ПОВЫШЕНИЕ КАЧЕСТВА РАЗНОМОДАЛЬНЫХ ДАННЫХ НА ОСНОВЕ ГИБРИДИЗАЦИИ МЕТОДОВ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ И МУЛЬТИСЕНСОРНОГО СЛИЯНИЯ
Аннотация
Исследуются методы предварительной обработки данных и слияния разномодальных данных. Собираемые с мультисенсорных устройств данные содержат шумы, аномалии и включают отказы датчиков. Использование неочищенных данных неизбежно приводит к получению ложных закономерностей при использовании моделей машинного обучения, в которых эти данные используются. Для улучшения качества данных необходимо применение специальных методов предварительной их обработки и слияния. Целью работы является создание гибридного конвейера предварительной обработки и мультисенсорного слияния данных, функционирующего на уровне периферийных вычислений. Для её достижения решены задачи удаления из данных последствий технических сбоев и шумов, временной синхронизации, масштабирования признаков и объединения дублирующих источников с учетом их динамического веса. Применены методы: межквартильного размаха для выявления выбросов, линейная интерполяция для их замены, фильтр высоких частот для подавления шумов и взвешенное мультисенсорное слияние с динамическим расчётом весов. Кроме того, представлены методы обработки визуальных, сенсорных и акустических данных в рамках гибридного конвейера, допускающие адаптацию для реализации на уровне периферийных вычислений. Экспериментальная проверка разработанного конвейера проведена на смоделированном наборе климатических данных с искусственно внесёнными зашумлениями и аномалиями. Предложенный подход продемонстрировал высокую эффективность восстановления данных. Для температуры воздуха коэффициент детерминации (R²) увеличился с 0,9807 до 0,9964 при незначительном изменении средней абсолютной процентной ошибки (MAPE) с 10,11% до 10,48%. Для относительной влажности метрика R² выросла с 0,9248 до 0,9675, а ошибка MAPE снизилась с 2,87% до 2,57%. Наиболее значительное улучшение достигнуто для атмосферного давления. Метрика R² с отрицательного значения -0,124 выросла до 0,974, а ошибка MAPE сократилась с 0,12% до 0,06 %. Полученные результаты подтверждают, что предложенный конвейер снижает погрешность и повышает качество мультисенсорных данных, минимизирует объём передаваемых данных. Практическая ценность заключается в создании непрерывного цикла локальной фильтрации и слияния данных без накопления погрешностей
Список литературы
1. Gryaznov S.A., Kuznetsov M.I. Faktory, vliyayushchie na vosproizvodimost' nauchnykh issledovaniy [Factors affecting the reproducibility of scientific research], Mezhdunarodnyy zhurnal gumanitarnykh i estestvennykh nauk [International Journal of Humanities and Natural Sciences], 2024, No. 8-1 (95), pp. 69-71.
2. Jesus G. Casimiro A., Oliveira A. A Survey on Data Quality for Dependable Monitoring in Wireless Sensor Networks, Sensors, 2017, Vol. 17, No. 9, 2010 p.
3. Zhang L. Jeong D., Lee S. Data Quality Management in the Internet of Things, Sensors, 2021, Vol. 21, No. 17, 5834 p.
4. Borovskaya V.G., Gomon Yu.M. Otsenka kachestva dannykh real'noy klinicheskoy praktiki [Quality assessment of real-world data], Real'naya klinicheskaya praktika: dannye i dokazatel'stva [Real-World Data & Evidence], 2022, Vol. 2, No. 4, pp. 10-16.
5. Papavasileiou A., Michalos G., Makris S. Quality control in manufacturing – review and challenges on robotic applications, International Journal of Computer Integrated Manufacturing, 2025, Vol. 38,
No. 1, pp. 79-115.
6. Alexakis T., Adamopoulou E., Peppes N. [et al.]. Evaluating Data Quality: Comparative Insights on Standards, Methodologies, and Modern Software Tools, Electronics, 2025, Vol. 14, No. 15, 3038 p.
7. Bogani R., Theodorou A., Arnaboldi L., Wortham R.H. Garbage in, toxic data out: a proposal for ethical artificial intelligence sustainability impact statements, AI and Ethics, 2023, Vol. 3, No. 4, pp. 1135-1142.
8. Kilkenny M.F., Robinson K.M. Data quality: “Garbage in – garbage out”, Health Information Manage-ment Journal, 2018, Vol. 47, No. 3, ppp. 103-105.
9. Liu C., Ye F. A review of multimodal medical data fusion techniques for personalized medicine, Associa-tion for Computing Machinery. New York: ACM, 2025, pp. 338-347.
10. Duan J., Xiong J., Li Y., Ding W. Deep learning based multimodal biomedical data fusion: An overview and comparative review, Information Fusion, 2024, Vol. 112, 102536 p.
11. Azcarate S.M., Ríos-Reina R., Amigo J.M., Goicoechea H.C. Data handling in data fusion: Methodolo-gies and applications, TrAC Trends in Analytical Chemistry, 2021, Vol. 143, 116355 p.
12. Mourad A., Bertrand-Krajewski J.L., El-Youssef A. Edge Computing for Data Anomaly Detection of Multi-Sensors in IoT Environmental Monitoring, Electronics, 2021, Vol. 10, No. 3, 302 p.
13. Zraunig M., Susto G.A., Cenedese A. Detecting Faults at the Edge via Sensor Data Fusion Echo State Networks, Sensors, 2022, Vol. 22, No. 8, 2858 p.
14. Li L., Wang J., Zheng Y. Hybrid Machine Learning-Based Fault-Tolerant Sensor Data Fusion and Anomaly Detection for Fire Risk Mitigation in IIoT Environment, Sensors, 2025, Vol. 25, No. 7, 2146 p.
15. Chauhan D., Shukla K., Desai D. [et al.]. A Comprehensive Review of IoT-Enabled Microgrids: Archi-tectures, Challenges, and Future Prospects to achieve Sustainability, Next Research, 2026, 102156 p.
16. Bikakis N., Maroulis S., Papastefanatos G., Vassiliadis P. In-situ visual exploration over big raw data, Information Systems, 2021, Vol. 95, 101616 p.
17. Maia A., Boutouchent A., Kardjadja Y., Gherari M., Soyak E.G., Saqib M., Boussekar K., Cilbir I., Habibi S., Ali S.O., Ajib W. A survey on integrated computing, caching, and communication in the cloud-to-edge continuum, Computer Communications, 2024, Vol. 219, pp. 128-152.
18. Sergeev M.B., Solov'ev N.V., Stadnik A.I. Metody povysheniya kontrastnosti rastrovykh izobrazheniy dlya sistem tsifrovoy obrabotki videoinformatsii [Methods for increasing the contrast of raster images for digital video processing systems], Informatsionno-upravlyayushchie sistemy [Information and Con-trol Systems], 2007, No. 1, pp. 2-7.
19. Li D., Wang Y., Wang J., Wang C., Duan Y. Recent advances in sensor fault diagnosis: A review, Sensors and Actuators A: Physical, 2020, Vol. 309, 111990 p.
20. Gasparyan L., Gasparyan F., Simonyan V. Internal Electrical Noises of BioFET Sensors Based on Vari-ous Architectures, OJBIPHY, 2021, Vol. 11, No. 02, pp. 177-204.
21. Jadhav S.P., Srinivas A., Dipak R.P., Ramkumar P.M., Suryawanshi J., Haldorai A. Deep learning ap-proaches for multi-modal sensor data analysis and abnormality detection, Measurement: Sensors, 2024, Vol. 33, 101157 p.
22. Tang Q., Liang J., Zhu F. A comparative review on multi-modal sensors fusion based on deep learning, Signal Processing, 2023, Vol. 213, 109165 p.
23. Mitsis K., Zarkogianni K., Kalafatis E., Dalakleidi K., Jaafar A., Mourkousis G., Nikita K.S. A Multi-modal Approach for Real Time Recognition of Engagement towards Adaptive Serious Games for Health, Sensors, 2022, Vol. 22, No. 7, 2472 p.
24. Chernov A.V., Savvas I.K., Alexandrov A.A., Kartashov O.O., Polyanichenko D.S., Butakova M.A., Soldatov A.V. Integrated Video and Acoustic Emission Data Fusion for Intelligent Decision Making in Material Surface Inspection System, Sensors, 2022, Vol. 22, No. 21, 8554 p.
25. Wang Q.-G., Li X., Qin Q. Feature Selection for Time Series Modeling, JILSA, 2013, Vol. 05, No. 03, pp. 152-164.
