HEAL: zdrowotnie wzmocniony adaptacyjny LoRaWAN do monitorowania żołnierzy w czasie rzeczywistym i przewidywania stanu zdrowia opartego na AI

Dlaczego zdalne monitorowanie zdrowia żołnierzy ma znaczenie

Na współczesnych polach walki żołnierze mogą działać daleko od lekarzy, w trudnym terenie, gdzie łączność jest przerywana, a baterie muszą wytrzymać dni. W badaniu zbadano, jak czujniki noszone, niskoprądowe łącza radiowe i sztuczna inteligencja mogą współdziałać, by prowadzić cichy, ciągły nadzór nad podstawowymi parametrami życiowymi żołnierzy. Celem jest wczesne wykrycie sygnałów ostrzegawczych, takich jak udar cieplny, niedotlenienie czy inne problemy, i ostrzeżenie medyków na czas, nawet gdy połączenie bezprzewodowe jest zawodliwe.

Inteligentne mundury i odległe łączniki ratunkowe

Ostatnie postępy w Internet of Medical Things umożliwiły integrację czujników w mundurach, opaskach na nadgarstek czy pasach piersiowych, które śledzą tętno, temperaturę, saturację i inne parametry. Wcześniejsze systemy często opierały się na łączach krótkiego zasięgu, takich jak Bluetooth lub Wi‑Fi, które sprawdzają się blisko stacji bazowej, ale zawodzą na wzgórzach, w lasach czy podczas przemieszczających się konwojów. W artykule skupiono się na LoRaWAN — technologii radiowej o dużym zasięgu i niskim zużyciu energii, zdolnej przesyłać małe pakiety danych na setki metrów lub nawet kilometry. Wyzwaniem jest to, że łącze to może gubić pakiety, wprowadzać opóźnienia i ograniczać ilość przesyłanych danych, co może zdezorientować modele AI, które oczekują czystych, regularnych odczytów.

Ramy o nazwie HEAL

Autorzy wprowadzają HEAL — Health-Enhanced Adaptive LoRaWAN — ramy łączące czujniki noszone, sieć LoRaWAN i modele AI w jeden system end-to-end. Każdy żołnierz nosi niewielkie czujniki, które przesyłają wybrane parametry życiowe przez bramkę LoRaWAN do centralnego serwera, gdzie AI analizuje krótkie okna czasowe odczytów i klasyfikuje stan zdrowia jako Dobry, Alarmowy lub Krytyczny. „Adaptacyjność” oznacza tu, że AI jest wybierane i dostrajane tak, by zachować dokładność nawet wtedy, gdy dane przychodzą z opóźnieniem, są częściowo brakujące lub zawierają mniej pomiarów niż byłoby to pożądane — odzwierciedlając rzeczywistość niskoprądowej sieci polowej.

Nauczanie AI rozumienia parametrów życiowych

Aby trenować i testować AI, badacze użyli dużego publicznego zbioru danych parametrów życiowych zamiast rzeczywistych danych z pola walki. Ponieważ zbiór ten nie zawierał etykiet zdrowotnych, poprosili kilka dużych modeli językowych, aby wystąpiły w roli zautomatyzowanych „asystentów etykietowania”, przypisujących każdy rekord do kategorii Dobry, Alarmowy lub Krytyczny na podstawie kombinacji tętna, temperatury, saturacji, ciśnienia krwi, częstości oddechów i poziomu glukozy. Następnie zastosowano prosty, regułowy schemat oparty na wytycznych medycznych, by sprawdzić te etykiety pod kątem bezpieczeństwa. Zespół oczyścił i zrównoważył dane tak, by każda klasa zdrowotna była dobrze reprezentowana, a potem wytrenował i porównał 13 różnych modeli głębokiego uczenia przetwarzających szeregi czasowe parametrów życiowych, takich jak sieci LSTM i GRU. Dwukierunkowy model LSTM analizujący krótkie okna trzech kluczowych sygnałów (tętno, temperatura i saturacja) osiągnął około 94% dokładności i 95% makro-F1, co oznacza, że radził sobie zarówno ze stanami powszechnymi, jak i rzadkimi.

Wdrażanie AI w kruchym łączu radiowym

Następnie HEAL przetestowano w szczegółowym symulatorze LoRaWAN, który odwzorowuje, jak pakiety podróżują, kolidują lub są tracone między poruszającymi się żołnierzami a bramką. Najlepszy model AI wdrożono na symulowanym serwerze aplikacyjnym, który otrzymywał to, co przeszło przez sieć, i generował przewidywania zdrowotne w czasie rzeczywistym. Badanie zmieniało odległość między żołnierzami a bramką (200–1000 metrów) oraz parametr spreading factor, który kosztem czasu transmisji zwiększa zasięg i niezawodność. W korzystnych warunkach, przy umiarkowanych odległościach 200–400 metrów i niższych faktorach spreadingu, sieć dostarczała do 91% pakietów, a AI nadal osiągała około 93% dokładności. Przy większych odległościach lub wyższych faktorach dostarczanie pakietów i przepustowość spadały, a energia na udaną wiadomość rosła, uwypuklając jasny kompromis między zasięgiem, niezawodnością i żywotnością baterii.

Od modeli laboratoryjnych do rzeczywistych misji

Badacze sprawdzili również, jak dobrze ich modele przenoszą się z czystych danych laboratoryjnych do bardziej surowych, symulowanych danych polowych, uwzględniających utratę pakietów i nieregularne odstępy czasowe. Zastosowane bez modyfikacji, dokładność modeli spadała do poziomów około 70–80%, ale staranne dostrojenie na danych w stylu LoRaWAN przywracało wydajność powyżej 92%. To pokazuje, że trenowanie AI na przykładach uwzględniających wpływ komunikacji jest kluczowe, jeśli ma działać niezawodnie w rzeczywistych wdrożeniach, a nie tylko na kontrolowanych zbiorach danych.

Co to oznacza dla przyszłej opieki nad żołnierzami

W praktyce praca ta sugeruje, że realistyczne jest ciągłe monitorowanie zdrowia żołnierzy za pomocą niskoprądowych urządzeń noszonych i łączności dalekiego zasięgu, pod warunkiem projektowania AI i sieci razem. Starannie dobrany model AI, wytrenowany na dobrze otagowanych danych i dostosowany do specyfiki kanału radiowego, może nadal rozpoznawać, gdy żołnierz przechodzi ze stanu Dobrego do Alarmowego lub Krytycznego, nawet gdy niektóre pomiary znikają. HEAL oferuje plan działania, który może posłużyć jako wskazówka przy projektowaniu przyszłych systemów dla jednostek wojskowych, ratowników czy pracowników zdalnych, gdzie szybka wiedza o stanie zdrowia musi być wyważona z ograniczeniami przepustowości, energii i łączności.

Cytowanie: Alghamdi, A., Alotaibi, R. & Alahmadi, H. HEAL: health-enhanced adaptive LoRaWAN for AI-based real-time soldier monitoring and status prediction. Sci Rep 16, 15213 (2026). https://doi.org/10.1038/s41598-026-44274-1

Słowa kluczowe: monitorowanie zdrowia żołnierzy, LoRaWAN, czujniki noszone, predykcja zdrowotna AI, Internet Rzeczy Medycznych