HEAL：用于基于 AI 的实时士兵监测与状态预测的健康增强自适应 LoRaWAN

为何远程监测士兵健康至关重要

在当今战场，士兵常常远离医生，活动于通信不稳定、地形恶劣的环境中，且电池需维持数日运行。本研究探讨可穿戴健康传感器、低功耗无线链路与人工智能如何协同工作，以安静且持续地监测士兵的生命体征。目标是在无线连接不可靠时，及时发现中暑、缺氧或其他健康问题的早期警示并提醒医护人员。

智能军服与远程生命线

医疗物联网的最新进展使得将传感器织入军服、腕带或胸带成为可能，这些设备可以跟踪心率、体温、血氧等指标。早期系统通常依赖蓝牙或 Wi‑Fi 等短距离连接，这类连接在基地附近表现良好，但在山岭、森林或行进车队间易受限。本文聚焦 LoRaWAN——一种长距离、低功耗的无线技术，能在数百米乃至数公里范围内传输小数据包。挑战在于该无线链路可能丢包、产生延迟并限制可发送的数据量，这些都可能扰乱期望获取干净、规则读数的 AI 模型。

名为 HEAL 的框架

作者提出了 HEAL（Health-Enhanced Adaptive LoRaWAN）框架，将可穿戴传感器、LoRaWAN 网络与 AI 模型整合为端到端系统。每名士兵携带小型传感器，通过 LoRaWAN 网关将选定的生命体征发往中央服务器，AI 在短时间窗内分析这些读数并将健康状态分类为“健康”、“警示”或“危急”。“自适应”指的是 AI 在数据晚到、偶尔缺失或测量次数低于理想水平时，仍能被挑选与调优以维持准确性，反映低功耗战场网络中的真实情况。

教 AI 解读生命体征

为训练和测试 AI，研究人员使用了大型公共生命体征数据集，而非真实战场数据。由于数据集缺乏健康标签，他们请多种大型语言模型作为自动“标注助手”，根据心率、体温、血氧、血压、呼吸频率和血糖等组合将每条记录分为“健康”、“警示”或“危急”。随后采用一套基于医学指南的简单规则方案对这些标签进行安全性检查。团队对数据进行了清洗与均衡，使每类健康状态都有良好代表性，然后训练并比较了 13 种不同的处理生命体征时间序列的深度学习模型，例如 LSTM 与 GRU 网络。一种对三项核心信号（心率、体温与血氧）短时间窗进行双向 LSTM 分析的模型实现了约 94% 的准确率与 95% 的宏 F1 分数，表明它能够可靠地处理常见与罕见的健康状态。

在脆弱无线链路中部署 AI

接着，HEAL 在一个详尽的 LoRaWAN 仿真器中进行了测试，模拟数据包在移动士兵与网关之间如何传播、碰撞或丢失。最优 AI 模型部署在仿真应用服务器上，接收通过的任何数据包并实时生成健康预测。研究改变了士兵与网关之间的距离（200 到 1000 米）以及无线扩频因子（spreading factor），该因子在传输时间与范围/可靠性之间权衡。在有利条件下，距离在 200 到 400 米且扩频因子较低时，网络能传输多达 91% 的数据包，同时 AI 仍达到约 93% 的准确率。随着距离增加或扩频因子升高，数据包传输率与吞吐量下降，且每条成功消息的能耗上升，突显了范围、可靠性与电池寿命之间的明显权衡。

从实验模型到实际任务

研究者还考察了模型从干净的实验室数据到更粗糙的、反映丢包与不规则时序的仿真野外数据的迁移性能。直接应用时，模型准确率下降至约 70% 中段，但在 LoRaWAN 风格数据上进行细致微调后，性能恢复到 92% 以上。这表明若要在真实部署中可靠工作（而非仅在受控数据集内），必须用考虑通信特性的示例来训练 AI。

这对未来士兵护理意味着什么

简而言之，这项工作表明，借助低功耗可穿戴设备与长距离无线链路，在现实中持续监测士兵健康是切实可行的，前提是 AI 与网络需协同设计。经过精心挑选的 AI 模型、基于良好标注数据的训练并针对无线信道特性进行适配，即使部分读数缺失，也能识别士兵从健康向警示或危急状态的转变。HEAL 提供了一份蓝图，可用于指导未来军事单元、灾难救援人员或偏远工作者的监测系统，让对健康状态的及时洞见在带宽、能量与连接受限的环境中仍然可行。

引用: 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

关键词: 士兵健康监测, LoRaWAN, 可穿戴传感器, AI 健康预测, 医疗物联网