HEAL: hälsoförstärkt adaptiv LoRaWAN för AI-baserad realtidsövervakning och statusprognos av soldater

Varför det är viktigt att fjärrövervaka soldaters hälsa

På dagens slagfält kan soldater operera långt från läkare, i kuperad terräng där kommunikationen är ojämn och batterier måste räcka i dagar. Den här studien undersöker hur bärbara hälsosensorer, lågströmsradiolänkar och artificiell intelligens kan samverka för att tyst och kontinuerligt övervaka soldaters vitala tecken. Målet är att upptäcka tidiga varningstecken på värmestress, låg syremättnad eller andra problem och varna sjukvårdspersonal i tid, även när den trådlösa förbindelsen är opålitlig.

Smarta uniformer och avlägsna livlinor

Nyare framsteg inom Internet of Medical Things har gjort det möjligt att väva in sensorer i uniformer, handledsband eller bröstremsor som mäter hjärtfrekvens, temperatur, syremättnad och mer. Tidigare system förlitade sig ofta på kortdistanslänkar som Bluetooth eller Wi‑Fi, som fungerar bra nära en basstation men har problem över kullar, i skog eller i rörliga konvojer. Denna artikel fokuserar på LoRaWAN, en långdistans- och lågströmsradioteknik som kan skicka små datapaket över hundratals meter eller till och med kilometer. Utmaningen är att den här radiolänken kan tappa paket, introducera fördröjningar och begränsa hur mycket data som kan skickas, vilket kan vilseleda AI-modeller som förväntar sig rena, regelbundna mätvärden.

En ram som kallas HEAL

Författarna introducerar HEAL, en Health-Enhanced Adaptive LoRaWAN-ram som kopplar samman bärbara sensorer, ett LoRaWAN-nätverk och AI-modeller till ett ända-till-ända-system. Varje soldat bär små sensorer som skickar utvalda vitala tecken via en LoRaWAN-gateway till en central server, där AI analyserar korta tidsfönster av mätningar och klassificerar hälsotillstånd som Well, Alarming eller Critical. ”Adaptiv” här betyder att AI väljs och finjusteras för att hålla sig träffsäker även när data kommer sent, ibland saknas eller innehåller färre mätningar än idealiskt — vilket speglar verkligheten i ett lågströmsfält-nätverk.

Att lära AI att tolka vitaltecken

För att träna och testa AI använde forskarna en stor offentlig datamängd av vitaltecken istället för verkliga slagfältsdata. Eftersom datamängden saknade hälsoetiketter bad de flera stora språkmodeller att agera som automatiska ”etiketteringsassistenter”, och tilldela varje post Well, Alarming eller Critical baserat på kombinationer av hjärtfrekvens, temperatur, syrenivå, blodtryck, andningsfrekvens och blodsocker. Ett enkelt regelbaserat schema grundat i medicinska riktlinjer användes därefter för att kontrollera dessa etiketter ur ett säkerhetsperspektiv. Teamet rensade och balanserade datan så att varje hälsoklass var väl representerad, och tränade sedan och jämförde 13 olika djupinlärningsmodeller som bearbetar tidsserier av vitaltecken, såsom LSTM- och GRU-nätverk. En bidirektionell LSTM-modell som analyserade korta fönster av tre kärnsignaler (hjärtfrekvens, temperatur och syrenivå) uppnådde cirka 94 % noggrannhet och ett makro F1-värde på 95 %, vilket innebär att den hanterade både vanliga och sällsynta hälsotillstånd på ett pålitligt sätt.

Att använda AI över en bräcklig radiolänk

Därefter testades HEAL i en detaljerad LoRaWAN-simulator som imiterar hur paket färdas, kolliderar eller går förlorade mellan rörliga soldater och en gateway. Den bästa AI-modellen distribuerades på den simulerade applikationsservern, som mottog de paket som tog sig igenom och gav hälsoprediktioner i realtid. Studien varierade avståndet mellan soldater och gateway (200 till 1000 meter) samt radiospridningsfaktorn, som byter bort lufttid mot räckvidd och tillförlitlighet. Under gynnsamma förhållanden, med måttliga avstånd på 200 till 400 meter och lägre spridningsfaktorer, levererade nätverket upp till 91 % av paketen medan AI fortfarande nådde cirka 93 % noggrannhet. Vid längre räckvidder eller högre spridningsfaktorer sjönk paketleverans och genomströmning och energin per lyckat meddelande ökade, vilket tydligt visar en avvägning mellan räckvidd, pålitlighet och batteritid.

Från labbmodeller till verkliga uppdrag

Forskarna undersökte också hur väl deras modeller överförs från rena labbdata till tuffare, simulerade fältdatamängder som speglar paketförlust och oregelbunden timing. När de tillämpades direkt sjönk modellernas noggrannhet till mitten av 70‑procentintervallet, men noggrann finjustering på LoRaWAN‑liknande data återställde prestandan till över 92 %. Detta visar att träning av AI med kommunikationsmedvetna exempel är avgörande om den ska fungera tillförlitligt i verkliga distributioner, inte bara i kontrollerade dataset.

Vad detta betyder för framtida soldatvård

Enkelt uttryckt antyder detta arbete att det är realistiskt möjligt att kontinuerligt övervaka soldaters hälsa med lågströms bärbara enheter och långdistans trådlösa länkar, så länge AI och nätverk utformas tillsammans. En noggrant utvald AI-modell, tränad på väl etiketterad data och anpassad till radio kanalens egenheter, kan fortfarande känna igen när en soldat går från välmående till oroande eller kritiska tillstånd även när vissa mätningar saknas. HEAL erbjuder en ritning som kan vägleda framtida system för militära enheter, katastrofinsatser eller avlägsna arbetare där snabb insikt i hälsostatus måste vägas mot begränsad bandbredd, energi och uppkoppling.

Citering: 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

Nyckelord: övervakning av soldathälsa, LoRaWAN, bärbara sensorer, AI-hälsoprediktion, Internet of Medical Things