6G ağlarında akıllı sağlık izleme: Makine öğrenmesi destekli VLC tabanlı medikal vücut sensör ağları

Yapay Zeka (YZ) destekli kablosuz haberleşmedeki son gelişmeler, elektromanyetik girişim kaygıları nedeniyle geleneksel Radyo Frekansı (RF) sistemlerinin kısıtlamalarla karşılaştığı hastaneler gibi kritik ortamlarda Altıncı Nesil (6G) teknolojilerinin benimsenmesini hızlandırmaktadır. Mevcut LED tabanlı aydınlatma altyapısını kullanan Görünür Işık Haberleşmesi (VLC), yüksek hızlı veri iletimi ve azaltılmış elektromanyetik girişim (EMI) gibi ikili avantaj sunmaktadır. Ancak, klinik ortamlardaki hasta hareketleri sinyal alımında önemli değişkenliğe neden olmakta ve kanal özelliklerini dinamik olarak değiştirmektedir. Bu araştırma, farklı hastane senaryolarında VLC tabanlı Medikal Vücut Sensör Ağları (MBSN) kanallarını modellemek için ortama özgü ışın izleme ile Makine Öğrenmesi (ML) tekniklerini birleştiren yenilikçi bir metodoloji sunmaktadır. İlk katkı, önceden çevresel veriye ihtiyaç duymadan gerçek zamanlı olarak hedef sembol hata oranlarını (SER) koruyabilen Q-öğrenme güdümlü uyarlanabilir modülasyon algoritmasının uygulanmasını içermektedir. İkinci bileşen, değişken hastane koşullarında yol kaybı ve Kök Ortalama Kare (RMS) gecikme yayılımını tahmin etmek için bir Uzun Kısa Süreli Bellek (LSTM) modeli tasarlamayı kapsamaktadır. Üçüncü katkı, doğru hasta konumlandırması için altı farklı algoritmayı—Doğrusal Regresyon, Destek Vektör Regresyonu, K-En Yakın Komşu, Çok Katmanlı Algılayıcı (MLP), LSTM ve Geçitli Tekrarlayan Birimler—değerlendiren kapsamlı bir ML tabanlı konum tahmin çerçevesi sunmaktadır. Bugüne kadar, bu çalışma tıbbi ortamlarda ışın izlemeli Kanal Darbe Yanıtı (CIR) modellemesini ML güdümlü analizle birleştiren ilk çalışma olarak görünmektedir. Simülasyon bulguları, Q-öğrenme modelinin güvenilir bir şekilde SER hedeflerini karşıladığını ve spektral verimliliğin (SE) eşik seviyesine yakın koşullarda optimale yakın performans gösterdiğini ortaya koymaktadır. Ayrıca, LSTM tabanlı tahminler, Yoğun Bakım Ünitesi (YBÜ) senaryosunda D1 konumundaki sensörün hem yol kaybı (1.6797 dB) hem de RMS gecikme yayılımı (1.0567 ns) için en büyük Kök Ortalama Kare Hatasını (RMSE) ürettiğini göstermektedir. Buna karşılık, Aile Tipi Hasta Odasında (ATHO) D3 sensörü, yol kaybında (1.0652 dB) ve gecikme yayılımında (0.7657 ns) en yüksek RMSE değerlerini vermekte ve gerçekçi çalışma koşullarında güçlü tahmin performansını doğrulamaktadır. Konum tahmini için MLP, optimal mimari olarak öne çıkmakta, ATHO'da birleşik D1-D2-D3 sensör konfigürasyonları için 58.6 cm'lik metre altı doğruluk elde etmekte, bireysel sensörler 63.5 cm (D1), 75.0 cm (D2) ve 73.1 cm (D3) değerleri vermekte, daha karmaşık YBÜ ortamında ise MLP, D1-D2-D3 için 217.1 cm'lik klinik olarak kabul edilebilir hassasiyeti korumakta, eşleştirilmiş konfigürasyonlar 202.1 cm (D1-D2) ve 216.3 cm (D1-D3) elde etmekte, tüm bunları sıralı modellere kıyasla %35-48 hesaplama gereksinimi azaltması ve %37-89 daha hızlı hiperparametre optimizasyonu ile sunarak sağlık tesislerinde gerçek zamanlı hasta takibi için en pratik çözüm olmaktadır.