Інфраструктура системи збору датасетів біосигналів у реальному часі
DOI:
https://doi.org/10.64915/RADAP.2026.103.78-84Ключові слова:
визначення функціонального стану, автоматизація збору даних, генерація наборів даних, Інтернет речей, реєстрація біосигналів, потокова обробка данихАнотація
Ефективність сучасних методів аналізу біосигналів значною мірою залежить від наявності структурованих наборів даних, що містять як первинні сигнали, так і пов'язані з ними метадані. Водночас більшість існуючих систем реєстрації біосигналів не забезпечують автоматизованого накопичення таких даних у централізованих базах даних, що ускладнює формування навчальних вибірок та подальше застосування алгоритмів машинного навчання.
У статті розглядається автоматизована система формування репрезентативних наборів біомедичних даних для підвищення ефективності завдань машинного навчання при аналізі фізіологічного стану людини. Розроблено інфраструктуру інформаційної системи для автоматизованого збору біосигналів і метаданих та формування наборів даних у режимі реального часу. Система має багаторівневу архітектуру, що включає сенсорний рівень реєстрації біосигналів, комунікаційний рівень передачі даних та серверний рівень для їх обробки та зберігання. Під час тестування системи реєстрацію сигналів виконано з застосуванням фотоплетизмографічного датчика, інтегрованого з бездротовим модулем на базі мікроконтролера з підтримкою Wi-Fi. Серверна частина реалізована у віртуалізованому середовищі з використанням програмного забезпечення з відкритим кодом, веб-сервера, системи керування базами даних та програмних модулів обробки сигналів.
Для візуалізації біосигналів та взаємодії з користувачами розроблено Web-API та веб-інтерфейс, які забезпечують доступ до вимірювань, управління метаданими та візуалізацію сигналів. Система реалізує конвеєр потокової обробки даних, що включає перевірку запитів, зберігання сигналів та розрахунок біомедичних параметрів для оцінки функціонального стану користувача.
Експериментальне дослідження продуктивності системи було проведено в режимі навантажувального тестування, яке імітує одночасну роботу значної кількості сенсорних пристроїв. Результати показали, що розроблена інфраструктура здатна обробляти понад сто одночасних підключень із середнім часом обробки запитів менше 100 мс. Отримані результати підтверджують можливість використання запропонованої системи для масштабованого збору біосигналів та формування наборів даних, придатних для подальшого застосування методів машинного навчання.
Посилання
1. Mohan, D.C., & R, Y.R. (2026). Cloud-Based IoT and AWS Architecture for Real-Time Cardiovascular Patient Monitoring. International Journal of Electronics and Communication Engineering. SSRG International Journal of Electronics and Communication Engineering, vol. 13, no. 2, pp. 281-290, https://doi.org/10.14445/23488549/IJECE-V13I2P121
2. K. Nguyen, H., & V. Pham, M. (2026). An edge AIoT system for non-invasive biological indicators estimation and continuous health monitoring using PPG and ECG signals. International Journal of Reconfigurable and Embedded Systems (IJRES). Vol. 15, No. 1, March 2026, pp. 97-108, DOI: 10.11591/ijres.v15.i1.pp97-108
3. Neri, L., Oberdier, M. T., van Abeelen, K. C. J., Menghini, L., Tumarkin, E., Tripathi, H., Jaipalli, S., Orro, A., Paolocci, N., Gallelli, I., Dall’Olio, M., Beker, A., Carrick, R. T., Borghi, C., & Halperin, H. R. (2023). Electrocardiogram Monitoring Wearable Devices and Artificial-Intelligence-Enabled Diagnostic Capabilities: A Review. Sensors, 23(10), 4805. https://doi.org/10.3390/s23104805
4. Jingye Xu and Yuntong Zhang and Wei Wang and Mimi Xie and Dakai Zhu (2025) A Comprehensive PPG-based Dataset for HR/HRV Studies. arXiv, https://arxiv.org/abs/2505.18165
5. Baigutanova, A., Park, S., Constantinides, M. et al. (2025). A continuous real-world dataset comprising wearable-based heart rate variability alongside sleep diaries. Sci Data 12, 1474 https://doi.org/10.1038/s41597-025-05801-3
6. Tasmurzayev, N., Amangeldy, B., Imankulov, T., Imanbek, B., Postolache, O. A., & Konysbekova, A. (2025). A Wearable IoT-Based Measurement System for Real-Time Cardiovascular Risk Prediction Using Heart Rate Variability. Eng, 6(10), 259. https://doi.org/10.3390/eng6100259
7. Kim, K. B. & Baek, H. J. (2023). Photoplethysmography in wearable devices: a comprehensive review of technological advances, current challenges, and future directions. Electronics 12, 2923, https://doi.org/10.3390/electronics12132923
8. Baigutanova, A., Park, S., Lee, S. W. & Cha, M. (2023). End-to-end system based on wearable devices for measuring HRV and its potential as an insomnia indicator. J. Korea Inst. Inf. Sci. Pract. 29, 403-409
9. S. M. R. Islam, D. Kwak, M. H. Kabir, M. Hossain and K. -S. Kwak, (2015) "The Internet of Things for Health Care: A Comprehensive Survey," in IEEE Access, vol. 3, pp. 678-708, doi: 10.1109/ACCESS.2015.2437951.
10. Li, Z., Xiao, H., Xia, Z., Zhou, F., Huang, X., & Liu, T. (2025). Three-Branch Network for Multi-Scale Spatiotemporal Feature Fusion in Remote Physiological Measurement. IEEE Transactions on Consumer Electronics, 71, 10270-10282.
11. Ali, I. (2021). Data Collection in Studies on Internet of Things (IoT), Wireless Sensor Networks (WSNs), and Sensor Cloud (SC): Similarities and Differences. IEEE Access, 10, 33909-33931. DOI: 10.1109/ACCESS.2022.3161929
12. Hercog, D., Lerher, T., Truntič, M., & Težak, O. (2023). Design and Implementation of ESP32-Based IoT Devices. Sensors, 23(15), 6739. https://doi.org/10.3390/s23156739
13. A. Tazarv, S. Labbaf, A. Rahmani, N. Dutt and M. Levorato, (2023) "Active Reinforcement Learning for Personalized Stress Monitoring in Everyday Settings," in 2023 IEEE/ACM Conference on Connected Health: Applications, Systems and Engineering Technologies (CHASE), Orlando, FL, USA, pp. 44-55, doi: 10.1145/3580252.3586979.
14. Aqajari, S.A., Wang, Z., Tazarv, A., Labbaf, S., Jafarlou, S., Nguyen, B., Dutt, N.D., Levorato, M., & Rahmani, A.M. (2024). Enhancing Performance and User Engagement in Everyday Stress Monitoring: A Context-Aware Active Reinforcement Learning Approach. ArXiv, abs/2407.08215.
15. Yali Zheng and Chen Wu and Peizheng Cai and Zhiqiang Zhong and Hongda Huang and Yuqi Jiang (2023) Tiny-PPG: A Lightweight Deep Neural Network for Real-Time Detection of Motion Artifacts in Photoplethysmogram Signals on Edge Devices, arXiv, eprint 2305.03308, https://arxiv.org/abs/2305.03308
16. Moraes, J. L., Rocha, M. X., Vasconcelos, G. G., Vasconcelos Filho, J. E., De Albuquerque, V. H. C., & Alexandria, A. R. (2018). Advances in Photopletysmography Signal Analysis for Biomedical Applications. Sensors, 18(6), 1894. https://doi.org/10.3390/s18061894.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 В. С. Мосійчук, О. Б. Шарпан, В. І. Ялосоветський
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
