Sensors | 让耳鸣患者远离噪声环境——高效处理噪声数据的mHealth设备

点击左上角"MDPI 开放获取出版"关注我们，为您推送更多最新资讯。

随着人们对身体健康重视程度的不断提升，越来越多的人开始使用智能传感器、智能手机等mHelath设备来监测人体健康状况，其中最常用的是移动群智感知技术(Mobile Crowdsensing Techniques)。对于患有耳鸣症的用户，智能手机的监测功能尤为重要。智能手机可以准确地测量用户周围的噪音水平，并将测量到的噪声结果存储到后端，在对数据汇总计算后，智能手机上的地图可显示有害声级噪声的地区。

但是，如果智能手机需要长时间收集数以万计的噪声数据，那么手机的后端必须确保高度的可伸缩性。由于计算噪声地理空间的数据是一件较为繁琐的工作，而挑选合适的地理空间数据也非常复杂，因此需要对原有的手机架构进行改进。以往提出的解决方案中使用的是单片后端，无法以高效、可伸缩的方式处理噪声数据，要想让耳鸣患者得到更好的服务体验，需要对智能手机架构进行更为灵活的技术改动。

德国乌尔姆大学的Robin Kraft博士及其团队在Sensors期刊发表了一篇论文，开发了一种移动群智感知架构设计，该架构将云原生应用程序、大数据和流处理概念结合在一起，旨在高效地处理噪声地理空间数据。该架构可为耳鸣症用户提供环境噪声地图，从而使耳鸣患者避开有害声级噪声的地区。

群智感知架构的示意图

实验过程

在实验中，手机后端将会被部署到bwCloud，bwCloud负责提供基础设施即服务 (Infrastructure as a Service, IaaS)。然后，将Terraform作为基础架构即代码 (Infrastructure as Code, IAC)，根据结构化文本/文件配置云资源。IAC为该实验配置了八个虚拟机(即节点)，每个虚拟机具有4个虚拟中央处理器 (virtual CPU, VCPU) 和8 GB RAM，运行CoreOS 为1855.4.0。这些节点中，一个节点是充当开源软件Rancher的主节点；另一个节点则用作Kubernetes集群本身的主节点；剩余六个节点被用作集群的工作节点。最后，将14个微服务架构组成的开发后端部署到集群中。

测试工具Gatling会产生负载，研究者通过Gatling发送异步消息到手机后端，以这种方式模拟并发用户。研究者模拟并发用户时，会同时访问已储存的噪声数据，以此来制造工作负载。该实验在一台Ubuntu 19.04的计算机上运行，每次运行都会记录手机架构响应时间的中位数，然后重复实验，重新计算响应时间的中位数。置信区间 (Confidence Interval, CI) 为1−α = 0.95，每次测试重复20次。

智能手机显示的噪音水平示意图

实验结果

实验结果显示，尽管研究者模拟了大量的并发用户，架构系统响应时间的中位值几乎呈线性增加。结果表明该架构系统在不同的工作负载下提供了几乎理想的线性缩放，该架构可在大量的工作负载下正常运行，同时能以可伸缩的形式承受更多的工作负载。

不同并发用户访问时架构系统响应时间的中位数

Robin Kraft博士及其团队开发的移动群智感知架构解决了三个主要技术挑战：

• 可伸缩性和弹性：该架构是基于微服务架构的云原始设计，具有可伸缩性和弹性；
  

• 高效处理地理空间数据：该架构利用流处理技术高效地处理地理空间数据；
  

• 灵活性：模块化的云原生设计微服务架构具有更好的灵活性。

该架构可在大量负载的情况下高效地处理噪声地理空间数据，可为耳鸣症用户提供更精确的环境噪声地图。此外，该研究以后会更深入地探索另外两个方面：如何更加精准地捕获用户的需求体验；是否可以利用其他上下文 (Context) 进行设计。该架构的开发不仅可以帮助耳鸣症患者，还有可能帮助到其他受疾病困扰及关注健康的用户，为他们提供更优质的服务。

Sensors (ISSN 1424-8220) 于2001年创刊，2019年最新影响因子为3.275，在JCR 'Instruments & Instrumentation'学科分类中排名居Q1(15/64)；2019 Citescore 为5.0，在 Scopus 'Physics and Astronomy: Instrumentation' 学科分类中排名居Q1(17/129)。作为一个国际型开放获取期刊，Sensors主要出版传感器科学和技术研究领域的学术文章，采取单盲同行评审，一审周期约为15天，文章从接收到发表上线仅需2.6天。

识别二维码

阅读英文原文

原文出自Sensors期刊

Kraft, R.; Birk, F.; Reichert, M.; Deshpande, A.; Schlee, W.; Langguth, B.; Baumeister, H.; Probst, T.; Spiliopoulou, M.; Pryss, R.Efficient Processing of Geospatial mHealth Data Using a Scalable Crowdsensing Platform. Sensors 2020, 20, 3456.

往期回顾：

版权声明：

*翻译作者：Eloise Zhou

*本文内容由MDPI中国办公室编辑负责撰写，一切内容请以英文原版为准。如需转载，请邮件联系：

[e-mail]

点击左下方“阅读原文”，了解Sensors期刊更多内容。

喜欢今天的内容？不如点个“在看”吧！