Optymalny klastrowy schemat trasowania energooszczędnego dla sieci typu wireless body area z obsługą QoS i integracją IoT

Stała kontrola stanu zdrowia

W miarę jak coraz więcej osób żyje dłużej z chorobami przewlekłymi, lekarze coraz częściej polegają na urządzeniach ubieralnych, które nieprzerwanie monitorują parametry życiowe, takie jak tętno, temperatura czy ciśnienie krwi. Te niewielkie urządzenia umieszczone na ciele lub wewnątrz niego tworzą bezprzewodową sieć na obszarze ciała, która musi dostarczać dane medyczne szybko i niezawodnie, często w czasie rzeczywistym. Problem polega na tym, że czujniki pracują na małych bateriach, poruszają się wraz z pacjentem i konkurują o pasmo radiowe z wieloma innymi urządzeniami. W artykule przedstawiono inteligentniejszy sposób organizowania i kierowania ruchem danych w takich sieciach, aby informacje ratujące życie trafiały do opiekunów na czas przy jednoczesnym oszczędzaniu energii.

Jak sieci ubieralne komunikują się z chmurą

W sieci typu Internet Rzeczy obsługującej sieć na obszarze ciała dziesiątki czujników rozmieszczonych wokół pacjenta przesyłają pomiary do pobliskiej bramy, takiej jak smartfon lub mały koncentrator noszony na ciele. Brama przekazuje te informacje do serwerów szpitalnych lub platform w chmurze, gdzie lekarze i algorytmy mogą zdalnie monitorować stan zdrowia. Jeśli każdy czujnik miałby cały czas komunikować się bezpośrednio z bramą, baterie szybko by się wyczerpywały, a wiadomości mogłyby się nakładać, powodując opóźnienia lub utratę danych. Aby temu zapobiec, czujniki grupuje się w klastry. Każdy klaster wybiera głowę klastra, która zbiera dane od pobliskich czujników i przekazuje je dalej, zmniejszając liczbę transmisji. Kluczowym wyzwaniem, którym zajmują się autorzy, jest uczynienie tych klastrów energooszczędnymi, stabilnymi podczas ruchu i odpornymi na niewłaściwe zachowanie węzłów.

Mądrzejsze grupowanie czujników na ciele

Pierwsza część proponowanego systemu, nazwana QEEC‑Routing, koncentruje się na tworzeniu dobrze zbalansowanych klastrów czujników. Autorzy adaptują inspirowaną naturą technikę, którą określają jako Zmodyfikowaną Optymalizację Szopów (Modified Raccoon Optimization). W prostych słowach algorytm zachowuje się jak grupa agentów poszukujących różnych sposobów grupowania czujników na podstawie poziomu naładowania baterii, wzajemnych odległości oraz wymaganego czasu przekazu danych. Zamiast zbyt wcześnie przyjmować przeciętne rozwiązanie, metoda nadal eksploruje i dopracowuje granice klastrów w miarę ruchu pacjenta. W rezultacie żaden pojedynczy czujnik nie jest nadmiernie wykorzystywany jako przekaźnik, energia jest rozkładana bardziej równomiernie, a cała sieć działa dłużej przed koniecznością wymiany lub doładowania baterii.

Wybór wiarygodnych czujników

Nie każdy czujnik jest równie niezawodny. Niektóre mogą mieć słaby sygnał, często tracić połączenie z powodu ruchu ciała, a nawet być skompromitowane. Aby zdecydować, które czujniki powinny pełnić rolę głów klastrów lub przekazywać ważne dane, system wylicza dla każdego węzła ocenę zaufania. Autorzy wykorzystują tu specjalizowaną sieć neuronową — dwupoziomową rekurencyjną sieć neuronową wartości kwaternionowych (Two‑level Quaternion‑Valued Recurrent Neural Network), która potrafi jednocześnie uwzględnić kilka powiązanych czynników zaufania, takich jak mobilność, siła sygnału, przeciążenie i wcześniejsze powodzenie w przekazywaniu pakietów. Ucząc się, jak te czynniki zmieniają się w czasie, model dokładniej wybiera godne zaufania węzły i unika błędnego uznawania słabych lub podejrzanych czujników za liderów. Selekcja uwzględniająca zaufanie poprawia integralność danych i bezpieczeństwo bez konieczności ręcznego strojenia parametrów.

Znajdowanie najlepszej trasy w poruszającym się tłumie

Gdy klastry i zaufane głowy są już ustanowione, pozostaje pytanie, jak przesyłać dane z ciała do mobilnej bramy, a następnie do chmury przy minimalnym opóźnieniu i zużyciu energii, nawet gdy pacjent się przemieszcza. W tym celu autorzy stosują Ulepszony Algorytm Naturalnej Agregacji Hiperkostki (Improved Hypercube Natural Aggregation). Metoda ta ocenia wiele możliwych ścieżek wielozakresowych jednocześnie, bilansując zużycie energii, niezawodność łączy, przeciążenie i opóźnienia. Stopniowo zawęża obszar poszukiwań do najbardziej obiecujących tras, unikając utkwienia przy krótkotrwałych lub niestabilnych opcjach. Ponieważ algorytm nieustannie dostosowuje się do ruchu węzłów i zmian w ruchu sieci, pozwala utrzymać płynną, niskoopóźnieniową komunikację nawet w zatłoczonym środowisku szpitalnym lub domowym.

Co ujawniły symulacje

Aby przetestować swoje rozwiązanie, badacze użyli szczegółowego symulatora sieci i porównali QEEC‑Routing z kilkoma powszechnie znanymi protokołami stosowanymi w sieciach na obszarze ciała i sieciach czujnikowych. W scenariuszach z różną liczbą ruchomych węzłów, różnymi prędkościami chodzenia, a nawet w bardzo gęstych wdrożeniach, nowy schemat zużywał znacząco mniej energii, dostarczał większy odsetek pakietów i wydłużał żywotność sieci. Zredukował też opóźnienie end‑to‑end — czas, jaki upływa, zanim pomiar dotrze do serwera — oraz zmniejszył nadmiarowe komunikaty sterujące potrzebne do zarządzania siecią. W niektórych przypadkach zużycie energii spadło o ponad połowę, podczas gdy dostarczalność pakietów i żywotność sieci osiągnęły dwucyfrowe wzrosty procentowe w porównaniu z metodami konkurencyjnymi.

Dlaczego to ma znaczenie w codziennej opiece

Dla pacjentów techniczne udoskonalenia QEEC‑Routing przekładają się na proste, lecz istotne korzyści: czujniki ubieralne działające dłużej między ładowaniami, mniej przerw lub opóźnień w monitorowaniu oraz bardziej niezawodne ostrzeganie, gdy coś jest nie w porządku. Dla klinicystów i dostawców opieki zdrowotnej rozwiązanie to umożliwia gęstsze i bardziej elastyczne wdrożenia urządzeń noszonych na ciele bez przeciążania sieci czy szybkiego wyczerpywania baterii. Choć praca jest obecnie potwierdzona w symulacjach, autorzy planują przyszłe eksperymenty z rzeczywistym sprzętem ubieralnym i testbedami połączonymi z chmurą. Jeśli te wyniki potwierdzą symulacje, podejście do trasowania może pomóc uczynić ciągłe monitorowanie zdrowia w domu bardziej odpornym, przystępnym i godnym zaufania.

Cytowanie: Irine Shyja, V., Ranganathan, G., Chandrakanth, P. et al. Optimal cluster-based energy efficient routing scheme for QoS aware IoT-enabled wireless body area network. Sci Rep 16, 6689 (2026). https://doi.org/10.1038/s41598-026-37344-x

Słowa kluczowe: bezprzewodowa sieć na obszarze ciała, ubieralne czujniki zdrowotne, energooszczędne trasowanie, opieka zdrowotna IoT, jakość usług