The rapid growth in the population density in urban cities demands that services and an infrastructure be provided to meet the needs of city inhabitants. Thus, there has been an increase in the request for embedded devices, such as sensors, actuators, and smartphones, leading to considerable business potential for the new era of the Internet of Things (IoT), in which all devices are capable of interconnecting and communicating with each other over the Internet. Thus, Internet technologies provide a way of integrating and sharing a common communication medium. With this knowledge, in this paper, we propose a combined IoT-based system for smart city development and urban planning using Big Data analytics. We propose a complete system consisting of various types of sensor deployment, including smart home sensors, vehicular networking, weather and water sensors, smart parking sensors, and surveillance objects. A four-tier architecture is proposed that includes 1) Bottom tier-1, which is responsible for IoT sources and data generation and collection, 2) Intermediate tier-1, which is responsible for all types of communication between, for instance, sensors, relays, base stations, and the Internet, 3) Intermediate tier 2, which is responsible for data management and processing using a Hadoop framework, and 4) Top tier, which is responsible for application and usage of the data analysis and the results generated. The system implementation consists of various steps that begin with data generation and move to collection, aggregation, filtration, classification, preprocessing, computing and decision making. The proposed system is implemented using Hadoop with Spark, voltDB, Storm or S4 for real time processing of the IoT data to generate results to establish the smart city. For urban planning or city future development, the offline historical data are analyzed with Hadoop using MapReduce programming. IoT datasets generated by smart homes, smart parking weather, pollution, and vehicle data sets are used for analysis and evaluation. This type of system with full functionality does not currently exist. Similarly, the results demonstrate that the proposed system is more scalable and efficient than existing systems. Moreover, system efficiency is measured in terms of throughput and processing time.

As we delve into the Internet of Things, we are witnessing intensive interaction and heterogeneous communication among different devices over the Internet. Consequently, these devices generate a massive volume of big data. The potential of these data has been analyzed by complex network theory, describing a specialized branch, known as "human dynamics." In this extension, the goal is to describe human behavior in the social area in real time. These objectives are starting to be practicable through the quantity of data provided by smartphones, social networks, and smart cities. These make the environment more intelligent and offer an intelligent space to sense our activities or actions and the evolution of the ecosystem. To address the above-mentioned needs, this work presents a new concept of SmartBuddy that focuses on the analysis, the ecosystem provided by smart cities, wearable devices (e.g., body area network), and big data to determine human behaviors as well as human dynamics.

Recent advancements in AI, driven by big data technologies, have reshaped various industries, with a strong focus on data-driven approaches. This has resulted in remarkable progress in fields like computer vision, e-commerce, cybersecurity, and healthcare, primarily fueled by the integration of machine learning and deep learning models. Notably, the intersection of oncology and computer science has given rise to Computer-Aided Diagnosis (CAD) systems, offering vital tools to aid medical professionals in tumor detection, classification, recurrence tracking, and prognosis prediction. Breast cancer, a significant global health concern, is particularly prevalent in Asia due to diverse factors like lifestyle, genetics, environmental exposures, and healthcare accessibility. Early detection through mammography screening is critical, but the accuracy of mammograms can vary due to factors like breast composition and tumor characteristics, leading to potential misdiagnoses. To address this, an innovative CAD system leveraging deep learning and computer vision techniques was introduced. This system enhances breast cancer diagnosis by independently identifying and categorizing breast lesions, segmenting mass lesions, and classifying them based on pathology. Thorough validation using the Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM) demonstrated the CAD system’s exceptional performance, with a 99% success rate in detecting and classifying breast masses. While the accuracy of detection is 98.5%, when segmenting breast masses into separate groups for examination, the method’s performance was approximately 95.39%. Upon completing all the analysis, the system’s classification phase yielded an overall accuracy of 99.16% for classification. The potential for this integrated framework to outperform current deep learning techniques is proposed, despite potential challenges related to the high number of trainable parameters. Ultimately, this recommended framework offers valuable support to researchers and physicians in breast cancer diagnosis by harnessing cutting-edge AI and image processing technologies, extending recent advances in deep learning to the medical domain.

The global increase in life expectancy poses challenges related to the safety and well-being of the elderly population, especially in relation to falls. While falls can lead to significant cognitive impairments, timely intervention can mitigate their adverse effects. In this context, the need for non-invasive, efficient monitoring systems becomes paramount. Although wearable sensors have gained traction for monitoring health activities, they may cause discomfort during prolonged use, especially for the elderly. To address this issue, we present an intelligent, non-invasive Software-Defined Radio Frequency (SDRF) sensing system, tailored red for monitoring elderly people's falls during routine activities. Harnessing the power of deep learning and machine learning, our system processes the Wireless Channel State Information (WCSI) generated during regular and fall activities. By employing sophisticated signal processing techniques, the system captures unique patterns that distinguish falls from normal activities. In addition, we use statistical features to streamline data processing, thereby optimizing the computational efficiency of the system. Our experiments, conducted for a typical home environment while using treadmill, demonstrate the robustness of the system. The results show high classification accuracies of 92.5%, 95.1%, and 99.8% for three Artificial Intelligence (AI) algorithms. Notably, the SDRF-based approach offers flexibility, cost-effectiveness, and adaptability through software modifications, circumventing the need for hardware overhaul. This research attempts to bridge the gap in RF-based sensing for elderly fall monitoring, providing a solution that combines the benefits of non-invasiveness with the precision of deep learning and machine learning.

The ultimate goal of the hydrogen economy is to develop an efficient and cost-effective electrocatalyst that can accelerate hydrogen synthesis from water without or with little additional energy. This study describes a unique surface modified electrodeposited nano-sized tungsten oxide (WO3) as an intriguing bi-functional electrocatalyst for OER in alkaline and HER in acidic conditions. The nano-WO3 was synthesized hydrothermally and electrodeposited on a fluorinated tin oxide (FTO) electrode. The highly uniform distribution of the WO3@FTO catalyst results in negligible charge transfer resistance, a large electroactive surface area, and increased water-splitting potential. During oxygen evolution reaction (OER), electrodeposited WO3@FTO initiates water splitting at an overpotential (η) of just 240 mV and represents a turnover frequency (TOF) of 0.59 sec−1. These results are comparable to previously reported electrocatalysts. Under an alkaline electrolyte, a current density of 15 mA/cm2 remained constant for several hours, indicating the high stability and durability of the electrodeposited WO3@FTO electrode. The electrode also performed well in hydrogen evolution reactions (HER). A Tafel slope of 46 mV/dec and −28 mV/dec was found for OER and HER, respectively, indicating an enhanced kinetics rate of reaction taking place at the electrode surface. Furthermore, in acidic conditions, the electrode represents a lower HER overpotential of 104 mV. The work provides a significant understanding of electrodeposited WO3@FTO electrodes and their role in electrochemical water splitting.

Industry 4.0 represents the fourth industrial revolution, which is characterized by the incorporation of digital technologies, the Internet of Things (IoT), artificial intelligence, big data, and other advanced technologies into industrial processes. Industrial Machinery Health Management (IMHM) is a crucial element, based on the Industrial Internet of Things (IIoT), which focuses on monitoring the health and condition of industrial machinery. The academic community has focused on various aspects of IMHM, such as prognostic maintenance, condition monitoring, estimation of remaining useful life (RUL), intelligent fault diagnosis (IFD), and architectures based on edge computing. Each of these categories holds its own significance in the context of industrial processes. In this survey, we specifically examine the research on RUL prediction, edge-based architectures, and intelligent fault diagnosis, with a primary focus on the domain of intelligent fault diagnosis. The importance of IFD methods in ensuring the smooth execution of industrial processes has become increasingly evident. However, most methods are formulated under the assumption of complete, balanced, and abundant data, which often does not align with real-world engineering scenarios. The difficulties linked to these classifications of IMHM have received noteworthy attention from the research community, leading to a substantial number of published papers on the topic. While there are existing comprehensive reviews that address major challenges and limitations in this field, there is still a gap in thoroughly investigating research perspectives across RUL prediction, edge-based architectures, and complete intelligent fault diagnosis processes. To fill this gap, we undertake a comprehensive survey that reviews and discusses research achievements in this domain, specifically focusing on IFD. Initially, we classify the existing IFD methods into three distinct perspectives: the method of processing data, which aims to optimize inputs for the intelligent fault diagnosis model and mitigate limitations in the training sample set; the method of constructing the model, which involves designing the structure and features of the model to enhance its resilience to challenges; and the method of optimizing training, which focuses on refining the training process for intelligent fault diagnosis models and emphasizes the importance of ideal data in the training process. Subsequently, the survey covers techniques related to RUL prediction and edge-cloud architectures for resource-constrained environments. Finally, this survey consolidates the outlook on relevant issues in IMHM, explores potential solutions, and offers practical recommendations for further consideration.

Abstract The growing ubiquity of Internet of Things (IoT) devices within smart homes demands the use of advanced strategies in IoT implementation, with an emphasis on energy efficiency and security. The incorporation of Artificial Intelligence (AI) within the IoT framework improves the overall efficiency of the network. An inefficient mechanism of parent selection at the network layer of IoT causes energy drain in the nodes, particularly near the sink node. As a result, nodes die earlier, causing network holes that further increase the control message overhead as well as the energy consumption of the network, compromising network security. This research introduces an AI‐based approach to parent selection of the Routing Protocol for Low Power and Lossy networks (RPL) at the network layer of IoT to enhance security and energy efficiency. A novel objective function, named Energy and Parent Load Objective Function (EA‐EPL), is also proposed that considers the composite metrics, including energy and parent load. Extensive experiments are conducted to assess EA‐EPL against OF0 and MRHOF algorithms. Experimental results show that EA‐EPL outperformed these algorithms in improving energy efficiency, network stability, and packet delivery ratio. The results also demonstrate a significant enhancement in the overall efficiency of IoT networks and increased security in smart home environments.