انتقال هم‌زمان بي‌سيم اطلاعات و توان در شبكه‌اي از حسگر‌هاي سطحي بدن و كاشتني با قيد دما و پيش‌بيني هوشمند كانال

Simultaneous Wireless Information and Power Transfer in a Network of On-body and Implantable Sensors With Temperature Constraint and Intelligent Channel Prediction

شبكۀ بي‌سيم ناحيۀ بدن يكي از موارد كاربردي اينترنت اشيا در حوزۀ سلامت است. اين شبكه توانايي نظارت بر پارامتر‌هاي فيزيولوژيكي بدن انسان را دارد. در اين مقاله، مسئلۀ بهينه‌سازي دو‌هدفي طراحي شده است تا گذر‌دهي مجموع و انرژي بي‌سيم انتقالي به‌صورت هم‌زمان بيشينه شوند. شبكه يك سطحي مدنظر شامل حسگر‌هاي سطحي، كاشتني و يك گره هماهنگ‌كننده است. تمام اين حسگر‌ها داراي قابليت برداشت انرژي از بدن و از سيگنال فركانس راديويي‌اند. براي حسگر كاشتني به علت حساس‌بودن بافت‌هاي داخلي، قيد دما در ‌نظر گرفته مي‌شود. هر يك از حسگر‌ها داده‌هاي فيزيولوژيكي را با توجه به برنامه‌ريزي زماني حاصل از حلّ مسئلۀ بهينه‌سازي، در فراسو براي گره هماهنگ‌كننده ارسال مي‌كنند. در فرو‌سو در ابتداي هر فريم، هماهنگ‌كننده يك سيگنال راهنما براي انتقال انرژي بي‌سيم و تخمين كانال در حسگر ارسال مي‌كند. از يك ساختار شبكۀ عصبي بازگشتي استفاده شد تا يك گام زماني جلو‌تر كانال پيش‌بيني شود. سپس با كمك درون‌يابي، بهره كانال همۀ شيار‌هاي زماني يك فريم را تخمين زده و برنامه‌ريزي زماني دسترسي حسگر‌ها به كانال بهبود داده مي‌شود. نتايج شبيه‌سازي، بهبود بهينه‌سازي تابع هدف و برنامه‌ريزي زماني با روش پيشنهاد‌شده را نشان مي‌دهد.

The wireless body area network (WBAN) is one of the applications of the Internet of things (IoT) for healthcare, which monitors human physiological parameters. In this paper, a two-objective optimization problem is designed to maximize the sum-throughput and wireless transferred energy simultaneously. The designed one-tier network includes body surface sensors, an implantable sensor, and one coordinator. All of these sensors can harvest energy from the body and radio frequency (RF) signals. A temperature constraint is considered for the implanted sensor due to the sensitivity of internal tissues. Each sensor transmits physiological data to the coordinator in the uplink according to the scheduled time slots obtained by solving the optimization problem. At the beginning of each frame in the downlink, the coordinator transmits a pilot signal to transfer wireless energy and for channel estimation at the sensors. We have used a Recurrent Neural Network (RNN) architecture to predict one time step ahead of the channel. Then by interpolation, the channel gains of all time slots of a frame are estimated and the time scheduling of the sensor access to the channel is improved. The simulation results show that the objective function and time scheduling are improved by the proposed algorithms.