Revision: Prediction of Harvestable Energy for Self-Powered Wearable Healthcare Devices: Filling a Gap

Problema baterías 

 enfoques de predicción de energía propuestos originalmente para los nodos EH-WSN y criticamos su aplicación en dispositivos sanitarios wearables

secciones

n la Sección III, comparamos las fuentes de captación de energía y las tecnologías utilizadas en dispositivos portátiles de salud autoalimentados. En la Sección IV, analizamos y comparamos críticamente los diferentes métodos para predecir la cantidad de energía aprovechable en dispositivos portátiles autoalimentados. Además, en la Sección V, ofrecemos recomendaciones y futuras orientaciones. Finalmente, en la Sección VI, el artículo concluye con las conclusiones.

stado del arte

, las comunicaciones Wi-Fi son la fuente más común para la captación de energía de RF debido a su amplia disponibilidad y su mayor proximidad al dispositivo portátil del usuario en comparación con otras fuentes ambientales [39]. Un ejemplo de un dispositivo tan flexible fue demostrado por Zhang et al., donde se utilizaron rectenas para convertir la energía de RF del Wi-Fi en electricidad [40

 

teoria

predecibles, como la energía solar y la radiofrecuencia, 

 energía impredecible del cuerpo humano. 

enfoques de predicción en el contexto de los nodos de redes de sensores inalámbricos de recolección de energía (EH-WSN). 

 factores adicionales para asegurar una mayor penetración en el mercado de wearables verdaderamente autónomos para aplicaciones sanitarias, como su bajo coste, bajo consumo, tamaño compacto, alto rendimiento y ligereza. 

Tipos de EH: energía lumínica, térmica, mecánica, electromagnética, eólica, acústica y bioquímica en electricidad

materiales para Energia Solar

 

Modelos de prediccion modelos estadísticos, estocásticos y de aprendizaje automátic 

rincipales enfoques de predicción de la captación de energía

Modelos estadísticos:

• Exponential Weighted Moving Average (EWMA)

• Pro-Energy

• Pro-Energy-VLT (con ranuras de tiempo de longitud variable)

• WCMA

• WCMA-PDR (incluye un regulador de desplazamiento de fase)

Modelos estocásticos:

• Modelos de cadena de Markov de primer orden

• ASIM (Modelo de Disponibilidad de Energía Solar para Redes de Sensores Inalámbricos)

Modelos basados en aprendizaje automático (ML):

• Redes neuronales (NN)

• Redes neuronales profundas

• Máquinas de soporte vectorial (SVM)

• Regresión

• Modelos híbridos de ML

Comparación de modelos de predicción de energía (IPro-Energy, Pro-Energy, WCMA y ASIM):

• Precisión de predicción: El modelo IPro-Energy mostró el menor error de predicción (con un error absoluto porcentual medio - MAPE), siendo 51%, 60% y 78% menos que los modelos Pro-Energy, WCMA y ASIM, respectivamente, en el horizonte de corto plazo. En el horizonte medio, mostró un 50% menos error de predicción comparado con Pro-Energy.

• Tiempo de ejecución: ASIM mostró el menor tiempo de ejecución, seguido por WCMA, IPro-Energy y Pro-Energy, en ese orden.

• Eficiencia de memoria: IPro-Energy fue más eficiente en cuanto al uso de memoria, ya que solo combinó los dos días más similares para calcular las predicciones .

Modelos basados en redes neuronales (NN):

• Se compararon diferentes tipos de redes neuronales para la predicción de la radiación solar. La red neuronal de avance (feedforward) y la red neuronal de promediado de modelos (model averaging NN) ofrecieron mejor desempeño en comparación con las redes neuronales de retropropagación (back propagation) y las redes neuronales profundas (deep learning networks) en la predicción de la radiación solar 【9†source】​Prediction_of_Harvestab…a predicciones a largo plazo, los modelos híbridos que combinan redes neuronales y técnicas estadísticas (como la lógica difusa y redes neuronales) mostraron un 10% de mejora en el error de predicción en comparación con los modelos individuales .

Modelos de predicción basados en métodos estadísticos:

• Los métodos estadísticos son mejores para predicciones a corto plazo, mientras que las predicciones a largo plazo requieren la combinación de técnicas lineales y no lineales de aprendizaje automático (machine learning) .

Modelos híbridos:

• Se destacaron modelos híbridos que combinan lógica difusa y redes neuronales (NN) para mejorar la precisión de las predicciones de radiación solar en condiciones meteorológicas variadas. Estos modelos híbridos resultaron ser más precisos que las técnicas individuales