INOM
EXAMENSARBETE TEKNIK, GRUNDNIVÅ, 15 HP
STOCKHOLM SVERIGE 2021,
Lokalisering av sensorer med
LoRaWAN på Kalmar Länssjukhus
NATHALIE WETTERSKOG
JEANETTE MARIE VICTORIA SKEPPLAND HOLE
KTH
Detta examensarbete har utförts på Kalmar länssjukhus i samarbete med Medsen och Sensy
Handledare på Medsen och Sensy: Ola Schwarz Handledare på Kalmar Länssjukhus: Gunnar Nordberg
Lokalisering av sensorer med LoRaWAN på Kalmar Länssjukhus
Localization of Sensors with LoRaWAN at Kalmar Länssjukhus
N A T H A L I E W E T T E R S K O G
J E A N E T T E M A R I E V I C T O R I A S K E P P L A N D H O L E
Examensarbete inom medicinsk teknik Grundnivå, 15 hp
Handledare på KTH: Tobias Nyberg, Mattias Mårtensson Examinator: Mats Nilsson
Kungliga Tekniska Högskolan Skolan för kemi, bioteknologi och hälsa
SE-141 86 Flemingsberg, Sweden http://www.kth.se/cbh
2021
ii
Sammanfattning
På Kalmar Länssjukhus har det varit problematiskt att lokalisera rullstolar på sjukhusets område.
För att underlätta den dagliga verksamheten kring dessa rullstolar har sensorer uppkopplade till LoRaWAN varit en möjlig lösning. Detta projekt har därför undersökt om LoRaWAN
tillsammans med ett positioneringssystem uppfyller kriterierna för att vara en lämplig lösning.
De parametrar som undersökts var noggrannheten för geografisk positionsbestämning av en sensor, signalstyrkan och väntetiden för signalöverföringen. För att mäta de önskade
parametrarna användes sensorer kopplade till spårningssystemet Traxmate. Sensorns geografiska position beräknades i Traxmate genom trilateration där MAC – adresser hos närliggande Wi – Fi accesspunkter utnyttjades. Spårningssystemet kunde därmed hämta rådata från sensorerna som därefter sammanställdes i MATLAB. Resultatet visade att LoRaWAN i sig kan vara lämpligt i en sjukhusmiljö. Däremot finns det brister i positioneringssystemet som bör vidareutvecklas för att kunna rekommenderas till ett sjukhus.
Nyckelord: LoRa, LoRaWAN, Region Kalmar Länssjukhus, Helium, Positioneringssystem
iv
Abstract
Kalmar Länssjukhus has been experiencing difficulties with localization of wheelchairs in the hospital area. In order to facilitate the work of the staff who are searching for the wheelchairs, sensors connected to the LoRaWAN wireless network can be used. Thus, this project has evaluated LoRaWAN together with a positioning system to determine whether the solution is suitable for a hospital environment.
The evaluated parameters where the accuracy of geographical position determination of a sensor, the received signal strength indicator, and the delayed time for the transmission of a signal. Sensors connected to the Traxmate tracking system were used to measure the desired parameters. The sensor’s geographical position was calculated in Traxmate by trilateration where MAC – addresses of nearby Wi – Fi access points were used. The tracking system was thus able to retrieve raw data from the sensors which were then compiled in MATLAB. The results showed that the wireless network structure LoRaWAN satisfied the criteria for usage in a hospital environment. However, the positioning system showed some flaws and thus it should be further investigated in order to be recommended for usage in a hospital environment.
Keywords: LoRa, LoRaWAN, Region Kalmar Länssjukhus, Helium, Positioning system
Innehållsförteckning
1 Introduktion ... 1
1.1 Mål ... 1
1.2 Avgränsningar ... 1
2 Bakgrund ... 3
2.1 Positionsbestämning – Trilateration ... 3
2.2 Positioneringssystemet – Traxmate ... 4
2.3 Helium nätverk ... 4
2.4 LoRa ... 5
2.5 LoRaWAN ... 5
2.6 Sensorn Nali N100 ... 6
3 Metod ... 7
4 Resultat ... 9
4.1 Uppmätta positioner ... 9
4.2 Signalstyrka RSSI ... 10
... 10
4.3 Medelvärde för systemets noggrannhet och väntetid ... 11
5 Diskussion ... 13
5.1 Mätpunkter inom accepterat område ... 13
5.2 Noggrannhet för positioneringssystemet ... 14
5.3 Signalstyrka ... 14
5.4 Väntetid av signal ... 15
5.5 Framtida utvecklingar och appliceringar ... 15
6 Slutsats ... 17
7 Referenser ... 19
vi
Förkortningar
API = Application Programming Interface IoT = Internet of Things
GPS = Global Positioning System
MAC – address = Media Access Control address LoRa = Long Range
LoRaWAN = Long Range Wide Area Network LPWAN = Low Power Wide Area Network RSSI = Received Signal Strength Indication SF = Spreading Factor
Wi – Fi = Wireless Fidelity
viii
1
Introduktion
Enligt B. Liljekvist, tidigare avdelningschef på medicintekniska avdelningen vid Kalmar Länssjukhus, försvinner rullstolar till ett uppskattat värde av SEK 200,000 från sjukhuset i Kalmar varje år. Tillsammans med sjukhusets ledning misstänker han att rullstolarna
exempelvis försvinner utanför sjukhusområdet eller att de ställs i avlägsna korridorer. Det är tidskrävande för sjukhusets personal tillsammans med serviceförvaltningen att leta efter bortkomna rullstolar på sjukhusets område och de är i behov av ett system för att hålla ordning på var rullstolarna befinner sig. B. Liljekvist säger vidare att systemet skulle
reducera kostnader av hantering och tillsyn av rullstolar orsakade av brist på information om dess placering på Kalmar Länssjukhus. Ett krav från sjukhusets ledning är att systemet inte får vara mer kostsamt än själva utrustningen, dessutom behöver sjukhuset ett system som fungerar både inomhus och utomhus för att täcka hela sjukhusområdet.
Företagen Medsen och Sensy har på uppdrag av sjukhusets ledning tagit fram en lösning för lokalisering och spårning av rullstolarna på Kalmar Länssjukhus. Deras lösning är att med hjälp av redan befintliga Long Range Wide Area Network (LoRaWAN) uppkopplade sensorer på rullstolarna, göra det möjligt att kartlägga rullstolarnas positionering i sjukhusområdet. Denna information kommer sedan att visualiseras i ett digitalt
positioneringssystem. En lösning med LoRaWAN gör det möjligt att spåra enheter inom ett stort område. Dessutom har tekniken den fördelen att den fungerar på enheter anslutna både inomhus såväl som utomhus. Medsen och Sensy är därav i behov av att undersöka systemets funktionalitet i sjukhusmiljön på Kalmar Länssjukhus för att sedan låta sjukhusets ledning avgöra om deras lösning kan underlätta rullstolsverksamheten. Vidare har sjukhusledningen en önskan om att systemets noggrannhet för positionering inte skulle vara sämre än 7 meter.
Därför kommer ett accepterat område vid mätningar att definieras som ett område med 7 meters radie från sensorns verkliga position. Enligt B. Liljekvist är det då tillräckligt att kunna urskilja rullstolar som befinner sig i närliggande rum som är minst 7 meter långt på sjukhuset. Slutligen är det av intresse att mäta eventuell variation i väntetiden. Väntetiden definieras som differensen mellan den tidpunkten då sensorn signalerade att den befann sig i en punkt till systemet och tidpunkten då systemet detekterade positionen.
1.1 Mål
Målet med projektet var att utvärdera om positioneringssystemet med tillhörande sensor uppfyller en acceptabel prestanda för att vara en lösning som underlättar
rullstolsverksamheten på Länssjukhuset. Prestandan innefattar följande parametrar, vilka är listade som delmål nedan.
• Att beräkna andelen mätpunkter inom ett accepterat område
• Att beräkna noggrannheten för positioneringssystemet
• Att mäta hur signalstyrkan varierar i varje mätpunkt
• Att beräkna eventuell väntetid för att skicka ut data i systemet
1.2 Avgränsningar
Testsensorerna som användes var inte kopplade till fysiska rullstolar under projektet. En annan avgränsning var att mätningarna utfördes i ett avgränsat testområde inne på Kalmar Länssjukhus.
2
2
Bakgrund
Följande kapitel beskriver dels de individuella teknikernas funktion, dels hur dessa hänger samman. Inledningsvis beskrivs positionsbestämningen därefter redogörs för de olika delar som ingår i dataöverföringen. Vidare är kapitlet upplagt i en ”top – bottom” struktur där dataöverföringen inleds med hur data från sensorerna presenteras för användaren och fortsätter sedan med hur denna data överförs från sensorerna.
Figur 1: Figuren visar dataöverföringen från MAC – adresserna till positioneringssystemet.
Figur 1 visar de enkla sensorer som används i detta projekt och som skannar närliggande Wi- Fi accesspunkter för att sedan hämta information i Media Access Control Adresser (MAC- adresser) [1]. Sensorerna skickar vidare denna information som rådata via LoRa genom en Gateway. Därefter skickas informationen via Wi – Fi till en nätverksserver. Traxmate hämtar slutligen denna rådata från nätverksservern och visualiserar slutligen resultaten för
användaren i en kartbild [2].
2.1 Positionsbestämning – Trilateration
Majoriteten av geolokaliseringstjänster använder sig utav interna Global Positioning System (GPS) – enheter vid lokalisering av slutenheter utomhus eller genom så kallade MAC – adresser som finns hos exempelvis Wi – Fi accesspunkter [1]. Det sistnämnda är mer lämpad för att bestämma geografisk placering av en kompatibel slutenhet, exempelvis en sensor, inomhus där GPS signaler är för svaga för att ge en exakt position [1]. En MAC – adress är en unik identifikator som tilldelas varje aktiv nätverksutrustningsenhet och denna adress innehåller information om bland annat tillhörande geografiska koordinater [3]. I detta projekt fås ett Recieved Signal Strength Indicaton (RSSI) värde genom att slutenheten skickar en notis till närliggande Wi – Fi accesspunkter, vilka i sin tur svarar med en signalstyrka. RSSI värdet är därmed ett mått på signalstyrkan mellan Wi – Fi accesspunkten och sensorn. Dessa parametrar utnyttjas sedan för att bestämma slutenhetens placering [3].
Slutenhetens placering görs med hjälp av en metod som kallas trilateration. Metoden går ut på att dels använda signalstyrkan för att beräkna ett avstånd mellan minst tre närliggande Wi – Fi accesspunkter dels använda accesspunktens koordinater för att spänna upp sfäriska ytor [3]. Centrumet för de sfäriska ytorna ges av koordinaterna ur varje närliggande Wi – Fi accesspunkt och radien fås genom det tillhörande RSSI värdet. Skärningspunkten som
4
uppkommer mellan dessa sfäriska ytor antas vara slutenhetens position. Vidare kommer noggrannheten för positionsbestämningen bero på antalet Wi – Fi accesspunkter i närheten av den sökta slutenheten [3].
2.2 Positioneringssystemet – Traxmate
Positioneringssystemet som används i detta projekt är Traxmate, vilket är en Internet of Things (IoT) spårningsprogramvara framtaget av företaget Combain [1]. IoT syftar på det nätverk av identifierbara enheter vilka är utrustade med exempelvis programvara, elektronik, sensorer och ställdon som gör det möjligt för enheterna att ansluta till varandra och utbyta data [4]. En viktig egenskap för att kunna klassas som en IoT enhet är att den måste kunna kopplas till internet [1]. Systemet Traxmate gör det möjligt att genom en godtycklig nätverksserver enligt figur 1 hämta information från redan anslutna slutenheter om positionering utomhus så väl som inomhus. Denna information visualiseras sedan för användaren i en kartbild. Vidare använder Traxmate sig av Combains globala databas för trådlösa accesspunkter som exempelvis cellulära basstationer, Wi – Fi accesspunkter, Bluetooth beacons och LoRaWAN Gateways [1]. Cellulära basstationer är de
kontrollenheter som styr telefonnätet och används bland annat för kommunikation inom mobiltelefonin. Bluetooth beacons är trådlösa batteridrivna enheter [4]. Databasen uppdateras kontinuerligt av algoritmer som behandlar miljontals positioner från global crowd-sourcing. Med detta menas att data hämtas från ett stort antal fristående parter världen över som samtidigt lägger in och uppdaterar varandras data via internet [1].
Traxmate bygger på geolocation vilket innebär att systemet refererar till identifieringen av den geografiska placeringen av en användare eller en kopplad enhet via en rad
datainsamlingsmekanismer [1]. Fortsättningsvis är geolocation ett enhetsspecifikt Application Programming Interface (API), ett gränssnitt i programvaran, vilket ger användaren möjlighet att hämta önskvärt datainnehåll för ett flertal parametrar som
slutenheten kan lagra. Genom Traxmate sparas datainnehållet kontinuerligt som rådata från slutenheten. Rådata kan exempelvis innehålla information om tidpunkt då en slutenhet skickar uppdatering om sin position till systemet och tidpunkt då systemet detekterar denna uppdatering. Fortsättningsvis kommer differensen mellan dessa två tidpunkter att benämnas som väntetid. Slutligen kan rådata sparas i systemet som en nedladdningsbar csv – fil vilken är enkel att flytta från ett program till ett annat [1].
2.3 Helium nätverk
Helium är ett decentraliserat trådlöst nätverk som tillåter kompatibla slutenheter att ansluta till internet och geolokalisera sig utan satelliter. I stället för Wi – Fi använder Helium LoRa vilket möjliggör kommunikation över mycket större avstånd. Helium bygger på att ett stort antal Gateways världen över kopplas ihop och tillsammans bildar de ett Helium nätverk.
Gatwayen har huvudsakligen tre olika uppgifter för att överföra signaler från slutenheterna till ett lagringsmoln. Den första uppgiften innebär att hårdvara tillsammans med
programvara gör det möjligt för Gatewayn att hämta information från flera frekvensband samtidigt genom LoRa. Vidare förser en Gateway trådlöst nätverk samt LoRa täckning till ett begränsat område. Den sista uppgiften är att en Gateway ansvarar för att kontrollera att information från en given slutenhet skickas till rätt användare. För att kontrollera att denna information skickas rätt, används en unik identifieringsnyckel som sparas i lagringsmolnet tillsammans med tillhörande data. Traxmate har slutligen tillgång till lagringsmolnet genom Gatewayn och kan sedan spåra identifieringsnyckeln, vilket benämns som fingerprinting, för
att ge användaren tillträde till rätt information [5]. I Kalmar används Semtechs LoRaWAN Gateway, vilken är placerad vid huvudentrén på Kalmar Länssjukhus.
2.4 LoRa
LoRa är en typ av dataöverföring inom trådlös kommunikation. Det används främst för kommunikation inom IoT. Denna kommunikation sker genom radiovågor som har en given frekvens, amplitud och fas. När dessa vågor propagerar mellan enheter påverkas de av miljön runt om och kan då genomgå spridning, diffraktion och reflektion när de påträffar olika material. Vidare använder LoRa frekvensbanden 863 – 870 MHz samt 433 – 434 MHz, vilka är de tillåtna olicensierade frekvensbanden inom Europa [2].
Den moduleringsteknik som LoRa bygger på är Chirp Spread Spectrum (CSS) vilket är en digital moduleringsteknik som använder hela spektret från det givna frekvensbandet för att överföra data i chirp pulser. Dessa pulser består av sinusvågor där dess frekvens antingen minskar eller ökar med tiden. Pulserna som har en ökning i frekvens med tid benämns som up – chirp och pulserna med en frekvens som minskar med tid benämns som down – chirp.
LoRa ingår även i Low Power Wide Area Networks (LPWAN) vilket karakteriseras av att data överförs mellan slutenhet och gateway med ett bestämt tidsintervall. Dessa tidsintervall varierar beroende på vilken LoRaWAN klass som slutenheten skall ingå i. En konsekvens av att dataöverföringen skall ske inom ett visst tidsintervall är att information kan bli uppdelad eller helt försvinna när flertalet slutenheter ansluter till nätverket och sänder ut data inom samma frekvensband. Detta medför att just det frekvensbandet blir upptaget eller
överbelastat och således kan informationen bli uppdelad [2].
Som tidigare nämnts sker dataöverföringen inom ett visst tidsintervall, vilket medför att hastigheten för dataöverföringen har en betydande faktor. Termen för det som ser till att hastigheten för dataöverföringen kan variera benämns som Spreading Factor (SF). Denna faktor kan väljas godtyckligt inom intervallet 7 – 12. När SF värdet ska väljas bör faktorer som avstånd till Gateway, storlek av meddelande samt önskad mängd strömförbrukning beaktas [6]. Ett lågt värde av SF ger en snabb dataöverföring och ett högt värde ger en långsam dataöverföring. Inom Europa finns det ytterliga en begränsning för
dataöverföringen, vilken benämns som duty – cycle och innebär att dataöverföringen enbart får använda ett frekvensband till en viss andel under själva dataöverföringen. Inom Europa har det bestämts till 0.1 - 10% av det tidsintervall som dataöverföringen sker inom. [2]. För att koppla samma detta ger ett lägre värde på SF möjlighet till att mer data kan överföras än med ett högre värde på SF när dataöverföringen sker enligt duty-cycle. Det lägre SF värdet som ger en snabbare dataöverföring har därmed även lägre strömförbrukning.
2.5 LoRaWAN
För att utforma ett nätverk bestående av flera slutenheter som använder sig av LoRa krävs en viss struktur, vilken benämns som LoRaWAN och erhålls enligt LoRa Alliance [7]. Vidare kan LoRaWAN delas in i klasserna A, B och C där det som skiljer dessa är
överföringsmönstret mellan slutenhet och Gateway samt dess strömförbrukning.
Klass A innebär att slutenheten är aktiv när den sänder ut data till Gateway varpå nätverksservern sänder ut två slutkommandon till Gateway och slutligen vidare till
slutenheten. Därefter är slutenheten i ett viloläge fram tills att nästkommande datapaket skall
6
sändas ut till Gateway. Vidare sker denna process cykliskt där tiden som klass A befinner sig i sitt viloläge bestäms manuellt av dess användare.
Klass B bygger på samma cykliska mönster som i klass A fast med tillägget att Gateway kan skicka kommandon till slutenhet om att påbörja detta cykliska mönster när som helst. Detta gör att en klass B slutenhet har en större strömförbrukning än en slutenhet som tillhör klass A. Det finns ytterligare en typ av slutenhet som har ett mer adaptivt överföringsmönster vilken benämns som klass C. Det adaptiva överföringsmönstret leder till att tiden slutenheten befinner sig i viloläge är markant mindre än för både en slutenhet som tillhör klass A och klass B. En klass C slutenhet kommer därmed att ha störst strömförbrukning i jämförelse med klass A och klass B. Enligt [6] är sambandet mellan energikonsumtion och klasserna en följd av antalet vilolägen samt de aktiva lägen som slutenheten har inom en cykel.
Energikonsumtionen är således markant högre i ett aktivt läge än för ett viloläge. Detta resulterar i att klass A har den lägsta energikonsumtionen av dessa tre klasser.
2.6 Sensorn Nali N100
De slutenheter som används är Nali N100 sensorer, vilka anskaffades av Combain och som är utvecklade av Codepoint Technologies samt företaget Changhong som tagit fram dess hårdvara. Dessa sensorer är en kreditkortsliknande tagg vilka syns i figur 2 nedan. Denna typ av sensor är byggd för att vara enkel att kopplas samman, integrera samt programmera med ett önskat användarvänligt system. Den lämpar sig särskilt till spårning då den erhåller låg hårdvarukostnad samt har låg energiförbrukning [8]. Slutligen har uppdragsgivaren angivit att sensorerna tillhör klass A.
Figur 2: Nali N100 sensorer som användes
3
Metod
De mätningar som utfördes hade som syfte att testa positioneringssystemets prestanda för uppmätning av position. Utförandet inleddes med att överföra en kartbild, som visas nedan i figur 3, över försöksområdet till positioneringssystemet Traxmate. Därefter bestämdes positionerna R1 till R4 och respektive punkts longitud samt latitudkoordinat uppmättes.
Dessa punkter markerades därefter ut på försöksområdet.
Innan själva mätningarna påbörjades noterades det även var samtliga Wi – Fi accesspunkter var placerade inom försöksområdet vilket syns i figur 4. Dessa återfanns i
positioneringssystemet Traxmate innan projektet hade påbörjats.
Figur 3: Kartbild över försöksområdet inklusive mätpunkterna R1-R4 samt placering av Gateway R1
R2
R3 R4
8
Figur 4: Kartbild över Wi – Fi accesspunkter inom försöksområdet tillsammans med positionerna R1-R4
Varje mätning gjordes med en Nali N100 sensor, vilken anskaffades av Combain och som var utvecklad av Codepoint Technologies samt företaget Changhong som tillverkat sensorns hårdvara. Vidare delades mätningarna upp i tre steg. Det första steget var att sensorn
placerades vid LoRaWAN Gatewayn, utvecklad av Semtech, där det bekräftades att sensorn hade uppkoppling till positioneringssystemet. Därefter var det andra steget att sensorn förflyttades till en position där den placerades i 5 minuter. Det sista steget var sedan att
förflytta sensorn tillbaka till Gateway. För varje position, R1-R4, upprepades dessa tre steg 15 gånger innan sensorn testade en ny position. När samtliga positioner hade löpts igenom repeterades detta mönster ytterligare sju gånger.
Slutligen gjordes ett utdrag från Traxmate av rådata från samtliga mätningar som utfördes, vilket presenterades i en csv – fil. Från rådata återfanns information om bland annat tiden när data sändes ut samt togs emot av positioneringssystemet, vilket var underlaget för
beräkningen av väntetiden samt medelvärdet av väntetiden. Vidare definierades väntetiden som differensen mellan tiden som data togs emot av positioneringssystemet och tiden när sensorn sände ut data. Rådata angav även information om signalstyrkans värde såväl som koordinater för den geografiska positionen för närliggande Wi – Fi accesspunkter ur deras MAC – adresser. För signalstyrkans värden som uppkom från flertalet MAC – adresser beräknades ett medelvärde vilket visas i de visuella resultaten. Utifrån de geografiska positionerna för Wi – Fi accesspunkter samt signalstyrkan beräknar Traxmate dels sensorns placering, vilken angavs med en longitud och en latitud koordinat, dels en noggrannhet för denna beräkning som en del av rådatan. Utifrån de geografiska positionerna kunde dels antalet mätningar inom det accepterade området beräknas dels andelen mätningar inom det
accepterade området. Det accepterade området hade tidigare definierats som området inom en radie på 7 meter från samtliga positioner. De visuella resultaten har åstadkommits med hjälp av MATLAB (2020), version 9.9.0.1495850 (R2020b), företag The MathWorks Inc, baserat i Natick, Massachusetts.
R1 R2
R3 R4
4
Resultat
Resultaten delades in i tre delar. Där den första delen visar resultat av mätningar tagna ur positioneringssystemet efterföljt av signalstyrkan. Avslutningsvis visas en sammanställning av medelvärde för både systemets noggrannhet i varje mätpunkt med tillhörande väntetider.
4.1 Uppmätta positioner
Figurerna 4a – d nedan visar resultat av mätningar från samtliga positioner R1 – R4.
Positionerna R1 – R4, där sensorn i själva verket befann sig, visas som en svart ring med tillhörande accepterat område till mätpunkten på 7 meter. Systemets uppmätta position av sensorns placering vid varje mättillfälle visas som röda punkter i kartbilden. Om en uppmätt position befinner sig inom det angivna accepterade området anses mätningen vara korrekt.
Figurerna 4a – d visar variation i var systemet anser sensorn befinna sig i jämfört med de olika mätpunkterna. Enligt tabell 1 nedan syns det att i R1 mottogs klart fler mätningar än i de resterande punkterna, majoriteten av dessa hamnar dessutom inom det accepterade området.
(a): Mätningar i R1 (b): Mätningar i R2
(c): Mätningar i R3 (d): Mätningar i R4
Figur 4: figurerna a-d visar sammanställning av mätningar i respektive mätpunkt R1-R4
10
För R2 och R3 syns det vara betydligt större spridning. Ett flertal av resultaten i punkten R2 ligger dessutom utanför testområdet. I punkterna R3 och R4 är det betydligt färre mätvärden än för de två andra punkterna.
Tabell 1: Tabellen visar en sammanställning av antalet mätningar samt andelen mätningar inom ett accepterat avstånd från den aktuella mätpunkten
Position Antal mottagna mätningar
Antal mätningar inom accepterat område
Andel mätningar inom accepterat område [%]
R1 99 96 97.0
R2 46 35 76.1
R3 18 8 44.4
R4 9 7 77.8
4.2 Signalstyrka RSSI
Figur 5: Figurerna a och b visar RSSI värden med avseende på både latitud och longitudkoordinat för samtliga positioner sensorerna uppmätte. De svarta ringarna markerar sensorernas position med de tillhörande signalstyrkorna mot
närliggande Wi – Fi accesspunkter. De röda cirklarna markerar var de fixa positionerna R1 – R4 var.
I figur 5 a och b ovan kan signalstyrkan för både latitud och longitud koordinater avläsas för samtliga positioner R1 – R4 som positioneringssystemet Traxmate uppmätte. Signalstyrkan för de närliggande Wi – Fi accesspunkterna vid positionen R1 har störst variation för båda koordinaterna. Vidare är variation av signalstyrkan i de uppmätta punkterna kring R2 märkbart olika beroende på dess koordinater. Signalstyrkan för punkter uppmätta kring R3 anges vara mellan –73 dBm och –76 dBm. För position R4 varierar signalstyrkan för de uppmätta mätpunkterna från –74 dBm till –80 dBm.
(a): RSSI värden för latitudposition (b): RSSI värden för longitudposition
I figur 6 visas fördelningen av respektive signalstyrka som förekom under mätningarna.
Signalstyrkan som förkom oftast var –54 dBm. Majoriteten av mottagna signaler hade en signalstyrka inom intervallet [–80, –53] dBm.
4.3 Medelvärde för systemets noggrannhet och väntetid
De observerade medelvärden, !!"#∗ , av både noggrannhet för position samt väntetiden för sända – mottagen signal i respektive uppmätt position visas i tabell 2 nedan. Positionerna R1 hade det bästa noggrannhet och där noggrannheten för positionen R4 var näst bäst.
Tabell 2: Tabellen visar beräknade medelvärden för noggrannhet samt väntetiden i respektive position
Position Medelvärde för noggrannheten [m] Medelvärde för väntetiden [s]
R1 1,5455 47,3939
R2 78,7234 34,5106
R3 10,3333 43,9444
R4 2,1111 48,6667
Figur 6: Figuren visar en fördelning av signalstyrkorna som förekom under mätningarna
12
5
Diskussion
I denna del kommer resultaten att diskuteras och utvärderas. Dessutom kommer vidare utveckling av den presenterade lösningen så väl som förbättring av testmetoder att diskuteras. En utvärdering av potentialen som ligger hos spårningsteknik inom sjukhusverksamheten kommer även att göras.
5.1 Mätpunkter inom accepterat område
Andelen mätpunkter inom det accepterade området på 7 meter varierar stort mellan positionerna R1–R4. Även antalet mätningar som gjordes totalt i varje mätpunkt varierar, vilket kan ses ur tabell 1. Detta på grund av problem med uppkoppling av sensorn till positioneringssystemet. I positionen R1 var uppkopplingen relativt stabil och det kunde göras 99 mätningar varav 96 syns falla inom det accepterade området vilket motsvarar en andel på ungefär 97% och systemet antas därmed uppfylla tillräcklig prestanda för just denna mätpunkt. För de andra mätpunkterna däremot verkar detta inte vara fallet. En betydligt sämre uppkoppling i de övriga positionerna där sensorn till och med upphörde att fungera efter en kort tid är förmodligen orsaken till sämre mätresultat. Ur tabell 1 läses andelen mätningar inom accepterat område i R3 till endast 44% medan för R2 och R4 ligger denna andel på ungefär 76% respektive 78%. Notera även att för R3 samt R4 kunde Traxmate endast ta emot 18 respektive 9 mätningar, vilket är ett betydligt lägre antal än för R1.
SF värdet hos de använda sensorerna angavs varken från uppdragsgivaren eller tillverkare, men detta har en avgörande betydelse för sensitivitet av mottagen signalstyrkan. Därför antas denna för analysens syfte till värdet SF12, vilket är det högsta möjliga värdet. Från tabeller som återfinns i [9] ges därmed sensitivitet på –136 dBm för mottagen signal. Vidare beror uppkoppling på hur god kvalité LoRa signalen är från sensor till Gateway, där ett lågt värde på sensitiviteten är att föredra. Denna kvalité minskar dels när sensorns avstånd till Gateway ökar dels när det finns hinder som signalen från sensorn behöver transporteras igenom för att nå Gateway. Figur 3 visar att från positionen R1 till Gateway finns det inga hinder samtidigt som denna position är placerad närmast Gateway. Kvalité på den mottagna signalen i
Gateway bör vara god och indikerar således att majoriteten av mätningar som gjordes för position R1 blir mottagna av Gateway, vilket stämmer överens med tabell 1. I området mellan positionen R2 och Gateway finns det relativt få hinder. Denna position ligger även näst närmst själva Gatewayn. Detta borde leda till att relativt många mätningar i denna position togs emot av Gateway, tabell 1 antyder dock att endast 46 st mätningar gjordes vilket är mindre än förväntat. För positionerna R3 och R4 bör antalet mottagna mätningar vara något färre än för positionerna R1 och R2 på grund av det längre avståndet till Gateway, se figur 3. Däremot finns det inga hinder mellan position R4 och Gateway, vilket leder till att majoriteten av de mätningar som faktiskt gjordes bör bli mottagna av Gateway. Från tabell 1 kan det dock urskiljas att antalet mottagna mätningar i R4 är enbart hälften så många som för position R3, vilket är ett oväntat resultat då avståndet mellan dessa positioner är relativt litet.
14
LoRa är å andra sidan framtaget för att täcka stora ytor, vilket gör att dessa två parametrar inte borde har såpass stor inverkan över det lilla försöksområdet. En möjlig orsak till de låga värdena för antalet mätningar är att mjukvaran i sensorerna som användes inte är tillräckligt utvecklade för denna mängd mätningar. Resultaten för dessa mätvärden indikerar därmed att positioneringssystemet inte är tillräckligt för att uppnå önskad prestanda. Eftersom det inte var möjligt att göra fler mätningar i särskilt R3 och R4 är det svårt att förutse LoRa:s verkliga potential i sjukhusmiljön och det kommer att krävas fler mätningar för att göra en ärlig bedömning om hur väl systemet kommer att fungera.
5.2 Noggrannhet för positioneringssystemet
Noggrannheten för positioneringssystemet varierar mellan de olika mätpunkterna. Ur tabell 2 ger endast de två mätpunkterna R1 och R4 med respektive uppmätt noggrannhet på 1,5455 meter samt 2,1111 meter önskat resultat. Resterande punkter ligger således utanför denna gräns och systemet antas därmed inte med säkerhet uppfylla noggrannhet för positionering i andra godtyckliga mätpunkter i försöksområdet.
De varierande resultaten för noggrannhet kan bero på en rad olika faktorer. Den främsta faktor kan vara antalet Wi – Fi accesspunkter i ett närliggande område som sensorn kan få kontakt med samt att dessa är fördelade homogent runt sensorn. Ur figur 4 syns att antalet närliggande accesspunkter är klart lägre i R2 jämfört med resterande mätpunkter, vilket stämmer överens med en betydligt sämre noggrannhet för punkten ur tabell 2. Dessutom beror även noggrannheten på vilken Wi – Fi accesspunkt sensorn väljer att hämta
information från. Ett större avstånd mellan sensorn och Wi – Fi accesspunkten ger således större sfäriska ytor för beräkning av sensorns position genom triangulering. Detta ger i sin tur ett större skärningsområde mellan dessa ytor där sensorn kan befinna sig vilket gör att osäkerheten för positionsberäkningen ökar. Slutligen kommer noggrannheten att försämras med en ökad osäkerhet.
5.3 Signalstyrka
Från figur 5 a och b kan ett tydligt samband över signalstyrkan som varierar mellan mätpunkter urskiljas. Positionen R1 har både störst spridning och den starkaste
signalstyrkan. Därefter har positionen R2 en större spridning i signalstyrkorna i jämförelse med position R3 och position R4.
Signalstyrkan är som tidigare nämnt ett mått som är uppmätt mellan sensorns verkliga placering och de närliggande Wi-Fi accesspunkterna. De visuella resultaten i figur 5 a och b visar enbart ett medelvärde på de signalstyrkor som uppmättes genom trilateration för
sensorns placering där signalstyrkan angav radien för de sfäriska ytorna som användes för att bestämma positioneringen. Utifrån detta medelvärde på signalstyrkan kan ett samband till medelvärdet för radien till dessa sfäriska ytor påvisa vilka Wi-Fi accesspunkter sensorn hämtat information ifrån för positionsbestämningen.
För positionen R1 kan det konstateras att sensorn har använt sig utav Wi-Fi accesspunkter som ligger på ett varierat avstånd från själva sensorns placering. Detta kan bekräftas vara en möjlig väg för att göra en positionsbestämning då tillgången till Wi-Fi accesspunkter runt om R1 är god, se figur 4. God tillgång på Wi-Fi accesspunkter syftar här till att densiteten av dessa accesspunkter i ett närliggande område är hög. Vidare kan det även för position R2 noteras att Wi-Fi accesspunkter på olika avstånd till sensorn har valts. Från figur 4 kan det
observeras att tillgången på dessa accesspunkter runt R2 inte är lika god som för positionen R1. Detta tillsammans med resultaten från tabell 2 tyder på att tillgången till Wi-Fi
accesspunkter och noggrannheten för positionsbestämningen har ett samband.
I figur 5 som visar variationen av signalstyrkan kan det även där ses att sensorn har valt att hämta informationen från Wi-Fi accesspunkter med ett varierat avstånd. Från teorin om trilateration bör sensorn välja de accesspunkter som är närmast, vilket figur 5 påvisar tydligt att så är inte fallet i detta projekt. Detta visar därmed tecken på att mjukvaran i sensorn inte är helt enhetlig med teorin.
Slutligen påvisar figur 6 att samtliga uppmätta signalstyrkor mellan positionerna och
accesspunkterna antar värden inom ett intervall vilka stämmer överens med värden angivna i [10]. Detta tyder på att signalstyrkan är tillräckligt bra för den omgivning som mätningarna gjordes i.
5.4 Väntetid av signal
Väntetiden för en mottagen signal varierar ytterst lite mellan de olika positionerna. Under testfallen användes enbart en sensor, vilket gör att denna studie kan varken utvärdera hur positioneringssystemet eller LoRaWAN tekniken hanterar en större mängd sensorer. Möjliga faktorer som skulle kunna påverkas vid ett sådant fall är delvis väntetiden och försämrad kvalité på signalöverföringen. Resultaten visade god uppdateringstid för en mottagen signal, men studier med flertal sensor bör göras för att med säkerhet kunna ge en tillförlitlig
bedömning av dess tillämpning för ett sjukhus.
5.5 Framtida utvecklingar och appliceringar
Utifrån diskussionen framgår det att LoRa och LoRaWAN tillämpningar på sjukhusmiljö allena har uppnått goda resultat utefter de förhållanden testfallen utfördes inom. Däremot utfördes testfallen enbart med en sensor i taget, vilket inte är likmätigt med den dagliga rullstolsverksamheten som testerna syftar på att utvärdera. Enligt simuleringar i [9] för en enskild Gateways kapacitet kan antalet sensorer uppgå mot 3500 för att förlusten av information skall vara under 6%, vilket i detta projekt låter hoppfullt. Däremot som [9]
nämner påverkas en Gateways kapacitet beroende på vilken SF som används samt miljön den är placerad i. Därför bör förslagsvis vidare studier med flertalet sensorer göras i kombinationen med en jämförelse med ett ökat antal Gateways.
Slutligen bör det anmärkas att Gatewayn placerades i ett hörn vid sjukhusets ingång, vilket inte optimerar RF-signalens täckning över testområdet. Tidigare studier om Gatewayns placering har noterats av båda studierna [10] och [11], vilka påvisar att signalstyrkan både minskar markant med avståndet i vertikal och horisontell riktning. Däremot anser både sjukhusets ledning samt Medsen och Sensy att signalstyrkan är tillräcklig för tillämpning av LoRaWAN applikationer inomhus. För vidare studier bör Gatewayen således placeras centralt i området som skall testas för att positioner för såväl latitud som longitud, men även för förflyttning mellan nivåplanen. Framtida studier bör även ta i beaktning att en Gateway har en begränsad kapacitet när antalet sensorer ökar, således kan flertalet Gateways behövas för att säkerställa tillräcklig signalstyrka över hela sjukhusområdet.
16
6
Slutsats
Resultaten indikerar att signalstyrkan samt väntetiden vilka är kopplade till LoRa och LoRaWAN uppfyller de kriterier som krävs för att tekniken ska kunna tillämpas i en sjukhusmiljö. För resultaten av positionsbestämning och noggrannhet som är relaterade till dataöverföring med nuvarande mjukvara i sensorerna uppfylls dessa krav enbart för hälften av positionerna. Detta är inte tillräckligt för att rekommendera denna lösning till ett sjukhus utan vidare prövningar av systemet.
18
7
Referenser
[1] Combain positioning solutions. (2021). Combain Location API A cloud based API for locating connected things. Combain positioning solutions
https://combain.com/products/combain-location-api/ (hämtad 24.04.2021)
[2] de Carvalho Silva, J., Rodrigues, J., Alberti, A. M., Solic, P., & Aquino, A. L. L. (2017).
LoRaWAN - A Low Power WAN Protocol for Internet of Things: a Review and Opportunities [Conference paper]. Conference: International Multidisciplinary Conference on Computer and Energy Science, Split, Croatien. https://ieeexplore.ieee.org/abstract/document/8019271 [3] Fred Zahradnik. (2020). An explanation of Wi – Fi Triangulation. Lifewire.
https://www.lifewire.com/wifi-positioning-system-1683343 (hämtad 26.08.2021)
[4] Combain positioning solutions. (2021). Indoor Positioning Geolocation in 3D by using existing Wi – Fi and Bluetooth infrastructure. Combain positioning solutions.
https://combain.com/use-cases/indoor-positioning/ (hämtad 24.04.2021)
[5] Haleem, A., Allen, A., Thompson, A., Nijdam, M., & Garg, R. (2018). Helium A Decentralized Wireless Network [White paper]. Helium. http://whitepaper.helium.com/
(hämtad 07.04.2021)
[6] Casals, L., Mir, B., Vidal, R., & Gomez, C. (2017). Modeling the Energy Performance of LoRaWAN. Sensors, 17(10), 2364. doi:10.3390/s17102364
[7] LoRa Alliance Technical Committee. (2017). LoRaWAN Specification (v 1.0) [Technical document]. LoRa Alliance Wide Area Networks of IoT. https://lora-alliance.org/wp-
content/uploads/2020/11/2015_-_lorawan_specification_1r0_611_1.pdf (hämtad 11.04.2021)
[8] Codepoint Technologies, Inc. (2021). Introducing the Nali-N100. Codepoint.
https://www.codepoint.xyz/products.html#n100 (hämtad 24.08.2021)
[9] Haxhibeqiri, J., Karaagac, A., Van den Abeele, F., Joseph, W., Moerman, I., & Hoebeke, J. (2017). LoRa indoor coverage and performance in an industrial environment: Case study [Conference paper]. 22nd IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Limassol, Cypern, 1-8. doi: 10.1109/ETFA.2017.8247601.
[10] Wixted, A. J., Kinnaird, P., Larijani, H., Tait, A., Ahmadinia, A., & Strachan, N.
(2016). Evaluation of LoRa and LoRaWAN for wireless sensor networks. IEEE Sensors. doi:
10.1109/ICSENS.2016.7808712.
[11] Petäjäjärvi, J., Mikhaylov, K., Hämäläinen, M., & Iinatti, J. (2016). Evaluation of LoRa LPWAN technology for remote health and wellbeing monitoring [Conference paper]. 10th International Symposium on Medical Information and Communication Technology (ISMICT). Worcester, MA, USA. doi: 10.1109/ISMICT.2016.7498898
TRITA CBH-GRU-2021:101
www.kth.se