伊希克大学的研究人员提出了一种开创性的智能健康监测方法，该方法将机器学习（ML）技术与可见光通信（VLC）系统相结合，用于下一代医疗身体传感器网络（MBSNs）。这项题为“6G网络中的智能健康监测：基于机器学习增强的可见光通信医疗身体传感器网络”的研究发表在《Sensors》杂志上，介绍了一种结合Q-learning和长短期记忆（LSTM）网络的双框架系统，用于动态医院环境中的实时自适应调制和信道估计。
该模型旨在克服医院通信基础设施中的严重挑战，尤其是射频（RF）网络在医疗环境中因设备产生的电磁干扰（EMI）而受到的数据传输限制。所提出的系统旨在确保现代医疗所需的超可靠、低延迟通信。
该模型如何改善医院通信？
研究引入了为6G网络构建的VLC通信架构。VLC利用LED灯具发出的调制光来传输数据，使其天然免疫于EMI，这是医院中基于RF系统的常见问题。然而，由于工作人员移动或患者重新定位导致的光线条件波动可能会引起VLC信号失真。
为了解决这个问题，研究结合了以下两个方面：
- 基于Q-learning的自适应调制策略，根据实时观察动态选择最佳调制阶数，优化频谱效率并最小化错误率。
- 基于LSTM的信道估计器，预测时变信道参数，如路径损耗和均方根时延扩展，提供精确的数据，用于均衡和干扰缓解。
实验设置模拟了两种真实的医院环境：重症监护室（ICU）和家庭型患者病房（FTPR），使用Zemax®进行光学建模，并使用MATLAB®进行ML集成。患者移动路径被映射，传感器安装在三个身体位置（肩部、手腕、脚踝）以评估真实世界移动条件下数据接收的可变性。
在FTPR中，Q-learning模型相比静态调制系统实现了高达304%的频谱效率增益。同时，LSTM在信号估计中的均方根误差（RMSE）显著低于GRU和KNN等基线模型。
机器学习模型的作用是什么？
机器学习是系统适应性和精度的核心。Q-learning代理不需要预先训练的数据，而是依靠与环境的实时交互来改进其决策。它根据信道反馈和预定义的符号错误率（SER）阈值从多个M-PAM调制方案中进行选择。
在LSTM模块中，模型通过过去的信道参数序列进行训练，以预测未来趋势。ICU场景显示，LSTM估计器在预测路径损耗1.1679 dB和均方根时延扩展0.8784 ns时表现最佳，优于GRU、SVR和标准RNN。这种能力使系统能够预测并补偿由于移动或光线变化引起的信号行为波动。
使用这些ML模型减少了对刚性、预先校准系统的依赖，引入了一个能够在动态、干扰频繁的医院环境中自主学习和适应的框架。
实际应用的影响
该研究所提出的方法在临床环境中具有巨大的潜力。主要影响包括：
- 安全的ICU操作：VLC消除了EMI风险，使其适合于有关键医疗设备的敏感区域。
- 连续的患者监测：由ML算法支持的可穿戴光电探测器可以实现全天候健康跟踪，而不牺牲患者的移动性或舒适度。
- 可靠的诊断和警报：低延迟模型允许近乎即时的健康数据更新，促进更快的医疗响应。
- 隐私和安全性：由于VLC需要视线传播并在有限空间内运行，因此减少了信号截获的可能性，解决了IoMT部署中的隐私问题。
光电探测器的位置也被发现是重要的。在FTPR场景中，脚踝安装的传感器（D3）产生了最高的RMSE，而在ICU环境中，肩部安装的传感器（D1）显示出最大的可变性。这些见解表明，未来的系统可能受益于动态传感器位置优化。
(全文结束)
