Sistema de Detección de Emergencias Individuales Asistido por IA en Entornos de Internet de las Cosas en el Borde
Autores: Yang, Taehun; Lee, Sang-Hoon; Park, Soochang
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Sistema de Detección de Emergencias Individuales Asistido por IA en Entornos de Internet de las Cosas en el Borde
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Desastres
Lugares cerrados
Víctimas
Dispositivos móviles
Sistema de monitoreo
Inteligencia perimetral
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 39
Citaciones: Sin citaciones
Recientemente, han ocurrido muchos desastres en lugares cerrados. Para rescatar o detectar víctimas dentro de escenas de desastre, se necesita información vital sobre su existencia y ubicación. Para proporcionar dicha información, algunos estudios simplemente emplean sistemas de posicionamiento en interiores para identificar cada dispositivo móvil de las víctimas. Sin embargo, sus esquemas pueden ser poco confiables, ya que a veces las personas dejan caer sus dispositivos móviles o los colocan en un escritorio. En otras palabras, sus métodos pueden encontrar un dispositivo móvil, no a una víctima. Para resolver este problema, este documento propone un nuevo sistema de monitoreo individual basado en inteligencia en el borde. El sistema propuesto monitorea estados coexistentes con un usuario y un dispositivo móvil inteligente a través de un mecanismo de detección de estado de usuario, que podría permitir el seguimiento a través del monitoreo de conmutación continua de estados de usuario. Luego, se emplea un esquema de localización detallado para percibir la ubicación precisa de un usuario que está con un dispositivo móvil. Por lo tanto, el sistema propuesto se desarrolla como una prueba de concepto que depende de dispositivos WiFi listos para usar y reutiliza señales omnipresentes. Los dispositivos móviles inteligentes de los usuarios interactúan con recursos jerárquicos de computación en el borde para recopilar y gestionar de manera rápida y segura datos de detección de comportamiento de usuario con cifrado por encadenamiento de bloques, y los comportamientos de usuario se analizan a través del paradigma de conjunto de tres tecnologías de aprendizaje automático. El sistema propuesto muestra un 98.82% de precisión para el reconocimiento de la actividad del usuario, y se logra un 96.5% de precisión para la precisión de la localización del usuario.
Descripción
Recientemente, han ocurrido muchos desastres en lugares cerrados. Para rescatar o detectar víctimas dentro de escenas de desastre, se necesita información vital sobre su existencia y ubicación. Para proporcionar dicha información, algunos estudios simplemente emplean sistemas de posicionamiento en interiores para identificar cada dispositivo móvil de las víctimas. Sin embargo, sus esquemas pueden ser poco confiables, ya que a veces las personas dejan caer sus dispositivos móviles o los colocan en un escritorio. En otras palabras, sus métodos pueden encontrar un dispositivo móvil, no a una víctima. Para resolver este problema, este documento propone un nuevo sistema de monitoreo individual basado en inteligencia en el borde. El sistema propuesto monitorea estados coexistentes con un usuario y un dispositivo móvil inteligente a través de un mecanismo de detección de estado de usuario, que podría permitir el seguimiento a través del monitoreo de conmutación continua de estados de usuario. Luego, se emplea un esquema de localización detallado para percibir la ubicación precisa de un usuario que está con un dispositivo móvil. Por lo tanto, el sistema propuesto se desarrolla como una prueba de concepto que depende de dispositivos WiFi listos para usar y reutiliza señales omnipresentes. Los dispositivos móviles inteligentes de los usuarios interactúan con recursos jerárquicos de computación en el borde para recopilar y gestionar de manera rápida y segura datos de detección de comportamiento de usuario con cifrado por encadenamiento de bloques, y los comportamientos de usuario se analizan a través del paradigma de conjunto de tres tecnologías de aprendizaje automático. El sistema propuesto muestra un 98.82% de precisión para el reconocimiento de la actividad del usuario, y se logra un 96.5% de precisión para la precisión de la localización del usuario.