Imourane Abdoulaye
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
Imourane Abdoulaye has a total of 4 co-authors. Here are the top co-authors by number of shared publications:
- Benoit Miramond
Université Côte d’Azur
2 shared publications - Cécile Belleudy
Centre National de la Recherche Scientifique (CNRS UMR 7248), Laboratory of Electronics, Antennas, and Telecommunications (LEAT), Universit Cte dAzur, Sophia Antipolis, France
2 shared publications - Laurent Rodriguez
Université Côte d’Azur, LEAT, Sophia Antipolis
2 shared publications - Anthony Vigneron
Centre National de la Recherche Scientifique (CNRS UMR 7248), Laboratory of Electronics, Antennas, and Telecommunications (LEAT), Universit Cte dAzur, Sophia Antipolis, France
1 shared publication
Latest Publications
- 27 March 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Design of cognitive sensors networks for energy efficient applications
Conception de réseaux de capteurs cognitifs pour des applications économes en énergie: Les réseaux de capteurs sans fil, utilisés par exemple pour la surveillance environnementale, la gestion industrielle ou encore le suivi urbain, constituent un élément clé des infrastructures connectées actuelles. Leur déploiement massif reste toutefois limité par la consommation énergétique des nœuds, dont l'autonomie conditionne directement la durée de vie et l'efficacité du réseau. La principale source de dépense énergétique étant la transmission radio, il est indispensable d'élaborer des stratégies visant à réduire le volume de communications tout en maintenant une qualité de service satisfaisante. Dans ce but, l'intégration de l'intelligence artificielle au plus près des capteurs ouvre la voie à des réseaux dits « cognitifs », capables d'anticiper leurs propres mesures, de prendre des décisions localement et de s'auto-organiser afin de prolonger la durée de vie du système. Cette thèse s'inscrit dans cette perspective et propose une approche progressive. Dans un premier temps, des méthodes de réduction de communications basées sur des modèles de réseaux de neurones prédictifs embarqués ont été déployées au niveau des nœuds de capteurs organisés en groupes hiérarchisés, chacun étant coordonné par un chef de groupe (lui-même nœud capteur). Ces modèles permettent de réduire le nombre de transmissions en ne communiquant que les mesures dont la prédiction échoue. Cela diminue l'usage du canal radio et donc l'épuisement énergétique. Cette approche a montré, à travers des évaluations expérimentales et des déploiements réels, une amélioration notable de l'efficacité énergétique et de l'autonomie du réseau. Dans un second temps, une méthode de prédiction semi-décentralisée (SDPM) a été développée afin d'équilibrer les dépenses énergétiques entre nœuds et de prolonger la durée de vie globale du système. Elle repose sur la rotation dynamique du rôle de chef de groupe entre les différents nœuds de chaque groupe. La méthode a été étudiée selon deux dynamiques. Pour la première, la prédiction est réalisée périodiquement et uniquement au niveau du chef de groupe. Pour la seconde, une architecture à deux niveaux combine la prédiction locale de chaque nœud à celle réalisée par le chef de groupe. Dans les deux cas, la méthode SDPM assure une répartition plus équitable des tâches entre nœuds, favorisant un meilleur équilibrage énergétique et une plus grande autonomie du réseau dans son ensemble, tout en maintenant une précision des prédictions adaptée aux besoins applicatifs. L'ensemble de ces approches a été évalué et validé expérimentalement à travers un déploiement sur des plateformes intégrant des communications LoRa/LoRaWAN et des modèles de réseaux de neurones embarqués sur microcontrôleurs. Les résultats confirment leur faisabilité et leur efficacité, ouvrant ainsi la voie à des réseaux de capteurs sans fil plus durables. Enfin, une nouvelle approche d'apprentissage fédéré a été proposée pour renforcer la capacité d'adaptation des modèles prédictifs dans les réseaux de capteurs contraints. Cette approche introduit une dimension temporelle dans la mise à jour et la coordination des modèles distribués, permettant aux nœuds d'ajuster localement leurs modèles selon les dérives environnementales tout en préservant la cohérence globale grâce à des agrégations périodiques. Reposant sur des modèles compacts et sur l'échange de leurs mises à jour entre les nœuds, cette méthode vise à assurer un compromis entre précision des prédictions, consommation énergétique et faisabilité matérielle. L'évaluation a montré que cette approche améliore la stabilité des prédictions et réduit le volume de transmissions, ce qui optimise la consommation énergétique globale et marque une étape supplémentaire vers des réseaux intelligents et auto-évolutifs.
- 27 March 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Design of cognitive sensors networks for energy efficient applications
Conception de réseaux de capteurs cognitifs pour des applications économes en énergie: Les réseaux de capteurs sans fil, utilisés par exemple pour la surveillance environnementale, la gestion industrielle ou encore le suivi urbain, constituent un élément clé des infrastructures connectées actuelles. Leur déploiement massif reste toutefois limité par la consommation énergétique des nœuds, dont l'autonomie conditionne directement la durée de vie et l'efficacité du réseau. La principale source de dépense énergétique étant la transmission radio, il est indispensable d'élaborer des stratégies visant à réduire le volume de communications tout en maintenant une qualité de service satisfaisante. Dans ce but, l'intégration de l'intelligence artificielle au plus près des capteurs ouvre la voie à des réseaux dits « cognitifs », capables d'anticiper leurs propres mesures, de prendre des décisions localement et de s'auto-organiser afin de prolonger la durée de vie du système. Cette thèse s'inscrit dans cette perspective et propose une approche progressive. Dans un premier temps, des méthodes de réduction de communications basées sur des modèles de réseaux de neurones prédictifs embarqués ont été déployées au niveau des nœuds de capteurs organisés en groupes hiérarchisés, chacun étant coordonné par un chef de groupe (lui-même nœud capteur). Ces modèles permettent de réduire le nombre de transmissions en ne communiquant que les mesures dont la prédiction échoue. Cela diminue l'usage du canal radio et donc l'épuisement énergétique. Cette approche a montré, à travers des évaluations expérimentales et des déploiements réels, une amélioration notable de l'efficacité énergétique et de l'autonomie du réseau. Dans un second temps, une méthode de prédiction semi-décentralisée (SDPM) a été développée afin d'équilibrer les dépenses énergétiques entre nœuds et de prolonger la durée de vie globale du système. Elle repose sur la rotation dynamique du rôle de chef de groupe entre les différents nœuds de chaque groupe. La méthode a été étudiée selon deux dynamiques. Pour la première, la prédiction est réalisée périodiquement et uniquement au niveau du chef de groupe. Pour la seconde, une architecture à deux niveaux combine la prédiction locale de chaque nœud à celle réalisée par le chef de groupe. Dans les deux cas, la méthode SDPM assure une répartition plus équitable des tâches entre nœuds, favorisant un meilleur équilibrage énergétique et une plus grande autonomie du réseau dans son ensemble, tout en maintenant une précision des prédictions adaptée aux besoins applicatifs. L'ensemble de ces approches a été évalué et validé expérimentalement à travers un déploiement sur des plateformes intégrant des communications LoRa/LoRaWAN et des modèles de réseaux de neurones embarqués sur microcontrôleurs. Les résultats confirment leur faisabilité et leur efficacité, ouvrant ainsi la voie à des réseaux de capteurs sans fil plus durables. Enfin, une nouvelle approche d'apprentissage fédéré a été proposée pour renforcer la capacité d'adaptation des modèles prédictifs dans les réseaux de capteurs contraints. Cette approche introduit une dimension temporelle dans la mise à jour et la coordination des modèles distribués, permettant aux nœuds d'ajuster localement leurs modèles selon les dérives environnementales tout en préservant la cohérence globale grâce à des agrégations périodiques. Reposant sur des modèles compacts et sur l'échange de leurs mises à jour entre les nœuds, cette méthode vise à assurer un compromis entre précision des prédictions, consommation énergétique et faisabilité matérielle. L'évaluation a montré que cette approche améliore la stabilité des prédictions et réduit le volume de transmissions, ce qui optimise la consommation énergétique globale et marque une étape supplémentaire vers des réseaux intelligents et auto-évolutifs.
- 5 May 2025
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Transactions on Instrumentation and Measurement
- Vol. 74 (00189456) , 1-15
Predictive Data-Driven Energy Efficiency in a Field-Deployed Wireless Sensor Network
The limited energy resources in wireless sensor networks (WSNs) is a critical challenge to long-term operation, particularly in remote areas where recharging batteries is not easily feasible. This paper proposes an energy-efficient approach based on Convolutional Neural Networks (CNNs) for on-device data prediction at the Cluster Head (CH) level. By substituting certain data transmissions with predicted sensor values, this method minimizes radio communication, the most energy-intensive task in sensor nodes, thereby extending the network’s lifetime. We evaluate the performance of this approach by analyzing two neural network structures and operational modes in an environmental monitoring context. Simulations with real-world sensor data show that the CNN model accurately predicts sensor values with minimal error. Additionally, the solution is validated through real-world deployment in a WSN, with real-time monitoring, energy-efficient communication, and frame management. A detailed energy profile and consumption assessment is provided, alongside an estimation of network autonomy. Results indicate a reduction in data transmissions by over 50%, enabling ≈ 34.3% of energy savings and ≈ 57.0% improvement in network autonomy without compromising accuracy. This solution offers a practical approach for sustainable, long-term WSN deployments.
- 5 May 2025
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Transactions on Instrumentation and Measurement
- Vol. 74 (00189456) , 1-15
Predictive Data-Driven Energy Efficiency in a Field-Deployed Wireless Sensor Network
The limited energy resources in wireless sensor networks (WSNs) is a critical challenge to long-term operation, particularly in remote areas where recharging batteries is not easily feasible. This paper proposes an energy-efficient approach based on Convolutional Neural Networks (CNNs) for on-device data prediction at the Cluster Head (CH) level. By substituting certain data transmissions with predicted sensor values, this method minimizes radio communication, the most energy-intensive task in sensor nodes, thereby extending the network’s lifetime. We evaluate the performance of this approach by analyzing two neural network structures and operational modes in an environmental monitoring context. Simulations with real-world sensor data show that the CNN model accurately predicts sensor values with minimal error. Additionally, the solution is validated through real-world deployment in a WSN, with real-time monitoring, energy-efficient communication, and frame management. A detailed energy profile and consumption assessment is provided, alongside an estimation of network autonomy. Results indicate a reduction in data transmissions by over 50%, enabling ≈ 34.3% of energy savings and ≈ 57.0% improvement in network autonomy without compromising accuracy. This solution offers a practical approach for sustainable, long-term WSN deployments.
- 18 March 2024
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Sensors Letters
- Vol. 8 (4) , 1-4
Semi-Decentralized Prediction Method for Energy-Efficient Wireless Sensor Networks
[graphicalabstract] Addressing key challenges in Wireless Sensor Networks (WSNs) such as network lifetime, and energy balance, this paper introduces the Semi-Decentralized Prediction Method (SDPM) for energy-efficient wireless sensor networks. This approach enhances energy efficiency by combining clustering principles with data prediction for smart Cluster-Head (CH) selection. SDPM facilitates the periodic election of an effective CH from among the cluster-nodes, who then predicts data for the nodes within the cluster, thereby reducing transmission and conserving energy. Our findings demonstrate SDPM's significant impact on reducing energy consumption, promising for real-world WSNs to achieve longer network lifetime and better energy management.
- 18 March 2024
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Sensors Letters
- Vol. 8 (4) , 1-4
Semi-Decentralized Prediction Method for Energy-Efficient Wireless Sensor Networks
[graphicalabstract] Addressing key challenges in Wireless Sensor Networks (WSNs) such as network lifetime, and energy balance, this paper introduces the Semi-Decentralized Prediction Method (SDPM) for energy-efficient wireless sensor networks. This approach enhances energy efficiency by combining clustering principles with data prediction for smart Cluster-Head (CH) selection. SDPM facilitates the periodic election of an effective CH from among the cluster-nodes, who then predicts data for the nodes within the cluster, thereby reducing transmission and conserving energy. Our findings demonstrate SDPM's significant impact on reducing energy consumption, promising for real-world WSNs to achieve longer network lifetime and better energy management.