The evolution of wireless technologies has enabled the creation of networks for several purposes as health care monitoring. The Wireless Body Area Networks (WBANs) enable continuous and real-time monitoring of physiological signals, but that monitoring leads to an excessive data transmission usage, and drastically affects the power consumption of the devices. Although there are approaches for reducing energy consumption, many of them do not consider information redundancy to reduce the power consumption. This paper proposes a hybrid approach of local data compression, called GROWN, to decrease information redundancy during data transmission and reduce the energy consumption. Our approach combines local data compression methods found in WSN. We have evaluated GROWN by experimentation, and the results show a decrease in energy consumption of the devices and an increase in network lifetime.

A evolução das tecnologias sem fio tem permitido a criação de diversos tipos de redes para suportar os serviços do dia-a-dia das pessoas. Entre as redes voltadas ao monitoramento dos cuidados com a saúde, destacam-se as redes corporais sem fio (WBANs), que possibilitam um monitoramento contínuo e em tempo real dos dados fisiológicos. Contudo, este monitoramento acarreta uma excessiva transmissão de dados e eleva o consumo de energia dos dispositivos. Embora algumas abordagens reduzam o consumo de energia, poucas desconsideram a transmissão de informações redundantes. Este trabalho apresenta o mecanismo GROWN para gerenciar a redundância da informação através de compressão de dados fisiológicos em dispositivos vestíveis, reduzindo a transmissão de dados e o consumo de energia do dispositivo em WBANs de tempo real. O GROWN combina métodos de compressão de dados local com e sem perdas a partir de limiares definidos. Avaliação por experimentações do GROWN demonstrou uma diminuição do consumo de energia dos dispositivos em até 55,73%, o aumento do tempo de vida da rede e latência máxima de 55ms, comprovando sua eficiência e aplicação em WBANs de tempo real.

Dentre as redes computacionais voltadas ao cuidado com a saúde, destacam-se as redes corporais sem fio (WBANs), que possibilitam o monitoramento contínuo e em tempo real dos sinais fisiológicos. No entanto, esse monitoramento resulta em uso excessivo de transmissão de dados, afetando o consumo de energia dos dispositivos. Este artigo de dissertação apresenta GROWN1, uma abordagem híbrida de compressão de dados local para reduzir a redundância de informações na transmissão de dados e redução do consumo de energia dos dispositivos, através de métodos de compressão de dados locais de WSN. O GROWN foi avaliado por experimentação e os resultados mostram diminuição do consumo de energia dos dispositivos e um aumento na vida útil da rede.

No abstract

Dentre as redes computacionais voltadas ao cuidado com a saúde, destacam-se as redes corporais sem fio (WBANs), que possibilitam o monitoramento contínuo e em tempo real dos sinais fisiológicos. No entanto, esse monitoramento resulta em uso excessivo de transmissão de dados, afetando drasticamente o consumo de energia dos dispositivos. Esta pesquisa de dissertação investigou essas questões e propôs o sistema GROWN, uma abordagem híbrida de compressão de dados local para reduzir a redundância de informações na transmissão de dados e redução do consumo de energia dos dispositivos, através de métodos de compressão de dados locais de WSN. O GROWN foi avaliado por meio de experimentação e obteve uma diminuição do consumo de energia dos dispositivos na transmissão dos sinais e um aumento na vida útil da rede.