انتقال هم‌زمان بی‌سیم اطلاعات و توان در شبکه‌ای از حسگر‌های سطحی بدن و کاشتنی با قید دما و پیش‌بینی هوشمند کانال

شبکۀ بی‌سیم ناحیۀ بدن یکی از موارد کاربردی اینترنت اشیا در حوزۀ سلامت است. این شبکه توانایی نظارت بر پارامتر‌های فیزیولوژیکی بدن انسان را دارد. در این مقاله، مسئلۀ بهینه‌سازی دو‌هدفی طراحی شده است تا گذر‌دهی مجموع و انرژی بی‌سیم انتقالی به‌صورت هم‌زمان بیشینه شوند. شبکه یک سطحی مدنظر شامل حسگر‌های سطحی، کاشتنی و یک گره هماهنگ‌کننده است. تمام این حسگر‌ها دارای قابلیت برداشت انرژی از بدن و از سیگنال فرکانس رادیویی‌اند. برای حسگر کاشتنی به علت حساس‌بودن بافت‌های داخلی، قید دما در ‌نظر گرفته می‌شود. هر یک از حسگر‌ها داده‌های فیزیولوژیکی را با توجه به برنامه‌ریزی زمانی حاصل از حلّ مسئلۀ بهینه‌سازی، در فراسو برای گره هماهنگ‌کننده ارسال می‌کنند. در فرو‌سو در ابتدای هر فریم، هماهنگ‌کننده یک سیگنال راهنما برای انتقال انرژی بی‌سیم و تخمین کانال در حسگر ارسال می‌کند. از یک ساختار شبکۀ عصبی بازگشتی استفاده شد تا یک گام زمانی جلو‌تر کانال پیش‌بینی شود. سپس با کمک درون‌یابی، بهره کانال همۀ شیار‌های زمانی یک فریم را تخمین زده و برنامه‌ریزی زمانی دسترسی حسگر‌ها به کانال بهبود داده می‌شود. نتایج شبیه‌سازی، بهبود بهینه‌سازی تابع هدف و برنامه‌ریزی زمانی با روش پیشنهاد‌شده را نشان می‌دهد.

simultaneous wireless information and power transfer in a network of on-body and implantable sensors with temperature constraint and intelligent channel prediction

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 twoobjective optimization problem is designed to maximize the sumthroughput and wireless transferred energy simultaneously. the designed onetier 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.