HEAL: адаптивная LoRaWAN с повышенной заботой о здоровье для мониторинга солдат в реальном времени и предсказания состояния на базе ИИ

Почему важно наблюдать за здоровьем солдат на расстоянии

На современных полях боя солдаты могут действовать далеко от врачей, в пересечённой местности, где связь ненадёжна, а батареи должны работать дни подряд. В этой работе изучается, как носимые датчики здоровья, энергоэффективные радиолинки и искусственный интеллект могут совместно вести тихий и постоянный мониторинг жизненных показателей солдат. Цель — выявлять ранние признаки теплового стресса, низкого уровня кислорода или других проблем и вовремя предупреждать медиков, даже когда беспроводное соединение ненадёжно.

Умная форма и дальние линии жизни

Недавние достижения в области Интернета медицинских вещей позволили интегрировать датчики в форму, браслеты или нагрудные ремни, отслеживающие частоту сердечных сокращений, температуру, уровень кислорода в крови и другие параметры. Ранние системы часто опирались на короткодействующие связи вроде Bluetooth или Wi‑Fi, которые хорошо работают рядом с базовой станцией, но испытывают трудности через холмы, леса или при движении автоколонн. В статье внимание уделено LoRaWAN — дальнобойной энергоэкономной радиотехнологии, способной отправлять небольшие пакеты данных на сотни метров и даже километры. Проблема в том, что такой радиоканал может терять пакеты, вносить задержки и ограничивать объём передаваемых данных, что может сбивать с толку модели ИИ, рассчитывающие на чистые, регулярные измерения.

Архитектура под названием HEAL

Авторы представляют HEAL — Health-Enhanced Adaptive LoRaWAN, систему, объединяющую носимые датчики, сеть LoRaWAN и модели ИИ в единый сквозной конвейер. Каждый солдат носит небольшие датчики, которые отправляют отобранные показатели через шлюз LoRaWAN на центральный сервер, где ИИ анализирует короткие временные окна показаний и классифицирует состояние здоровья как «Норма», «Тревожно» или «Критично». Под «адаптивностью» здесь понимается подбор и настройка ИИ так, чтобы он оставался точным даже при запаздывании данных, их частичном отсутствии или при меньшем, чем желательно, числе измерений — то есть в условиях реальной низкоэнергетичной полевой сети.

Обучение ИИ чтению жизненных показателей

Для обучения и тестирования ИИ исследователи использовали большую общедоступную базу данных жизненных показателей, а не реальные боевые записи. Поскольку в наборе данных не было пометок состояния здоровья, они привлекли несколько больших языковых моделей в роли автоматизированных «помощников маркировки», которые присваивали каждой записи метку Норма, Тревожно или Критично на основе комбинаций частоты сердцебиения, температуры, уровня кислорода, артериального давления, частоты дыхания и уровня глюкозы. Для безопасности метки затем проверялись простой правиловой схемой, основанной на медицинских рекомендациях. Команда очистила и сбалансировала данные так, чтобы каждый класс здоровья был хорошо представлен, после чего обучила и сравнила 13 различных глубоких моделей, обрабатывающих временные ряды жизненных показателей, таких как LSTM и GRU. Двунаправленная LSTM, анализирующая короткие окна из трёх ключевых сигналов (ЧСС, температура и уровень кислорода), показала примерно 94% точности и макро F1‑оценку 95%, что говорит о стабильной работе как с частыми, так и с редкими состояниями.

Встраивание ИИ в хрупкий радиоканал

Далее HEAL протестировали в детализированном симуляторе LoRaWAN, имитирующем, как пакеты движутся, сталкиваются или теряются между перемещающимися солдатами и шлюзом. Лучшая модель ИИ была развернута на смоделированном сервере приложения, который получал те пакеты, что дошли, и в реальном времени выдавал предсказания по здоровью. В исследовании варьировали расстояние между солдатами и шлюзом (от 200 до 1000 метров) и радиоспредайдинг‑фактор, который меняет длительность эфира ради увеличения дальности и надёжности. При благоприятных условиях — на умеренных дистанциях 200–400 метров и при низких факторах распространения — сеть доставляла до 91% пакетов, при этом ИИ сохранял примерно 93% точности. На больших расстояниях или при более высоких факторах доставки пакетов и пропускная способность падали, а энергия на успешное сообщение росла, подчёркивая явную компромиссную зависимость между дальностью, надёжностью и временем работы батареи.

От лабораторных моделей к реальным миссиям

Исследователи также проверили, насколько хорошо их модели переносятся с чистых лабораторных данных на более суровые смоделированные полевые данные, отражающие потерю пакетов и нерегулярность времени поступления. При прямом применении точность моделей падала до середины 70 процентов, но аккуратная донастройка на данных в стиле LoRaWAN восстанавливала производительность выше 92%. Это показывает, что обучение ИИ с учётом особенностей связи критично, если система должна надёжно работать в реальных развертываниях, а не только в контролируемых наборах данных.

Что это значит для будущего ухода за солдатами

Проще говоря, работа показывает, что реалистично возможно постоянно наблюдать за здоровьем солдат с помощью низкоэнергетичных носимых устройств и дальнобойных беспроводных каналов, если ИИ и сеть проектируются совместно. Внимательно подобранная модель ИИ, обученная на хорошо промаркированных данных и адаптированная к особенностям радиоканала, всё ещё может распознать, когда состояние солдата ухудшается от нормы до тревожного или критического, даже если часть измерений отсутствует. HEAL предлагает дорожную карту, которая может служить ориентиром для будущих систем в воинских подразделениях, службах реагирования при бедствиях или для удалённых работников, где своевременная информация о состоянии здоровья должна сочетаться с ограниченной пропускной способностью, энергией и связью.

Цитирование: 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

Ключевые слова: мониторинг здоровья солдат, LoRaWAN, носимые датчики, ИИ для прогнозирования здоровья, Интернет медицинских вещей