CN111145896B - 一种分布式的5g医疗物联网健康监测方法 - Google Patents
一种分布式的5g医疗物联网健康监测方法 Download PDFInfo
- Publication number
- CN111145896B CN111145896B CN201911353250.2A CN201911353250A CN111145896B CN 111145896 B CN111145896 B CN 111145896B CN 201911353250 A CN201911353250 A CN 201911353250A CN 111145896 B CN111145896 B CN 111145896B
- Authority
- CN
- China
- Prior art keywords
- data
- health monitoring
- medical
- patient
- wbans
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于医疗物联网下的健康监测技术领域,公开了一种分布式的5G医疗物联网健康监测方法,将边缘计算与医疗物联网相结合,研究医疗物联网中资源分配和任务调度的优化问题,以最小化系统开销为目标给出分布式健康监测方法。考虑医疗物联网的特性,系统开销定义为关于健康监测数据的医疗重要性,新鲜度和能耗的函数。由于优化问题受到多个变量约束,且变量之间相互耦合,本发明根据医疗物联网的两个子网络将原优化问题分解为两个子优化问题,即无线人体局域网内部网络资源分配问题IWS和无线人体局域网外部网络任务调度问题BWS。本发明提供了医疗物联网下的分布式健康监测的一种新方法。
Description
技术领域
本发明属于医疗物联网下的健康监测技术领域,尤其涉及边缘计算支持的5G分布式室内健康监测方法。
背景技术
物联网(IoT)将众多的设备与人类联系在一起,其中一个重要分支就是提供无处不在的室内医疗保障。医疗物联网(IoMTs)的迅速发展促进了室内健康监测网络的普及。现代社会人们生活承受着巨大的压力,很难及时接受医疗检查并及时寻求医疗建议,从而增大了慢性病(例如心脏病或肺部疾病)恶化的风险。此外,频谱资源的稀缺和大量的医疗数据导致过高的延迟和能耗,限制了IoMTs的进一步发展。为了减轻医疗保健基础设施的负担,避免疾病恶化,更高效的室内健康检测方法有待于研究人员的进一步探索。
发明内容
本发明的目的主要针对现有研究的一些不足之处,以最小化系统开销为目标,提出IoMTs下分布式的室内5G医疗物联网健康监测方法。我们将IoMTs划分为两个子网络:无线人体局域网内部网络(intra-WBANs)和无线人体局域网外部网络(beyond-WBANs)。结合IoMTs不同于传统IoT的特征,系统开销与被监测数据的医疗重要性,新鲜度和分析原始数据的能耗有关。对于intra-WBANs,本发明将其转化为合作博弈,利用纳什讨价还价解得到最优信道资源分配。对于beyond-WBANs,本发明考虑到用户的个人理性和潜在的自私性,提出了一种基于潜博弈的分布式非合作博弈方法,以最小化系统开销。
本发明的技术方案:
一种分布式的5G医疗物联网健康监测方法,步骤如下:
(1)构建IoMTs网络模型,包括intra-WBANs和beyond-WBANs下被监测数据的医疗重要性、新鲜度和分析原始数据的能耗模型;
考虑边缘计算支持的室内健康监测WBANs,其中部署在患者身上的传感器监测各种类型的原始医疗数据,然后将它们传输到附近的边缘服务器进行医学分析;
构建的IoMTs健康监测模型包含N个患者,每位患者全身部署了M个传感器,此外K个边缘服务器提供医疗分析计算服务;用τi,m={di,m,ci,m,si,m}表示部署在患者i身上的传感器m监测到的原始医疗信息,其中di,m表示数据大小,ci,m表示完成医疗分析任务需要的CPU周期数,si,m表示该数据的医疗重要性等级;
IoMTs健康监测模型内的资源调度分为两个子阶段:intra-WBANs调度(IWS)和beyond-WBANs调度(BWS);对于IWS,传感器以正交频分多址接入(OFDMA)方式传输健康监测数据包;由于IoMTs中的医疗信息高度延迟敏感,因此传输到医疗中心的数据包不能过时(新鲜度过低)。因此,IWS的目标是保证所有受监测医疗信息的新鲜度;对于BWS,所有健康监测数据包(即原始数据)被传输到医疗中心之前都需要经由本地设备(本地计算)或边缘服务器(边缘计算)处理;非正交多址接入(NOMA)和OFDMA技术被用于5G beyond-WBANs传输;BWS利用边缘服务器的计算资源和本地计算资源来处理由传感器采集的健康监测数据包,旨在最小化IoMTs的系统开销;
定义监测数据的医疗重要性、新鲜度和能耗三个因素共同决定系统开销;第一个因素是健康监测数据包的医疗重要性,它从医学的角度反映了监测数据的健康严重性指标;WBANs可协助医疗系统远程实时监测患者;为了全面监测患者的健康状况,每位患者身上部署了多个异构传感器,以收集各种数据进行健康状况评估;例如,ElectroCardioGram(ECG)传感器负责心率,血压和术后监测,而陀螺仪胰岛素监测器则负责监测血糖。一般来说,以上两种医疗数据的医疗重要性不同,即健康监测数据包需要根据其医疗关键性分为几个等级,IEEE 802.15.6标准中提供了相应的分级参考;
健康监测数据包按照医疗重要性划分为S个离散的医疗重要性等级,用表示;对于由患者i生成的健康监测数据包,定义二进制变量xi,m,s指示其医疗重要性等级,其中xi,m,s=1表示健康监测数据包医疗重要性等级为s,否则xi,m,s=0;令Ci,m表示部署在患者i身上的传感器m监测到的所有数据包的累计医疗重要性,计算公式如下:
其中,βi,m,s∈[0,∞)表示重要性相关系数。对于任意两个医疗重要性等级s和s',如果等级s的健康监测数据的重要性高于等级s',那么βi,m,s>βi,m,s′;
决定系统开销的第二个因素是数据的新鲜度;传感器监测的任何医疗信息都是时间敏感的,过时的数据会影响医疗中心对于患者健康状况的评估;理想情况下,传感器能够实时监测患者的各项指标,并将最新的数据实时传输到边缘服务器进行分析;然而,由于无线通信资源和服务器计算能力的限制,实时更新监测信息是难以实现的。因此,健康监测方法考虑了监测数据的新鲜度,通信和计算资源将在数据新鲜度的约束下按需分配;传感器m最近一次传输监测数据的时间记为在时隙t时,传感器m监测的数据的新鲜度表示为:
能耗是影响系统开销的第三个因素;由于可穿戴设备(例如人体传感器和本地设备)没有稳定的电源,因此长时间工作带来的过多能耗缩短了这些设备的寿命,限制了WBANs的发展。Intra-WBANs和beyond-WBANs的能耗是影响整个健康监测系统寿命的重要因素;
对于intra-WBANs,传感器消耗电能来进行健康监测,并将监测数据传输到网关;信道带宽以OFDMA的方式分配给传感器,用ωi,m表示分配给传感器m的带宽;其传输速率通过以下公式计算:
其中,pi,m表示传输功率,hi,m表示信道增益,σ2表示噪声功率;相应的,健康监测数据的传输延迟和能耗通过以下公式计算:
从传感器接收到健康监测数据后,网关选择通过本地设备或边缘服务器处理这些数据;所有患者的策略集用a={a1,a2,…,aN}表示;由于每位患者的决策是相互关联的,因此本方法定义I(k=ai),k∈K,i∈N指示患者i是否选择边缘服务器k,I(k=ai)=1表示患者i将健康监测数据上传到边缘服务器k进行处理,否则I(k=ai)=0;类似的,I(aj=ai),i,j∈N可以指示患者i和j的策略是否相同(选择本地设备或同一边缘服务器处理数据),I(aj=ai)=1表示两者策略相同,反之I(aj=ai)=0;给定策略集a,患者i的上传速率通过如下公式计算:
其中,pi表示患者i的网关的传输功率;B表示边缘服务器占用的信道带宽;hj,k表示除患者i以外其他患者的信道增益;
由于边缘服务器和医疗中心通过高速光缆通信,与拥塞的无线通信相比,其能耗和延迟可以忽略不计。Beyond-WBANs内的能耗开销主要来源于患者上传数据的传输能耗,以及数据处理能耗。基于传输速率Ri(a),患者i的传输能耗由以下公式计算:
本地设备和边缘服务器都可以处理健康监测数据;令和分别表示本地设备和边缘服务器的计算能力。边缘服务器的总计算资源表示为Fe;占用同一边缘服务器的患者均等地共享计算资源,每个人获得的计算能力通过如下公式计算:
其中,ne(a)表示与患者i占用同一边缘服务器的人数;本地设备和边缘服务器的数据处理能耗分别通过如下公式计算:
其中,ci表示完成患者i的全部传感器监测的医疗分析任务需要的CPU周期数;pi和pe分别表示本地设备和边缘服务器的任务处理功率;
基于传感器和网关的传输能耗,以及本地设备和边缘服务器的数据处理能耗,IoMTs内的总能耗通过如下公式得到:
(2)根据步骤(1)中的IoMTs网络模型,以最小化系统开销为目标,描述优化问题;根据IoMTs的两个子网络,将优化问题分解为两个子问题,第一个子问题求解intra-WBANs下的信道资源分配;第二个子问题求解beyond-WBANs下的传输决策;
2.1)根据(1)中的IoMTs网络模型,以最小化系统开销为目标,描述优化问题:
s.t.
其中,C1约束所有传感器所监测数据的新鲜度都不能超过阈值从而确保所有医疗信息都能及时更新;C2约束患者共享的边缘服务器的计算能力不超过其总量;C3限制分配给传感器的带宽不能超过阈值ωmax;C4,C5和C6约束几个变量的取值范围;
2.2)根据IoMTs的两个子网络,将优化问题分解为两个子问题:
通过观察步骤2.1)的系统开销函数发现,将健康监测数据上传到边缘服务器时,每个患者的开销不仅取决于自己的决策,还取决于其他人的策略;如果过多的患者占用同一边缘服务器,相应的传输和计算速率会下降,导致数据的上传和处理开销增加。在这种情况下,本地计算更适合这些患者。为了解决步骤(2.1)的优化问题内部的变量耦合问题,本方法根据IoMTs的两个子网络,将原优化问题分解为两个子问题,即Intra-WBANs调度(IWS)问题和Beyond-WBANs调度(BWS)问题。
在intra-WBANs内,传感器将健康监测数据发送给网关,系统开销主要取决于监测数据的医疗重要性、新鲜度以及相应的传输能耗。IWS问题表述为:
s.t.
在beyond-WBANs内,最小化系统开销等价于最小化网关到边缘服务器的传输能耗以及本地计算或边缘计算带来的数据处理能耗。BWS问题表述为:
s.t.
(3)构建合作讨价还价博弈求解第一个子问题
将步骤(2.2)中的IWS问题建模为合作博弈;传感器通过调整自身策略ωi,m来竞争信道资源;该博弈表述如下:
其中,ωi,-m表示除传感器m之外其他传感器的决策;利用纳什讨价还价解来求解上述博弈的纳什均衡解;
(4)构建基于潜博弈的非合作博弈求解第二个子问题
将步骤(2.2)中的BWS问题建模为非合作博弈,并提出了基于潜博弈的分布式健康监测(DIGTAL)方法求解纳什均衡。
本发明的有益效果:本发明基于边缘计算构建了IoMTs下的5G健康监测模型,协同考虑了监测数据的医疗重要性,新鲜度和能耗,能够最小化系统开销。本发明将IoMTs分为两个子网络,即intra-WBANs和beyond-WBANs。对于intra-WBANs,本发明构建了一个合作博弈,并利用纳什讨价还价解求解博弈的帕累托最优解。对于beyond-WBANs,考虑到患者的个体理性和潜在的自私性,本发明构建了一个非合作博弈,并提出了一种基于潜博弈的分布式健康监测方法来求解博弈的纳什均衡。实验结果证明了本发明所提出的算法的高效性。
附图说明
图1为本发明构建的边缘计算支持的5G分布式室内健康监测模型。各类传感器部署在患者身上进行远程健康监测。传感器将监测到的数据发送给网关(本地设备可作为网关),网关选择利用本地计算或边缘计算进行数据处理。最后健康监测信息被传回给医疗中心
图2为健康监测流程。首先,利用纳什讨价还价解分配intra-WBANs内无线信道资源,然后患者广播自身的待处理的数据的信息,基于潜博弈的分布式方法求解beyond-WBANs内的任务调度的最优策略,最后将医疗信息传输到的医疗中心。
图3为患者策略的动态更新图。所有患者的最初策略都是本地计算。经过一段时间,策略集收敛到一个稳定点,患者之间到达纳什均衡。
图4比较了本发明提出的DIGTAL和集中式算法的时间复杂度。与集中式算法相比,DIGTAL的收敛时间平均减少了78%。
图5展示了健康监测数据大小对系统开销的影响。与本地计算方案相比,DIGTAL方法可以降低44%的系统开销。且DIGTAL方法能够逼近集中式算法的性能。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将对本发明的具体实施方式作进一步的详细描述。
本发明实例提供了一种分布式的5G医疗物联网健康监测方法,该方法包括:
步骤1:基于纳什讨价还价解求解IWS问题。
步骤2:基于潜博弈的分布式健康监测(DIGTAL)方法求解BWS问题。
2.1)初始化所有患者的策略集为零集合,即所有患者默认选择本地计算进行数据处理。
2.4)服务器随机选择一名患者更新其策略,其他发送请求的患者的策略保持不变。重复进行步骤2.2)和2.3),直到没有患者提出策略更新请求。
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (1)
1.一种分布式的5G医疗物联网健康监测方法,其特征在于,步骤如下:
(1)构建IoMTs网络模型,包括intra-WBANs和beyond-WBANs下被监测数据的医疗重要性、新鲜度和分析原始数据的能耗模型;
考虑边缘计算支持的室内健康监测WBANs,其中部署在患者身上的传感器监测各种类型的原始医疗数据,然后将它们传输到附近的边缘服务器进行医学分析;
构建的IoMTs健康监测模型包含N个患者,每位患者全身部署了M个传感器,此外K个边缘服务器提供医疗分析计算服务;用τi,m={di,m,ci,m,si,m}表示部署在患者i身上的传感器m监测到的原始医疗信息,其中di,m表示数据大小,ci,m表示完成医疗分析任务需要的CPU周期数,si,m表示该数据的医疗重要性等级;
IoMTs健康监测模型内的资源调度分为两个子阶段:intra-WBANs调度IWS和beyond-WBANs调度BWS;对于IWS,传感器以正交频分多址接入方式传输健康监测数据包;对于BWS,所有健康监测数据包即原始数据被传输到医疗中心之前都需要经由本地设备即本地计算或边缘服务器即边缘计算处理;非正交多址接入和正交频分多址接入被用于5G beyond-WBANs传输;BWS利用边缘服务器的计算资源和本地计算资源来处理由传感器采集的健康监测数据包,旨在最小化IoMTs的系统开销;
定义监测数据的医疗重要性、新鲜度和能耗三个因素共同决定系统开销;第一个因素是健康监测数据包的医疗重要性,它从医学的角度反映了监测数据的健康严重性指标;WBANs可协助医疗系统远程实时监测患者;为了全面监测患者的健康状况,每位患者身上部署了多个异构传感器,以收集各种数据进行健康状况评估;以上两种医疗数据的医疗重要性不同,即健康监测数据包需要根据其医疗关键性分为几个等级,IEEE 802.15.6标准中提供了相应的分级参考;
健康监测数据包按照医疗重要性划分为S个离散的医疗重要性等级,用表示;对于由患者i生成的健康监测数据包,定义二进制变量xi,m,s指示其医疗重要性等级,其中xi,m,s=1表示健康监测数据包医疗重要性等级为s,否则xi,m,s=0;令Ci,m表示部署在患者i身上的传感器m监测到的所有数据包的累计医疗重要性,计算公式如下:
其中,βi,m,s∈[0,∞)表示重要性相关系数,对于任意两个医疗重要性等级s和s',如果等级s的健康监测数据的重要性高于等级s',那么βi,m,s>βi,m,s′;
能耗是影响系统开销的第三个因素;Intra-WBANs和beyond-WBANs的能耗是影响整个健康监测系统寿命的重要因素;
对于intra-WBANs,传感器消耗电能来进行健康监测,并将监测数据传输到网关;信道带宽以OFDMA的方式分配给传感器,用ωi,m表示分配给传感器m的带宽;其传输速率通过以下公式计算:
其中,pi,m表示传输功率,hi,m表示信道增益,σ2表示噪声功率;相应的,健康监测数据的传输延迟和能耗通过以下公式计算:
从传感器接收到健康监测数据后,网关选择通过本地设备或边缘服务器处理这些数据;所有患者的策略集用a={a1,a2,…,aN}表示;由于每位患者的决策是相互关联的,因此本方法定义I(k=ai),k∈K,i∈N指示患者i是否选择边缘服务器k,I(k=ai)=1表示患者i将健康监测数据上传到边缘服务器k进行处理,否则I(k=ai)=0;类似的,I(aj=ai),i,j∈N可指示患者i和j的策略是否相同,I(aj=ai)=1表示两者策略相同,反之I(aj=ai)=0;给定策略集a,患者i的上传速率通过如下公式计算:
其中,pi表示患者i的网关的传输功率;B表示边缘服务器占用的信道带宽;hj,k表示除患者i以外其他患者的信道增益;
Beyond-WBANs内的能耗开销主要来源于患者上传数据的传输能耗,以及数据处理能耗;基于传输速率Ri(a),患者i的传输能耗由以下公式计算:
本地设备和边缘服务器都可处理健康监测数据;令fi l和fi e分别表示本地设备和边缘服务器的计算能力;边缘服务器的总计算资源表示为Fe;占用同一边缘服务器的患者均等地共享计算资源,每个人获得的计算能力通过如下公式计算:
其中,ne(a)表示与患者i占用同一边缘服务器的人数;本地设备和边缘服务器的数据处理能耗分别通过如下公式计算:
其中,ci表示完成患者i的全部传感器监测的医疗分析任务需要的CPU周期数;pi和pe分别表示本地设备和边缘服务器的任务处理功率;
基于传感器和网关的传输能耗,以及本地设备和边缘服务器的数据处理能耗,IoMTs内的总能耗通过如下公式得到:
(2)根据步骤(1)中的IoMTs网络模型,以最小化系统开销为目标,描述优化问题;根据IoMTs的两个子网络,将优化问题分解为两个子问题,第一个子问题求解intra-WBANs下的信道资源分配;第二个子问题求解beyond-WBANs下的传输决策;
2.1)根据(1)中的IoMTs网络模型,以最小化系统开销为目标,描述优化问题:
s.t.
其中,C1约束所有传感器所监测数据的新鲜度都不能超过阈值从而确保所有医疗信息都能及时更新;C2约束患者共享的边缘服务器的计算能力不超过其总量;C3限制分配给传感器的带宽不能超过阈值ωmax;C4,C5和C6约束几个变量的取值范围;
2.2)根据IoMTs的两个子网络,将优化问题分解为两个子问题:
通过观察步骤2.1)的系统开销函数发现,将健康监测数据上传到边缘服务器时,每个患者的开销不仅取决于自己的决策,还取决于其他人的策略;如果过多的患者占用同一边缘服务器,相应的传输和计算速率会下降,导致数据的上传和处理开销增加;在这种情况下,本地计算更适合这些患者;为了解决步骤(2.1)的优化问题内部的变量耦合问题,本方法根据IoMTs的两个子网络,将原优化问题分解为两个子问题,即Intra-WBANs调度(IWS问题和Beyond-WBANs调度BWS问题;
在intra-WBANs内,传感器将健康监测数据发送给网关,系统开销主要取决于监测数据的医疗重要性、新鲜度以及相应的传输能耗;IWS问题表述为:
s.t.
在beyond-WBANs内,最小化系统开销等价于最小化网关到边缘服务器的传输能耗以及本地计算或边缘计算带来的数据处理能耗;BWS问题表述为:
s.t.
(3)构建合作讨价还价博弈求解第一个子问题
将步骤(2.2)中的IWS问题建模为合作博弈;传感器通过调整自身策略ωi,m来竞争信道资源;该博弈表述如下:
其中,ωi,-m表示除传感器m之外其他传感器的决策;利用纳什讨价还价解来求解上述博弈的纳什均衡解;
(4)构建基于潜博弈的非合作博弈求解第二个子问题
将步骤(2.2)中的BWS问题建模为非合作博弈,并提出了基于潜博弈的分布式健康监测方法求解纳什均衡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353250.2A CN111145896B (zh) | 2020-03-04 | 2020-03-04 | 一种分布式的5g医疗物联网健康监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353250.2A CN111145896B (zh) | 2020-03-04 | 2020-03-04 | 一种分布式的5g医疗物联网健康监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145896A CN111145896A (zh) | 2020-05-12 |
CN111145896B true CN111145896B (zh) | 2022-11-18 |
Family
ID=70519750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353250.2A Active CN111145896B (zh) | 2020-03-04 | 2020-03-04 | 一种分布式的5g医疗物联网健康监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145896B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986821B (zh) * | 2020-08-27 | 2022-04-22 | 广州市香雪制药股份有限公司 | 一种面向远程诊疗的非合作博弈资源调度方法 |
CN112073531B (zh) * | 2020-09-15 | 2021-10-19 | 常熟理工学院 | 一种基于边缘计算的物联网实时监测系统的实现方法 |
CN113598729A (zh) * | 2021-09-04 | 2021-11-05 | 联想新视界(南昌)人工智能工研院有限公司 | 一种基于5g边缘计算的智能医疗系统 |
CN114025362B (zh) * | 2022-01-05 | 2022-04-01 | 华东交通大学 | 基于无线通信和分布式计算的铁路施工安全监测方法 |
CN114640900B (zh) * | 2022-03-14 | 2024-05-24 | 珠海格力电器股份有限公司 | 一种信息联网系统的数据管理方法、装置及存储介质 |
CN114546996A (zh) * | 2022-04-26 | 2022-05-27 | 天津乐聆康养科技有限公司 | 一种基于边缘端学习的穿戴数据处理方法 |
CN115865298B (zh) * | 2022-11-28 | 2023-08-18 | 徐州医科大学 | 一种面向主动健康监测系统的传输时延优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102685233A (zh) * | 2012-05-11 | 2012-09-19 | 上海交通大学 | 移动医疗保健远程监控系统及其数据传输方法 |
CN104541268A (zh) * | 2012-03-22 | 2015-04-22 | 香港浸会大学 | 智能健康护理决策分析与支持的方法和设备 |
CN108597599A (zh) * | 2018-04-28 | 2018-09-28 | 厦门理工学院 | 一种基于云雾资源低延迟调度的健康监护系统及方法 |
CN109905470A (zh) * | 2019-02-18 | 2019-06-18 | 南京邮电大学 | 一种基于边缘网关系统的开销优化任务调度方法 |
-
2020
- 2020-03-04 CN CN201911353250.2A patent/CN111145896B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104541268A (zh) * | 2012-03-22 | 2015-04-22 | 香港浸会大学 | 智能健康护理决策分析与支持的方法和设备 |
CN102685233A (zh) * | 2012-05-11 | 2012-09-19 | 上海交通大学 | 移动医疗保健远程监控系统及其数据传输方法 |
CN108597599A (zh) * | 2018-04-28 | 2018-09-28 | 厦门理工学院 | 一种基于云雾资源低延迟调度的健康监护系统及方法 |
CN109905470A (zh) * | 2019-02-18 | 2019-06-18 | 南京邮电大学 | 一种基于边缘网关系统的开销优化任务调度方法 |
Non-Patent Citations (1)
Title |
---|
远程医疗健康物联网的研究应用;熊友生等;《医学信息》;20181001(第19期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111145896A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145896B (zh) | 一种分布式的5g医疗物联网健康监测方法 | |
Yaghmaee et al. | A prioritization based congestion control protocol for healthcare monitoring application in wireless sensor networks | |
Dong et al. | Edge computing based healthcare systems: Enabling decentralized health monitoring in Internet of medical Things | |
CN110018834A (zh) | 一种混合移动云/边缘计算的任务卸载和数据缓存方法 | |
Yuan et al. | A DQN-based frame aggregation and task offloading approach for edge-enabled IoMT | |
Alsiddiky et al. | Priority-based data transmission using selective decision modes in wearable sensor based healthcare applications | |
Manfredi | Congestion control for differentiated healthcare service delivery in emerging heterogeneous wireless body area networks | |
Rajendra Prasad et al. | A hybrid energy-efficient routing protocol for wireless body area networks using ultra-low-power transceivers for eHealth care systems | |
CN115802389B (zh) | 一种利用数字孪生辅助模型训练的联邦学习方法 | |
CN115002838A (zh) | 基于年龄惩罚的分类无线体域网多节点信息更新调度方法 | |
Kapoor et al. | Secured healthcare monitoring for remote patient using energy-efficient IoT sensors | |
Hadi et al. | Using machine learning and big data analytics to prioritize outpatients in HetNets | |
Seid et al. | Multi-agent federated reinforcement learning for resource allocation in uav-enabled internet of medical things networks | |
Toding et al. | 5G technology in smart Healthcare and smart city development integration with deep learning architectures | |
Mohanty et al. | Sustainable remote patient monitoring in wireless body area network with multi-hop routing and scheduling: a four-fold objective based optimization approach | |
Isabel et al. | An optimal trust aware cluster based routing protocol using fuzzy based trust inference model and improved evolutionary particle swarm optimization in WBANs | |
Tang et al. | Mathematical modeling of resource allocation for cognitive radio sensor health monitoring system using coevolutionary quantum-behaved particle swarm optimization | |
KR20180036068A (ko) | 사물 인터넷 기기의 제어 시스템 및 이의 제어 방법 | |
Kim et al. | Adaptive scheduling for multi-objective resource allocation through multi-criteria decision-making and deep Q-network in wireless body area networks | |
CN115865298B (zh) | 一种面向主动健康监测系统的传输时延优化方法 | |
Mohammed et al. | Fdrl approach for association and resource allocation in multi-uav air-to-ground iomt network | |
Bragg et al. | Intelligent transmission of patient sensor data in wireless hospital networks | |
Aiswarya et al. | Latency Reduction in Medical IoT Using Fuzzy Systems by Enabling Optimized Fog Computing | |
Dong et al. | Internet of UAVs based remote health monitoring: An online eHealth system | |
Iqbal et al. | Swarm intelligence based resource management for cooperative cognitive radio network in smart hospitals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |