa vào thuật toán đơn vị dBm) và khoảng cách giữa các<br /> tái lấy mẫu khoảng cách Kullback-Leibler anchor node d. Bảng chỉ số ường độ tín<br /> với hiệu chỉnh phương sai và độ dốc dữ hiệ th RSSI được mô hình hóa [2]<br /> <br /> 41<br />  S  S0 - 10 log10 d  v, (1) cách của anchor node thứ i ; và d ij là<br /> d0<br /> khoảng cách Euclidean giữa anchor node<br /> với S0 là những giá trị RSSI giữa hai<br /> thứ i và thứ j; T  R MxM là ma trận ánh xạ<br /> anchor nodes, d0 giá trị khoảng cách tương<br /> tín hiệu-khoảng cách; mỗi hàng của ma trận<br /> ứng, và  là hệ số s y ha ôi trường.<br /> T đượ trình bày như là phương trình t yến<br /> Nhiễu v là nhiễu ngẫu nhiên phân bố<br /> 2 tính của cột ma trận S, và t iT là trọng số của<br /> Gaussian (0, v ) tr ng ôi trường đa<br /> hàng thứ i. Ma trận T được tính toán dựa<br /> đường, với giá trị phương sai v phụ thuộc và phương ph p bình phương tối thiểu<br /> và đặ trưng ôi trường.<br /> T  log  D ST  SST  .<br /> 1<br /> (3)<br /> Khoảng thời gian tr ng bình để thu<br /> thập 3 giá trị đ RSSI là 200 s. Khi đã ó Khi ánh xạ tín hiệu-khoảng h được<br /> mô hình lý thuyết truyền dẫn RSS như x định, định vị bệnh nhân thu thập các<br /> công thức (1), thì việ định vị bệnh nhân giá trị đ RSSI giữa chính nó và các anchor<br /> được giải quyết nhờ áp dụng giải pháp node gần kề ˆs . Khi đó ve t r h ảng cách<br /> Gradient descent. Mô hình lý thuyết truyền dˆ tương ứng được tính<br /> dẫn RSS là phi tuyến nên việc kết hợp bộ ˆ  exp  Tsˆ  .<br /> d (4)<br /> lọ đa phần tử và Gradient descent hứa hẹn<br /> cải thiện định vị bệnh nhân. 2.3. Bộ lọc đa phần tử<br /> 2.2. Giải pháp Gradient descent Sai số định vị bệnh nhân được cải<br /> thiện nhờ sự kết hợp thông tin biết trước<br /> Gọi xi  R 2 ,i=1,...,M là vị trí của<br /> như: n e h yển động và bản đồ môi<br /> một anchor node, và M là số lượng các trường hình học. Trong hệ thống này, bộ<br /> anchor node. Mỗi anchor node chứa một lọ đa phần tử theo dõi vị trí bệnh nhân tại<br /> vector si  si1 ,si2 ,...,siM  chỉ số giá trị<br /> T<br /> thời gian t, vector trạng thái<br /> z  t =  x  t  ,v  t   , với x  t   R là vị<br /> T<br /> ường độ tín hiệ th RSSI tra đổi dữ liệu T T 2<br /> <br /> với an h r n e h , tr ng đó s ij là<br />  <br /> trí và v  t   R là vận tốc bệnh nhân.<br /> 2<br /> giá trị RSSI liên quan tới tín hiệ được<br /> T<br /> phát ra bởi anchor node thứ i và thứ j. Ma Gọi z p  t =  xp  t T ,v p  t T  là vector<br />  <br /> trận S  s1 ,s2 ,...,sM   R<br /> MxM<br /> là tổng các<br /> bộ lọ đa phần tử ướ lượng với hàm xác<br /> giá trị chỉ số ường độ tín hiệu thu RSSI suất hậu nghiệm trạng thái z tại thời điểm t,<br /> của tất cả các cặp anchor node. và p=1,…,N; gọi wp  t  là trọng số bộ lọ đa<br /> Mối liên quan tuyến tính giữa các giá<br /> trị RSSI và logarit của khoảng cách anchor phần tử. Khi đó, trạng thái của mụ ti được<br /> n e [3] được tính ướ lượng theo công thức (5) ở b n ưới.<br /> log  D  TS , (2) Giá trị ban đầu vị trí bệnh nhân ˆx  0 <br /> ˆ<br /> tr ng đó, D  d1 ,d 2 ,...,d M  là ma trận được biết trước từ việ ướ lượng giá trị d<br /> theo thuật toán Gradient descent từ<br /> khoảng cách của tất cả các cặp anchor<br /> ˆx  0   arg min<br /> 1 M<br /> <br /> i x  x i <br /> 2<br /> ˆ<br /> node, di  di1 ,di2 ,...,diM  là vector khoảng d , (6)<br /> T<br /> 2 i<br /> x 2 i 1<br /> <br /> <br /> 42<br />  ˆ là giá trị khoảng cách<br /> tr ng đó, d thu thập RSSI tại thời điểm t. Trọng số của<br /> i<br /> bộ lọ đa phần tử được thiết lập như sa<br /> đượ ướ lượng giữa bệnh nhân và anchor<br />  1 M<br />  <br /> 2<br /> node thứ i;  i là hệ số trọng số được tính wp  t   wp  t - 1 exp    wi xp  t   xi  dˆ i  , (10)<br />  2 i1 2<br /> <br /> ˆ 2<br /> d<br /> i  Mi 2 . (7) ˆ là ướ<br /> tr ng đó, d lượng khoảng<br />  i1 dˆ i<br /> i<br /> <br /> cách, x p  t   xi là giá trị khoảng cách<br /> tr ng đó,  T là thời gian lấy mẫu;  x 2<br /> của hạt từ anchor node thứ i.<br /> và  v là các giá trị tỉ lệ thí h nghi được<br /> Một cách cụ thể để xem xét bệnh nhân<br /> x định thông qua mô hình thực nghiệm. di chuyển ra ng ài hay hưa, trọng số hàm<br /> Lấy đạo hàm công thức (6) với tham phân bố bộ lọ đa phần tử theo công thức<br /> số x. Ướ lượng ˆx ùng để cập nhật (10) được kiể tra, xe lư đồ giải thuật<br />  ˆ  Hình 2. Khi tất cả các hạt đượ “nhốt<br />  <br /> M<br /> d<br /> ˆx k 1  ˆx k    i 1  i  ˆx k   x , (8)<br /> i 1   <br /> ˆx  xi<br /> k  i<br /> trong một phòng tr ng hi đó bệnh nhân đã<br />  2 <br /> di chuyển ra ngoài phòng.<br /> ˆx  t   1   x   ˆx  t  1  ˆv  t  1 T    x  wp  t  ˆx  t  , N<br /> (5)<br /> <br /> ˆv  t   1  v  ˆv  t 1  v  ˆx  t   ˆx  t 1 ,  w t  ,<br /> p 1<br /> p (11)<br /> với  được khởi tạ là 0.1; ước với  là giá trị ngưỡng được gán 10-5.<br />  0<br /> lượng ban đầu ˆx là bằng với vị trí của<br /> Ngõ vào: hởi tạ vị trí bệnh nhân (6),<br /> anchor node gần nhất. Khi khởi tạo giá trị trọng số (7), trạng th i zp(0)<br /> ban đầu bộ lọ đa phần tử có thể tìm ẩn vị<br /> trí của mục tiêu bên ngoài tòa nhà, mô hình<br /> ôi trường hình họ h trướ là điểm ràng Tiên đoán: tạ trạng th i<br /> buộc khởi tạo bệnh nhân bên trong tòa nhà. ới h hạt (9)<br /> 2.3.1. Tiên đoán<br /> Vector giá trị trạng thái mới của bộ lọc Cập nhật: trọng số (10),<br /> hởi tạ gi trị ngưỡng (11)<br /> đa phần tử thứ p được tính theo mô hình<br /> động công thức kinematic<br />  xp  t   xp  t  1  v p  t  1  T   x có Bệnh nhân ra hỏi<br />  , (9)<br />  v p  t   v p  t  1   v phòng<br /> <br /> tr ng đó,  x và  v là nhiễu Gaussian không<br /> -Tính t n vị trí bệnh nhân (5)<br /> với phương sai tương ứng   x và   v ; Nếu<br /> 2 2<br /> -T i lấy ẫ (SIR, KLD, đề x ất)<br /> bản đồ ôi trường hình họ được cho -Ch ẩn hóa trọng số<br /> trước và áp dụng ô hình động bằng cách<br /> Ngõ ra:tạ ra tập ẫ ới {xp,wp}<br /> gán trọng số của bộ lọc bằng 0 ( wp  0 )<br /> nghĩa là bệnh nhân đã “x y n q a tường . Hình 2. Lư đồ cải thiện định vị<br /> 2.3.2. Cập nhật Nếu việc kiểm tra thất bại (bệnh nhân<br /> Sa q trình ti n đ n, trọng số của hạt ra khỏi phòng), các hạt sẽ hông ướ lượng<br /> thứ p được cập nhật dựa vào những giá trị bệnh nhân chính xác nên các hạt được khởi<br /> <br /> <br /> 43<br /> tạo lại. Ngược lại, bệnh nhân không ra khỏi x . D đó, ẫ được tạo ra từ mật độ<br /> phòng, vị trí b nh nhân đượ x định, tái quan trọng thay vì mật độ thực tế. Hiện<br /> lấy mẫ được tiến hành, trọng số của bộ tượng suy thoái mẫu là một vấn đề thường<br /> lọ đa phần tử được chuẩn hóa gặp với SIS PF, như bướ 3 Hình 4. Đối<br />  wp  t   1 .<br /> N với hạt trọng số nhỏ, quá trình tái lấy mẫu<br /> p 1<br /> sẽ bỏ qua các giá trị này (đượ đ nh ấu<br /> 2.4. Thuật toán tái lấy mẫu tr ng h ng à đỏ); hay hạt trọng số lớn<br /> 2.4.1. Tái lấy mẫu tuần tự quan trọng SIR được sao chép thành hai/ba hạt tương ứng.<br /> Bộ lọ đa phần tử [7] được biết đến Ý tưởng khắc phục hiện tượng suy<br /> như là bộ lọc bootstrap, hay kỹ thuật thoái mẫ được nêu ra trong bài báo [8]: sự<br /> Monte Carlo, v.v. Dựa vào ý tưởng hàm “thỏa hiệp giữa hạt tập trung (sao chép<br /> mật độ hậu nghiệ được yêu cầu bởi một các hạt trọng số lớn) và hạt phân hóa (loại<br /> tập mẫu ngẫu nhiên (hạt) với những trọng bỏ các hạt hông đ ng ể). Giải pháp này<br /> số ơ bản liên quan. Việc tính toán những còn gọi là tái lấy mẫu dựa vào giá trị hạt<br /> giá trị ướ lượng dựa vào các mẫu và trọng (hay thông tin trạng thái). Bài báo nêu ra<br /> số ơ bản. Khi số lượng của mẫu rất lớn, ba giải pháp khắc phục hiện tượng suy<br /> đặ trưng M nte Carl tương đương hà thoái mẫ như: 1.T i lấy mẫu hiệu chỉnh<br /> xác suất hậu nghiệm và bộ lọc tối ư (modified resampling): dựa vào hàm phân<br /> Bayesian. Tác giả đưa ra th ật toán lấy bố trọng số hạt. 2. Tái lấy mẫu kích thức<br /> mẫu tuần tự quan trọng SIS (Sequential thay đổi: nghĩa là họn số lượng hạt nhỏ<br /> I p rtant Sa pling) như Hình 3, ba gồm nếu hàm phân bố tập trung vào phần nhỏ<br /> tái lấy mẫu tại thời điểm tức thời. của không gian trạng th i và ngược lại, số<br /> Khởi tạo<br /> trọng số lương hạt lớn nếu hàm phân bố tập trung<br /> Hạt đề xuất vào phần lớn của không gian trạng thái:<br /> 1 2 N<br /> như t i lấy mẫu dựa vào khoảng cách<br /> Kullback-Leibler. 3. Làm nhám<br /> (Roughening): tập hạt tối ư : ựa vào hàm<br /> Tái lấy mẫu 1 2 N<br /> Cập nhật<br /> phân bố Gaussian kernels.<br /> trọng số<br /> <br /> <br /> <br /> <br /> Có Bước 1: hàm phân bố<br /> xác suất<br /> Cần tái lấy mẫu Chuẩn hóa trọng số<br /> <br /> Không Bước 2: biểu diễn bằng hạt<br /> Ước lượng<br /> <br /> Có<br /> Đánh giá hiệu quả Bước 3: tái lấy mẫu dựa<br /> Hàm quan sát<br /> hạt vào trọng số<br /> Ngõ ra<br /> Không<br /> <br /> <br /> Thoát<br /> <br /> <br /> Hình 3. Lư đồ thuật toán SIR PF [7]<br /> Bước 4: hàm phân bố xác<br /> Thuật toán SIS sử dụng mật độ hàm suất biểu diễn bằng hạt<br /> <br /> quan trọng, đó là hà ật độ đại diện cho<br /> một số khác mà không thể tính toán chính Hình 4. Hiện tượng suy thoái mẫu [8]<br /> <br /> 44<br />  Trong bài báo này chúng tôi xin trình Giải pháp này có khuyết điểm: giới hạn<br /> bày giải pháp tái lấy mẫu khoảng cách thống kê về xấp xỉ mẫ được tính từ hàm<br /> Kullback-Leibler hiệu chỉnh phương sai phân phối đề xuất hơn là phân bố hậu<br /> với độ dốc dữ liệu của bộ lọ đa phần tử. nghiệm thực. Sự không phù hợp giữa hàm<br /> 2.4.2. Thuậ oán á ấ ẫu KLD phân bố thực và phân phối đề xuất được<br /> ệu c n ư ng độ ốc ệu loại bỏ. Để tránh hiện tượng này, công thức<br /> (15) được áp dụng trong quá trình tái lấy<br /> Thuật toán lấy mẫu khoảng cách<br /> mẫu thay vì áp dụng ở qui trình lấy mẫu.<br /> Kullbacl-Leibler [9] òn được gọi là bộ lọc<br /> Tác giả [10] đưa ra h phân hia hạt<br /> thích nghi tại mỗi lần lặp của bộ lọc có số<br /> phân bố hậu nghiệ thành bins và đếm số<br /> lượng mẫ x định với xác suất 1-  , và<br /> lượng bins l mà ít nhất một hạt được tái lấy<br /> lỗi giữa giá trị hàm xác suất hậu nghiệm<br /> mẫ để x định tổng số hạt tái lấy mẫu.<br /> thực và mẫu xấp xỉ nhỏ hơn gi trị ngưỡng<br /> Phương ph p này được gọi là giải pháp tái<br />  h trước.<br /> lấy mẫu khoảng cách Kullback-Leibler. Khi<br /> Giá trị khoảng cách Kullback-Leibler đó, số lượng hạt yêu cầu Nr theo công thức<br /> giữa các hàm phân bố đề nghị (q) và (p) ở (15) được viết lại<br /> dạng rời rạc<br />  px <br />  <br /> Nr ,re  min Nmax ,ceil  Nr ,KLD  . (16)<br /> d KL  p || q    p  x  log  <br />  qx <br /> x (12) Bên cạnh đó, bài b [11] n ra th ật<br /> toán lấy mẫu khoảng cách Kullback-Leibler<br />   W  x  q  x  log W  x  ,<br /> x với hiệu chỉnh phương sai và độ dốc dữ liệu<br /> nhằm cải thiện thời gian hoạt động hay lỗi<br /> với W  x   p  x  / q  x  . Số lượng<br /> định vị. Điều này được thực hiện nhờ vào<br /> mẫu cần dùng Nr được tính điều chỉnh í h thước mẫu bằng cách gia<br /> 1 2 tăng phương sai nghị h đảo tỉ lệ khả năng<br /> Nr   l1,1 , (13)<br /> 2 và tạo ra các mẫu mới xấp xỉ hàm phân<br /> phối thực hay miền khả năng a<br /> tr ng đó l là số lượng pin. Lượng tử<br /> (li elih ). Tương tự phương ph p này,<br /> phân bố Chi-sq are được tính<br /> nhóm nghiên cứ đề xuất giải pháp kết hợp<br /> P  l21  l211,    1   . (14) thuật toán tái lấy mẫu khoảng cách<br /> Kullback-Leibler với phương sai điều chỉnh<br /> Căn ứ và phương ph p h yển đổi và dữ liệ độ dố . Nghĩa là q trình thực<br /> Wilson-Hilferty để tính toán xấp xỉ  l11,  .<br /> 2<br /> hiện điều chỉnh í h thước mẫu bằng cách<br /> Công thức (13) được biểu diễn theo cách gia tăng phương sai nghị h đảo tỉ lệ khả<br /> khác năng và tạo ra các mẫu mới xấp xỉ hàm<br /> 3<br /> phân phối thự được thực hiện ở bước tái<br /> 1 l  2 2  lấy mẫu [4,5].<br /> N r,KLD  1   z1  , (15)<br /> 2  9 1  l  9 1  l   Phương sai điều chỉnh được tính toán<br /> bằng cách sử dụng mối quan hệ giữa số<br /> với z1 là tứ phân vị trên của hàm<br /> lượng tối đa ẫu và số lượng mẫu cần thiết<br /> phân phối chuẩn. như sa :<br /> <br /> <br /> 45<br />  N r,re tì gi trị này được trình bày trong phần<br />  ad   lb   , (17) tiếp theo.<br /> N max<br /> 2.4.3. uậ oán ư ng o<br /> tr ng đó,  ad và  lb là phương bound<br /> sai điều chỉnh và phương sai giới hạn ưới,<br /> Đề xuất thuật toán tìm giá trị phương<br /> tương ứng;<br /> sai l wer b n được cho Bảng 2 bên<br /> Các mẫu mới được tạo ra bằng cách<br /> ưới. Gọi  lb ,i là giá trị phương sai l wer<br />  i p  h  x  <br />  xl   ad .randn, if  i <br /> Pr o KLD SIR<br /> 0 (18) bound thứ i; Er lb ,i , Er và Er là<br /> x<br /> i+N r ,re<br /> l  x ,<br /> x=xli<br />  i những giá trị lỗi của đề xuất và KLD-<br />  xl   ad .randn, otherwise<br /> resampling [10] và SIR [2].<br /> với p  h  x   <br />   1   z  h  x  2 <br />  exp   Gọi  lb ,i* (dòng 12) là tập giá trị<br /> l<br /> <br /> x x   2 2 2 <br /> x=xli    x=xli<br /> phương sai l wer b n đ p ứng điều kiện<br /> là phương sai ủa hàm phân bố xác suất của Nhận xét 1 (dòng 11). Gọi<br /> Gaussian.<br /> Er lb ,i  ErPrlb ,io  Er KLD là khoảng lỗi của<br /> Khi các mẫu mới tạo ra từ công thức<br /> (18) được sử dụng để cập nhật các trọng đề xuất và KLD-resa pling [10]. Khi đó<br /> số. Thông qua giải pháp này, việc tạo ra Er   Er lb ,1 , ,Er lb ,Q  là tập giá trị<br />  <br /> các mẫu mới với miền khả năng a . Bảng<br /> các khoảng lỗi của hai giải pháp nêu trên.<br /> 1 trình bày thuật t n đề xuất.<br /> Trong giải ph p này, việ q an trọng Nhận xét 1: Nếu Er  0 (dòng 11-<br /> là là sa tì đượ gi trị phương sai 14) thì tồn tại một giá trị  lb, o p t thỏa mãn<br /> lower bound, công thứ (17). Th ật t n điều kiện cự đại tập Er .<br /> <br /> Bảng 1. Thuật toán KLD-resampling hiệu chỉnh phương sai và độ dốc dữ liệ (Đề xuất)<br /> <br /> 1: procedure Pro  lb , , , Nmax    lb dựa vào Bảng 2<br /> 2: i=0, l=0, Nr,re=0 Khởi tạo biến đếm, số bin, số hạt cần dùng<br /> 3: tất cả bin là zero-resampled: b<br /> 4: while ( i  N r ,re && i  Nmax ) do<br /> 5: Chọn một hạt ngẫu nhiên từ tập hạt theo trọng số<br /> 6: i=i+1<br /> 7: if (hạt tái lấy mẫu mới từ zero-resampled b) then<br /> 8:  ad theo công thức (17)  Tính t n phương sai hiệu chỉnh<br /> 7: l=l+1  Cập nhật bin<br /> 8: b:=resampled<br /> 9: Nr,re theo công thức (16)  Cập nhật hạt sử dụng<br /> 10: end if<br /> 11: end while<br /> 12:end procedure<br /> <br /> 46<br />  Bảng 2. Thuật t n phương sai l wer b n<br /> <br /> 1:procedure  lb,opt  min,max,  lb <br /> 2: Khởi tạo mức công suất<br /> 3: M Ch trước số lượng anchor nodes<br /> 4:   Xác suất cố định<br /> 5: i=1,  lb ,1  min,  lb ,i*  Er   Khởi tạo các tập l wer b n , độ chênh lệch<br /> lỗi<br /> 6: while (  lb,i  max ) do<br /> 7:  lb ,i*   lb ,i    Cập nhật phương sai lower bound<br /> 8: ErPrlb ,io  Tính toán lỗi của Pro<br /> <br /> 9: Er KLD  Tính toán lỗi của KLD-resampling [10]<br /> 10: Er SIR  Tính toán lỗi của SIR [2]<br /> if ( Er lb ,i  Er && Er lb ,i  Er ) then<br /> Pro KLD Pr o SIR<br /> 11:  Kiểm tra khoảng lỗi<br /> <br /> 12:  lb ,i*   lb ,i*   lb ,i   Cập nhật phương sai lower bound<br /> <br /> 13: Er  Er  Er lb ,i*  Cập nhật khoảng lỗi Pro và KLD-resampling<br /> 14: end if<br /> 15: i=i+1<br /> 16: end while<br /> 17:  lb,opt  max  Er   Tìm  lb,opt theo cự đại hàm Er<br /> 18:end procedure<br /> <br /> 3. Kết luận lượng trên tập ngẫu nhiên của anchor node<br /> Tất cả các kết quả mô phỏng chạy trên được lặp lại để tránh hiện tượng bias.<br /> PC Core i5-2400 @3.10GHz, 4.00GB 3.1. h ập h ph n a<br /> RAM và MATLAB 2012a (7.14.0.739). bound  lb<br /> Ngoài ra, tất cả thông số của hệ thống được Theo Nhận xét 1, Bảng 4 trình bày kết<br /> cho trong Bảng 3. Bệnh nhân được theo quả những giá trị tối ư phương sai l wer<br /> dõi là một đường biết trước trong diện tích bound với các giá trị mức công suất khác<br /> 250m2. An h r n e đượ đặt tại mỗi điểm nhau cho bốn mật độ anchor node.<br /> test với 30 giây, với 30 gói RSSI được gởi Bài báo sẽ xe xét và đ nh gi<br /> tới mạng điều phối cá nhân. Mỗi gói RSSI, tracking lỗi của các thuật toán: Gradient<br /> vị trí bệnh nhân đượ ướ lượng theo thuật descent [3], SIR [2], KLD-resampling [10]<br /> toán SIR, Gradient descent, KLD - và đề xuất tại mức công suất tối thiểu<br /> resa pling và đề xuất. Test được lặp đi lặp (-25dBm). Theo Bảng 4, các giá trị phương<br /> lại cho bốn mật độ an h r n e, và ước<br /> <br /> 47<br /> sai lower bound cho bốn mật độ anchor hiệu quả khoảng lỗi với bốn mật độ anchor<br /> node tại mức công suất self-RSSI tối thiểu node (xem Hình 6) và kiểm tra sự ảnh<br /> là 0.85, 0.2, 0.45, và 0.15 (xem Hình 5). hưởng mật độ anchor node với toàn bộ<br /> Cuối cùng, tất cả giá trị phương sai l wer mức công suất h đề xuất (xem Hình 7).<br /> bound ở Bảng 4 được áp dụng để đ nh gi<br /> Bảng 3. Thông số hệ thống<br /> Dòng Kí hiệu Giải thích Giá trị<br /> 1 M Số lượng của anchor nodes [5;10;15;20]<br /> 2 exp_day Data sets [12] '9 aprile 2'<br /> 3 N_max Số subset cự đại để test cho mỗi mật độ node 1<br /> 4 x Tố độ thích nghi theo công thức (5) 1<br /> 5 v Tố độ thích nghi theo công thức (5) 0.8<br /> 6  Giá trị ngưỡng theo công thức (11) 10-5<br /> 7 Nmax Số lượng cự đại của hạt theo Bảng 1 50<br /> 8  Giá trị bound error theo Bảng 1 0.65<br /> 9  Xác suất cố định theo Bảng 1 0.01<br /> 10  lb Giá trị phương sai l wer b n Xem Bảng 4<br /> 11 N Số lượng mẫu 100<br /> <br /> Bảng 4. Giá trị phương sai l wer b n với các mức công suất<br /> Anchor nodes Các mức công suất [dBm]<br /> 0 -3 -5 -7 -10 -15 -25<br /> 5 0.55 0.25 0.7 0.05 0.55 0.65 0.85<br /> 10 0.7 0.6 0.45 0.55 0.55 0.45 0.2<br /> 15 0.95 0.15 0.6 0.95 0.35 0.15 0.45<br /> 20 0.3 0.6 0.3 0.25 0.8 0.65 0.15<br /> <br /> 3.2. K t quả khác resampling with 50 paritlces là 0.16m,<br /> Hình 5 trình bày lỗi định vị đề xuất các 0.01 và 0.15 , tương ứng. Tương tự cho<br /> giải pháp khác. Tại xác suất lỗi nhỏ hơn 20 anchor node (0.08 anchor nodes/m2),<br /> 80% (Pr