Intelligent health monitoring in 6G networks: Machine learning-enhanced VLC-based medical body sensor networks
6G ağlarında akıllı sağlık izleme: Makine öğrenmesi destekli VLC tabanlı medikal vücut sensör ağları
- Tez No: 962394
- Danışmanlar: YRD. DOÇ. DR. FARSHAD MİRAMİRKHANİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Işık doğruluğu, Kanal kestirimi, Kanal modelleri, Makine öğrenmesi, Uyarlanabilir öğrenme sistemleri, Light fidelity, Channel estimation, Channel models, Machine learning, Adapvite learning systems
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Işık Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
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.
Özet (Çeviri)
Recent advancements in Artificial Intelligence (AI)-enabled wireless communication are accelerating the adoption of Sixth Generation (6G) technologies in critical environments such as hospitals, where traditional Radio Frequency (RF) systems face limitations due to electromagnetic interference concerns. Visible Light Communication (VLC), which utilizes existing LED-based lighting infrastructure, offers the dual advantage of high-speed data transmission and reduced electromagnetic interference (EMI). However, patient movement within clinical environments introduces considerable variability in signal reception and alters channel characteristics dynamically. This research introduces an innovative methodology that merges site-specific ray tracing with Machine Learning (ML) techniques to model VLC-based Medical Body Sensor Network (MBSN) channels across different hospital scenarios. The first contribution involves implementing a Q-learning-driven adaptive modulation algorithm capable of maintaining target symbol error rates (SER) in real time without requiring prior environmental data. The second component involves designing a Long Short-Term Memory (LSTM) model to estimate path loss and Root Mean Square (RMS) delay spread under time-varying hospital conditions. The third contribution presents a comprehensive ML-based position estimation framework that evaluates six different algorithms—Linear Regression, Support Vector Regression, K-Nearest Neighbors, Multilayer Perceptron (MLP), LSTM, and Gated Recurrent Units—for accurate patient localization. To date, this appears to be the first study that integrates ray-traced Channel Impulse Response (CIR) modeling with ML-driven analysis in medical environments. Simulation findings indicate that the Q-learning model reliably meets SER targets, with spectral efficiency (SE) performing close to optimal at near-threshold conditions. Additionally, the LSTM-based predictions reveal that in the Intensive Care Unit (ICU) scenario, the sensor at position D1 produces the largest Root Mean Square Error (RMSE) for both path loss (1.6797 dB) and RMS delay spread (1.0567 ns). Conversely, in the Family-Type Patient Room (FTPR), sensor D3 yields the highest RMSE for path loss (1.0652 dB) and delay spread (0.7657 ns), confirming strong predictive performance under realistic operational conditions. For position estimation, MLP emerges as the optimal architecture, achieving sub-meter accuracy of 58.6 cm for combined D1-D2-D3 sensor configurations in FTPR, with individual sensors yielding 63.5 cm (D1), 75.0 cm (D2), and 73.1 cm (D3), while in the more complex ICU environment, MLP maintains acceptable precision of 217.1 cm for D1-D2-D3, with paired configurations achieving 202.1 cm (D1-D2) and 216.3 cm (D1-D3), all while offering 35-48% reduction in computational requirements and 37-89% faster hyperparameter optimization compared to sequential models, making it the most practical solution for real-time patient tracking in healthcare facilities.
Benzer Tezler
- Yenidoğan yoğun bakım ünitesinde santral kateter uygulamalarının retrospektif incelenmesi
Retrospective evaluation of central catheter applications in the neonatal intensive care unit
ELİF GÖKÇE ÜNAL
Tıpta Uzmanlık
Türkçe
2023
Çocuk Sağlığı ve HastalıklarıGazi ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. İBRAHİM MURAT HIRFANOĞLU
- Improving aircraft engine maintenance effectiveness and reliability using intelligent based health monitoring
Akıllı durum izleme stratejilerini kullanarak uçak motor bakım etkinliği ve güvenilirliğinin iyileştirirlmesi
ŞEREF DEMİRCİ
Doktora
İngilizce
2009
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiHavacılık ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. CİNGİZ HACIYEV
- An agent-based alert distribution system for intelligent healthcare monitoring
AKILLI SAĞLIK TAKİBİ İÇİN AJAN-TABANLI UYARI DAĞITIM SİSTEMİ
BUĞRAHAN AKÇAY
Yüksek Lisans
İngilizce
2006
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ASUMAN DOĞAÇ
- Akıllı şehircilik kapsamında bir kamu binasında çevresel ortam parametrelerinin izlenmesi
Monitoring of environment parameters in a public building under smart urbanization
ALİ COROZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiBalıkesir ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERSİN AKYÜZ
- RFID-based indoor tracking system (ITO)
RFID destekli ev-içi aktivite takip sistemi
SİYAR ÖZTÜRK
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Ekonomi ÜniversitesiDOÇ. DR. MEHMET SÜLEYMAN ÜNLÜTÜRK