WSNのイベント検出

イベントを検出したセンサーのみがゲートウェイにデータを送り返すため、センサーとゲートウェイ間の通信にかかるエネルギーが節約されます。

ワイヤレス センサー ネットワークでのイベント検出を使用すると、ノード間で送信されるデータの量を、センサーで目的のイベントがトリガーされたときのみに制限できます。ワイヤレス センサー ネットワーク (WSN)は、環境の監視に使用される自律センサーの空間分散ネットワークです。エネルギー コストは WSN にとって大きな制約であり、エネルギー効率の高いネットワークと処理が必要となります。WSN における主なエネルギー コストの 1 つは、ノード間の通信に費やされるエネルギーであり、センサーで目的のイベントがトリガーされたときのみゲートウェイ ノードにデータを送信することが望ましい場合があります。こうすることで、センサーは発生する可能性のあるイベントの際にのみ通信を開くため、通信コストを節約できます。このタイプのネットワークが関心のある分野には、監視、ホーム オートメーション、災害救助、交通管制、医療などがあります。

エネルギー節約は、ノードが報告すべきイベントがある場合にのみゲートウェイに通信を返すという点に起因します。これは、収集されたデータの多くが重要ではない可能性のある動的な環境では難しい場合があります。この問題を克服するために、イベントの定義に関する制約は緩和され、通常は一連の閾値または確率としてモデル化されます。

イベント検出は、閾値ベース、教師あり、教師なしの3つの主なカテゴリに分類されます。^[1]

閾値ベースの検出

しきい値ベースの検出は、イベントが発生したかどうかのヒントとなるさまざまなパラメーターを使用してイベントを検出する簡単な方法です。センサーノードで収集されたデータ(データイベントとも呼ばれます) は、イベントと見なされるための特定のしきい値ポイントに達したかどうかを確認するために分析されます。たとえば、光検出器は、特定の強度を超える光を検出した場合にのみゲートウェイに報告します。データイベントは、ゲートウェイで連携するか、小さなホップのピアツーピア通信を介して連携するさまざまな種類のセンサーからの出力の組み合わせの結果である場合もあります。検出の有効性に影響を与える2つの重要なパラメーターは、サンプリングレートとイベントエリアです。^[2]サンプリングレートは、イベントが海の潮のように長期間にわたって発生するか、車が建物を通過するなど短時間で発生するかによって異なります。イベントエリアは、イベントの可能性が十分に高くなるために、いくつのセンサーがしきい値を超える値を報告する必要があるかを決定します。

センサーが特定の時間に複数のデータポイントを収集する場合、閾値ベースの検出を使用する別の方法として、データの分散を測定し、分散が特定の閾値に達した場合にのみゲートウェイノードにデータを送信するという方法があります。イベントはデータセットのごく一部でのみ発生する可能性があります。この場合、データをより小さなセグメントに分割し、各セグメントの分散を考慮することが重要です。4つの等しい象限に分割できるN次元データセットを考えてみましょう。そのセクション内のすべてのサンプルの絶対差の合計を計算し、その象限の分散の近似値として使用できます。以下は、1つの象限における式です。

${\displaystyle V_{1}=\sum _{\mathbf {s} }|I_{(\mathbf {s} )}-Iref_{(\mathbf {s} )}|}$ ここで、は各次元における0 から までのサポート領域内のN次元のサンプリング領域、は点 におけるサンプリング点の集合、 はデータ点の参照集合です。 ${\displaystyle 0\leq s_{i}\leq {\frac {m}{2}}}$ ${\displaystyle \mathbf {s} }$ ${\displaystyle m}$ ${\displaystyle I_{(s)}}$ ${\displaystyle \mathbf {s} }$ ${\displaystyle Iref_{(s)}}$

上記の絶対差の和は、サンプリングされた空間全体の1つの象限であり、データのサブセットの擬似分散を表すことができます。異なる象限のすべての分散を収集することで、イベントが全体のサポート領域の一部にしか影響を与えない場合でも、イベントの発生を検出する可能性が高まります。^[3]

教師あり検出

教師あり検出とは、イベントが事前に分かっており、ライブデータと比較可能なパターンで記述できる場合を指します。対象となるイベントと環境について、事前にある程度の情報が分かっている必要があります。これは通常、イベント発生中にネットワーク全体でサンプル測定（トレーニングベクトル）を取得し、データのシグネチャを作成することで行われます。

イベントの分類は、一般的に、観測された測定値 x がイベント ω の結果である確率として説明できます。N 次元ベクトルのセットと事前に決定されたイベントのセットが与えられた場合、目標は誤分類のエラー、つまりベイズ誤差を最小にすることです。センサーは、に対してがであることを保証することによって、が に属するかどうかを判断する必要があります。^[4]最も可能性の高いイベントが決定され、イベントに属する確率が計算されると、しきい値に対してチェックできます。イベントの確率が十分に大きい場合、データはゲートウェイノードに転送されます。以下は、最適なベイズ分類器を解くアルゴリズムの例です。これらはすべて、対象のイベントをシミュレートまたは再現するためのトレーニングベクトルのセットを必要とします。 ${\displaystyle \{\mathbf {x} \}}$ ${\displaystyle \{\mathbf {\omega } \}}$ ${\displaystyle \mathbf {x} }$ ${\displaystyle \omega _{i}}$ ${\displaystyle p(\omega _{i}|\mathbf {x} )>p(\omega _{j}|\mathbf {x} )}$ ${\displaystyle j\neq i}$ ${\displaystyle \mathbf {x} }$

k近傍法（k-NN）分類器

k -NNアルゴリズムは、想定されるイベントのサンプル（テスト段階）において、事前に決定されたプロトタイプ集合{ p _k }を用いる、よく知られたパターン認識アルゴリズムです。プロトタイプは、アプリケーションにおいて関心のあるイベントをモデル化します。各テストベクトルと各プロトタイプ間の距離が計算され、プロトタイプベクトルに最も近いk個のテストベクトルが、最も可能性の高い分類または分類群として採用されます。そこから、xがプロトタイプイベントに属する確率を計算できます。しかし、このアプローチは、プロトタイプの数が増えるにつれて多くのメモリと処理能力を必要とするため、WSNにとってはあまり現実的な選択肢ではありません。しかし、k=1のときの誤分類確率が最適なベイズ誤差の2倍に近づくことはよく知られており、他の分類器の性能を測定するための優れた基準として機能します。^[5]

最大尤度分類器

_{最尤分類器は、}同じクラスの訓練ベクトルの分布をガウス密度関数の混合としてモデル化する。与えられた訓練ベクトルxがクラスωiに対して持つ確率は、

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

ここで、クラスω _iに対応するP個の混合密度の混合行列パラメータ、平均行列パラメータ、共分散行列パラメータである。これらの行列パラメータの特定は、k平均法アルゴリズムや期待値最大化アルゴリズムなど、訓練ベクトルの混合密度を求める他のアルゴリズムを用いて行うことができる。^[4]${\displaystyle \theta _{i}=[\mathbf {\alpha } _{i1},...\mathbf {\alpha } _{iP},\mathbf {m} _{i1},...\mathbf {m} _{iP},\mathbf {\Lambda } _{i1},...\mathbf {\Lambda } _{iP}]}$

サポートベクターマシン分類器

サポートベクターマシンは、 N次元の入力ベクトルから高次元のM次元の特徴空間への線形変換の集合を写像します。線形分類器は、 に対してを満たす行列式関数として記述できます。 ${\displaystyle \{\phi (\mathbf {x} )\}_{i=1}^{M}}$ ${\displaystyle {\mathfrak {g}}(\mathbf {x} )}$ ${\displaystyle {\mathfrak {g}}_{i}(\mathbf {x} )>{\mathfrak {g}}_{j}(\mathbf {x} )}$ ${\displaystyle p(\omega _{i}|\mathbf {x} )>p(\omega _{j}|\mathbf {x} )}$ ${\displaystyle j\neq i}$

このサポートベクターマシン分類器の 線形分類器は、

${\displaystyle {\mathfrak {g}}(\mathbf {x} )=\sum _{i=1}^{Q}\alpha _{i}K(\mathbf {x} ,\mathbf {x} _{i})+b}$ ここで、はバイアスパラメータであり、は変換からの各次元の重みに関連付けられた定数である。^[4]${\displaystyle K(\mathbf {x} ,\mathbf {x} _{i})=\sum _{j=1}^{M}\phi _{j}(\mathbf {x} )\phi _{i}(\mathbf {x} _{i})}$ ${\displaystyle b}$ ${\displaystyle \alpha _{i}}$

行列式関数を使用して、各クラスの確率を近似することができます。

教師なし検出

関心対象のイベントが未知のイベント、あるいは過去に観測されたことのないイベントである場合、教師なし検出を使用する必要があります。これには、時間の経過とともに通常の出来事と比較して異常なイベントを発見する機械学習アルゴリズムが必要です。これは、WSNにおけるイベント検出やその他のアプリケーションにおいて活発に研究されている分野です。

参考文献

1. Bahrepour, M.; Meratnia, N.; Havinga, PJM (2011-12-01). 「無線センサーネットワークにおけるオンライン非監視イベント検出」. 2011 第7回国際インテリジェントセンサー、センサーネットワーク、情報処理会議(PDF) . pp.  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. (2010-10-01). 「無線センサーネットワークにおける複雑なイベントの検出と追跡のモデル化」. 2010 IEEE International Conference on Systems, Man and Cyber​​netics . pp.  235– 242. doi :10.1109/ICSMC.2010.5642242. ISBN 978-1-4244-6586-6. S2CID  20798448。
3. Veeraraghavan, K.; Peng, Dongming; Sharif, H. (2005-05-01). 「無線センサーネットワークにおけるエネルギー効率の高いマルチ解像度視覚監視」. 2005 IEEE International Conference on Electro Information Technology . pp. 6–6. doi :10.1109/EIT.2005.1626975. ISBN 0-7803-9232-9. S2CID  17400756。
4. Li, Dan; Wong, KD; Hu, Yu Hen; Sayeed, AM (2002-03-01). 「ターゲットの検出、分類、追跡」. 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).パターン分類とシーン分析. ニューヨーク: Wiley. Bibcode :1973pcsa.book.....D.