Skip to content
بازگشت به نتایج جست‌وجو

گردآوری داده‌های حسگر — گردآوری داده‌های مبتنی بر حسگر

معرفی‌شده توسط
Multidisciplinary; sensor networks formalized in engineering and computer science from the 1990s onward
سال
1990s–2000s (widespread deployment with IoT ~2000s)
نوع
Quantitative / mixed data collection technique
خانواده
Data collection

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

گردآوری داده‌های حسگر از ابزارهای فیزیکی یا دیجیتال برای ثبت خودکار اندازه‌گیری‌های کمی از محیط، بدن انسان یا ماشین‌ها در طول زمان استفاده می‌کند. حسگرهای رایج دما، حرکت، ضربان قلب، موقعیت مکانی، نور، صدا یا خواص شیمیایی را اندازه‌گیری می‌کنند. از آنجا که ثبت خودکار و پیوسته است، این روش می‌تواند مجموعه‌داده‌های با فرکانس بالا را با حداقل بار بر محقق تولید کند، که آن را برای اینترنت اشیا (IoT)، پایش محیطی، تحقیقات پوشیدنی و مطالعات رفتاری محوری می‌سازد.

شهود پشت روش

تصور کنید یک شتاب‌سنج کوچک را به مچ دست یک کارگر وصل می‌کنید: هر کسری از ثانیه، بی‌صدا داده‌های حرکت را ثبت می‌کند بدون اینکه از کارگر بخواهد متوقف شود و فرمی را پر کند. این جذابیت اصلی گردآوری داده‌های حسگر است — آنچه را که واقعاً در جهان اتفاق می‌افتد ثبت می‌کند، نه آنچه را که شرکت‌کنندگان به خاطر می‌آورند یا گزارش می‌دهند. محقق، جایگذاری حسگر و قوانین نمونه‌برداری را از قبل طراحی می‌کند و ابزارها مشاهده را انجام می‌دهند. داده‌های سری زمانی حاصل می‌تواند متراکم، عینی و عاری از سوگیری یادآوری باشد، اما قبل از اینکه از نظر تحلیلی مفید شود، نیاز به کالیبراسیون و پیش‌پردازش دقیق دارد.

تاریخ

استفاده سیستماتیک از ابزارها برای اندازه‌گیری علمی به اوایل علم مدرن بازمی‌گردد، اما گردآوری داده‌های حسگر شبکه‌ای به عنوان یک پارادایم تحقیقاتی متمایز در دهه ۱۹۹۰ با توسعه شبکه‌های حسگر بی‌سیم در علوم کامپیوتر و مهندسی پدیدار شد. مقاله IEEE Proceedings سال ۲۰۰۳ چانگ و کومار به طور گسترده به عنوان یک بررسی بنیادی در این زمینه مورد استناد قرار می‌گیرد. گسترش حسگرهای MEMS مینیاتوری، تلفن‌های هوشمند و پلتفرم‌های اینترنت اشیا از اواسط دهه ۲۰۰۰ به بعد، گردآوری داده‌های مبتنی بر حسگر را برای دانشمندان اجتماعی، بهداشتی و رفتاری قابل دسترس ساخت. ردیاب‌های تناسب اندام پوشیدنی و سیستم‌های ارزیابی لحظه‌ای اکولوژیکی استفاده از آن را در روانشناسی و بهداشت عمومی رسمی کردند.

چه زمانی استفاده شود

هنگامی که سؤال تحقیق نیاز به اندازه‌گیری عینی، پیوسته یا با فرکانس بالا از پدیده‌های فیزیکی یا فیزیولوژیکی دارد که نمی‌توان به طور قابل اعتماد از طریق خودگزارش‌دهی ثبت کرد — به عنوان مثال، پایش فعالیت بدنی، مواجهه محیطی، کیفیت خواب یا عملکرد ماشین — از گردآوری داده‌های حسگر استفاده کنید. این روش به ویژه در طرح‌های طولی که نظرسنجی‌های روزانه یا هفتگی بار غیرقابل قبولی را بر شرکت‌کنندگان تحمیل می‌کند، ارزشمند است. از آن استفاده نکنید زمانی که پدیده مورد علاقه ذاتاً ذهنی است (نگرش‌ها، معانی، باورها) یا زمانی که هزینه و پیچیدگی فنی استقرار حسگر بیشتر از ارزش داده‌ها است؛ در این موارد، نظرسنجی‌ها، مصاحبه‌ها یا ارزیابی لحظه‌ای اکولوژیکی با آیتم‌های خودگزارش‌دهی ممکن است مناسب‌تر باشند.

محدودیت‌ها و ملاحظات

  • حسگرها به طور مستقیم پدیده‌ها را اندازه‌گیری نمی‌کنند، بلکه واسطه‌هایی را اندازه‌گیری می‌کنند؛ استنتاج رفتار یا حالت از سیگنال‌های خام نیازمند الگوریتم‌های معتبر است.
  • هزینه تجهیزات، تلاش کالیبراسیون و تخصص فنی موانع راه‌اندازی بالایی را در مقایسه با روش‌های پرسشنامه‌ای ایجاد می‌کند.
  • حجم داده‌ها می‌تواند بسیار زیاد باشد و نیازمند ذخیره‌سازی قابل توجه، زیرساخت پردازش و مهارت تحلیلی است.
  • خطرات حریم خصوصی و اخلاقی هنگام گردآوری داده‌های پیوسته موقعیت مکانی، بیومتریک یا رفتاری از شرکت‌کنندگان انسانی افزایش می‌یابد.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • اندازه‌گیری عینی و خودکار را فراهم می‌کند که سوگیری یادآوری و اثرات مطلوبیت اجتماعی را از بین می‌برد.
  • امکان وضوح زمانی بالا را فراهم می‌کند — ثبت داده‌های پیوسته یا تقریباً پیوسته که نظرسنجی‌ها نمی‌توانند به آن دست یابند.
  • مقیاس‌پذیری خوبی دارد: یک استقرار واحد می‌تواند ده‌ها یا صدها شرکت‌کننده یا مکان را به طور همزمان پایش کند.
  • از طرح‌های طولی و واقعی (اکولوژیکی) با حداقل بار مداوم بر شرکت‌کنندگان یا محققان پشتیبانی می‌کند.
  • مجموعه‌داده‌های قابل بازتولید و قابل بایگانی تولید می‌کند که می‌توانند برای سؤالات تحقیقاتی ثانویه مجدداً تحلیل شوند.

کاربردها

  • پایش فعالیت بدنی و رفتار کم‌تحرک در بهداشت عمومی و علوم ورزشی با استفاده از شتاب‌سنج‌های مچی.
  • پایش پیوسته محیطی کیفیت هوا، دما یا سطوح نویز در مطالعات شهری و بهداشت شغلی.
  • تحقیقات خواب با استفاده از اکتیگرافی مچی برای ثبت عینی چرخه‌های خواب و بیداری در طول چندین شب.
  • اینترنت اشیای صنعتی (Industrial IoT): ثبت ارتعاش ماشین، دما و پارامترهای عملیاتی برای پیش‌بینی نیازهای نگهداری.
  • بوم‌شناسی رفتاری و تحقیقات حیات وحش با استفاده از قلاده‌های GPS و بیولوگرها برای ردیابی حرکت و فیزیولوژی حیوانات.
  • تحقیقات رفتار رانندگی با استفاده از حسگرهای تشخیص عیب داخلی (OBD) برای ثبت سرعت، ترمزگیری و شتاب در مطالعات طبیعی.

چگونه کار می‌کند

چگونه کار می‌کند

1

محقق مشخص می‌کند که چه پدیده‌ای را اندازه‌گیری کند، نوع(های) حسگر مناسب را انتخاب می‌کند، نرخ و مدت نمونه‌برداری را تعیین می‌کند و واحد تحلیل (فرد، مکان، دستگاه) را تعریف می‌کند. ملاحظات اخلاقی و حریم خصوصی مورد توجه قرار می‌گیرد — این امر به ویژه هنگام گردآوری داده‌های بیومتریک یا موقعیت مکانی از شرکت‌کنندگان انسانی مهم است.

2

حسگرها به صورت فیزیکی نصب یا متصل می‌شوند (روی بدن، در فضاها، روی ماشین‌ها) و پیکربندی می‌شوند. کالیبراسیون برای اطمینان از دقیق و سازگار بودن اندازه‌گیری‌ها در دستگاه‌های مختلف انجام می‌شود. یک اجرای آزمایشی تأیید می‌کند که داده‌ها به درستی ثبت می‌شوند و عمر باتری، اتصال و ظرفیت ذخیره‌سازی برای مدت مطالعه کافی است.

3

حسگرها به طور خودکار قرائت‌ها را در بازه زمانی مشخص یا در پاسخ به رویدادها (مانند تشخیص حرکت، تجاوز از آستانه) ثبت می‌کنند. داده‌ها ممکن است به صورت محلی روی دستگاه ذخیره شوند، به صورت بلادرنگ به سرور ارسال شوند یا به صورت دسته‌ای منتقل شوند. پایش در طول دوره گردآوری، خرابی‌های حسگر، قطع اتصال یا شکاف‌های غیرمنتظره را شناسایی می‌کند.

4

جریان‌های خام حسگر برای حذف نویز، داده‌های پرت و مصنوعات ناشی از نقص حسگر، حرکت بدن یا تداخل محیطی پاکسازی می‌شوند. پنجره‌های داده‌های گمشده شناسایی و مدیریت می‌شوند (جایگزینی یا حذف). واحدها استانداردسازی می‌شوند و برچسب‌های زمانی در کانال‌های حسگر متعدد هم‌تراز می‌شوند.

5

داده‌های پاکسازی شده در یک قالب ساختاریافته (پایگاه داده سری زمانی، فایل‌های تخت یا ذخیره‌سازی ستونی) با فراداده‌هایی که مدل حسگر، نسخه سفت‌افزار، جایگذاری و پارامترهای کالیبراسیون را مستند می‌کنند، ذخیره می‌شوند. سوابق منشأ داده امکان بازتولید را فراهم کرده و از تحلیل ثانویه یا بایگانی بعدی پشتیبانی می‌کنند.

دام‌های رایج

  • نادیده گرفتن کالیبراسیون — حسگرهای کالیبره نشده خطای سیستماتیک را معرفی می‌کنند که در تحلیل قابل اصلاح نیست؛ همیشه قبل و بعد از استقرار با یک مرجع شناخته شده مقایسه کنید.
  • نادیده گرفتن الگوهای از دست رفتن داده‌ها — از دست رفتن داده‌ها به دلیل خرابی باتری یا مشکلات اتصال به ندرت تصادفی است؛ برخورد با پنجره‌های گمشده به گونه‌ای که گویی به طور تصادفی از دست رفته‌اند، می‌تواند نتایج را سوگیرانه کند.
  • اشتباه گرفتن سیگنال حسگر با سازه — شمارش‌های خام شتاب‌سنج فعالیت بدنی نیستند؛ اطمینان حاصل کنید که الگوریتم یا آستانه مورد استفاده برای استنتاج سازه هدف برای جمعیت و زمینه شما معتبر است.
  • دست کم گرفتن زمان پیش‌پردازش — پاکسازی و مهندسی ویژگی‌ها معمولاً زمان پروژه بیشتری را نسبت به تحلیل مصرف می‌کند؛ به طور صریح برای آن بودجه در نظر بگیرید.
  • رویه های رضایت ناکافی — پایش پیوسته غیرفعال نیازمند افشای واضح برای شرکت‌کنندگان و یک مکانیسم آسان برای انصراف است؛ عدم ارائه این موارد، مواجهه اخلاقی و قانونی ایجاد می‌کند.

پرسش‌های متداول

گردآوری داده‌های حسگر چه تفاوتی با ارزیابی لحظه‌ای اکولوژیکی (EMA) دارد؟

EMA از شرکت‌کنندگان می‌خواهد که در لحظات تصادفی یا برنامه‌ریزی شده در زندگی روزمره خودگزارش ارائه دهند؛ این روش تجربه ذهنی را ثبت می‌کند. گردآوری داده‌های حسگر سیگنال‌های فیزیکی یا فیزیولوژیکی عینی را به طور خودکار و بدون نیاز به ورودی شرکت‌کننده ثبت می‌کند. بسیاری از مطالعات هر دو را ترکیب می‌کنند: حسگرها داده‌های رفتاری عینی را فراهم می‌کنند در حالی که EMA زمینه ذهنی همزمان را ارائه می‌دهد.

چه نرخ نمونه‌برداری را باید انتخاب کنم؟

نرخ نمونه‌برداری باید حداقل دو برابر بالاترین فرکانس سیگنالی باشد که می‌خواهید ثبت کنید (قضیه نایکوئیست). برای پدیده‌های کند مانند دمای اتاق، یک بازه یک دقیقه‌ای ممکن است کافی باشد. برای تحلیل گام برداشتن یا تغییرپذیری ضربان قلب، نرخ‌های ۵۰ تا ۱۰۰ هرتز یا بالاتر مورد نیاز است. نرخ‌های بالاتر فایل‌های بزرگ‌تری تولید می‌کنند و باتری‌ها را سریع‌تر تخلیه می‌کنند، بنابراین حداقل نرخی را انتخاب کنید که سیگنال مربوطه را حفظ کند.

چگونه با داده‌های شرکت‌کنندگانی که حسگر را زودتر از موعد خارج کرده‌اند، برخورد کنم؟

دوره‌های عدم استفاده را با استفاده از الگوریتم‌های معتبر تشخیص استفاده (مانند دوره‌های واریانس صفر در شتاب‌سنجی) شناسایی کنید. آن پنجره‌ها را از تحلیل‌ها حذف کرده و نسبت زمان استفاده معتبر را گزارش دهید. اگر عدم استفاده در گروه‌ها متفاوت باشد یا با نتیجه همبستگی داشته باشد، سوگیری بالقوه را به طور صریح در روش‌ها و محدودیت‌های خود بیان کنید.

آیا رضایت شرکت‌کننده حتی برای حسگرهای محیطی که افراد را هدف قرار نمی‌دهند، لازم است؟

بستگی به این دارد که آیا حسگر می‌تواند اطلاعات شناسایی شخصی را ثبت کند یا خیر. یک حسگر دما در یک منطقه مشترک ساختمان معمولاً فقط به تأیید سازمانی نیاز دارد. یک دوربین، میکروفون یا فرستنده موقعیت مکانی که می‌تواند افراد را شناسایی کند، نیازمند رضایت آگاهانه از کسانی است که ممکن است ثبت شوند. قبل از استقرار، با هیئت اخلاق مؤسسه خود و مقررات حفاظت از داده‌های قابل اجرا مشورت کنید.

آیا می‌توان از داده‌های حسگر در تحقیقات کیفی استفاده کرد؟

داده‌های حسگر ذاتاً کمی هستند، اما گاهی اوقات به عنوان محرک در پیگیری کیفی استفاده می‌شوند: شرکت‌کنندگان ردیابی داده‌های خود را بررسی می‌کنند (تکنیکی به نام مصاحبه با کمک داده یا تحریک تصویری با داده‌های شخصی) تا تأمل را برانگیزند. این رویکرد ترکیبی می‌تواند عینیت اندازه‌گیری حسگر را با عمق تفسیری تحقیق کیفی ترکیب کند.

روش‌های مرتبط

منابع

  1. Chong, C.-Y., & Kumar, S. P. (2003). Sensor networks: Evolution, opportunities, and challenges. Proceedings of the IEEE, 91(8), 1247–1256.

    باز کردن مرجع DOI
    کپی شد.
  2. Sensor. Wikipedia.

    باز کردن مرجع انتشار
    کپی شد.