Machine Learning Based Power Optimization and Performance Enhancement of Wsn Using Hierarchical Clustering Algorithm

في الزوايا الهادئة للمستشات الحديثة والممرات الصاخبة للمرافق الطبية، تعمل شبكة صامتة من الأجهزة الصغيرة التي تعمل بالبطاريات دون كلل. هذه هي الشبكات الاستشعارية اللاسلكية، وهي مجموعات من العقد الإلكترونية الصغيرة التي تراقب كل شيء، بدءاً من معدل ضربات قلب المريض وصولاً إلى درجة حرارة وحدة تخزين اللقاحات. إنها تجمع البيانات الحيوية وترسلها إلى نقطة مركزية حيث يمكن للأطباء رؤيتها في الوقت الفلي. ومع ذلك، تواجه هذه الأجهزة عائقاً جوهرياً: فهي تعمل ببطاريات لا يمكن استبدالها بسهولة بمجرد نشر الشبكة، خاصة إذا كانت المستشعرات مثبتة على المرضى أو وضعت في أماكن يصعب الوصول إليها. فإذا نفدت طاقة الشبكة، يتوقف المراقبة وتتلاشى شبكة الأمان. علاوة على ذلك، يجب أن تكون البيانات التي ترسلها دقيقة تماماً وتصل فوراً، لأن التأخير أو الأخطاء في المعلومات الطبية يمكن أن تؤدي إلى عواقب وخيمة. ويتمثل التحدي الذي يواجه المهندسين في إبقاء هذه الشبكات حية لأطول فترة ممكنة مع ضمان بقاء البيانات التي تنقلها موثوقة وسريعة.

لقد اقترح الباحثان ن. ريفاثي وف. ناندالال طريقة جديدة لإدارة هذه الشبكات، مصممة خصيصاً لبيئات الرعاية الصحية. يركز عملهما على طريقة تسمى "خوارزمية التجميع الهرمي التكيفي والانحدار"، والتي تستخدم مزيجاً من استراتيجيات التجميع والنمذجة التنبؤية لتوفير الطاقة. وبدلاً من أن يتحدث كل مستشعر مباشرة إلى المستقبل المركزي، وهو ما يهدر الكثير من الطاقة، يقوم النظام الجديد بتنظيم المستشعرات في مجموعات محلية صغيرة. وضمن كل مجموعة، يعمل مستشعر واحد كقائد، يجمع المعلومات من جيرانه ويرسل تقريراً واحداً مجمعاً إلى المحطة الرئيسية. هذا يقلل من عدد عمليات الإرسال بعيدة المدى، وهي أكثر الإجراءات استهلاكاً للطاقة التي يمكن للمستشعر القيام بها. والنظام ليس ثابتاً؛ فهو يراقب باستمرار مستويات الطاقة في المستشعرات وكمية البيانات التي تولدها. فإذا بدأ مستشعر القائد في انخفاض طاقته، يختار النظام تلقائياً قائداً جديداً أو يعيد تنظيم المجموعات للحفاظ على توازن الشبكة وكفاءتها.

ولجعل هذه القرارات أكثر ذكاءً، أضاف الباحثان طبقة من تعلم الآلة إلى العملية. لقد قاموا بتدريب نموذج حاسوبي للنظر في البيانات الماضية والتنبؤ بمقدار الطاقة التي سيحتاجها المستشعر لإرسال معلوماته في ظل ظروف محددة، مثل مدى بعده عن قائد المجموعة أو حجم البيانات التي يحاول إرسالها. ومن خلال استخدام هذه التنبؤات، يمكن للخوارزمية تعديل سلوك المستشعرات قبل أن تنفد طاقتها حتى، وذلك عبر ضبط معدلات الإرسال وجداول النوم الخاصة بها. تم تنفيذ هذا النهج في بيئة رعاية صحية محاكية ذات كثافات نشر ومستويات نشاط متفاوتة للمستشعرات، بدلاً من الاعتماد على مجموعة بيانات محددة من سجلات المرضى لاختبار الخوارزمية الأساسية. وأظهرت النتائج أن هذه الطريقة الجديدة تفوقت بشكل كبير على الطرق التقليدية لإدارة الشبكات الاستشعارية. وفي هذه المحاكاة، خفضت الخوارزمية الجديدة استهلاك الطاقة بنسبة 35 بالمائة مقارنة بالطرق القديمة، مما أدى فعلياً إلى إطالة عمر الشبكة بنسبة 40 بالمائة.

وبعيداً عن مجرد توفير الطاقة، حافظ النظام على مستوى عالٍ من الموثوقية، حيث حافظ على دقة البيانات عند 98 بالمائة. وهذا يعني أن المعلومات التي تصل إلى الأطباء كانت مطابقة تقريباً لما قاسته المستشعرات في الأصل، مع وجود ضياع أو فساد ضئيل جداً أثناء النقل. كما تحسنت سرعة الشبكة، حيث انخفض الوقت الذي تستغرقه البيانات للانتقال من المستشعر إلى المستقبل بنسبة 20 بالمائة. وهذا التقليل في التأخير أمر بالغ الأهمية في التطبيقات الطبية حيث يمكن أن يشكل فرق جزء من الثانية فرقاً كبيراً. وقارن الباحثون طريقتهم بالأساليب التقليدية، بما في ذلك بروتوكول قياسي معروف باسم LEACH، ووجدوا أن نهجهم التكيفي قدم باستمرار نتائج أفضل في جميع هذه المقاييس. وقد أثبتت عمليات المحاكاة أنه من خلال الضبط الديناميكي لهيكل الشبكة واستخدام الرؤى التنبؤية، من الممكن إنشاء نظام استشعار يكون أطول عمراً وأكثر استجابة.

تشير الدراسة إلى أن هذا النوع من الإدارة الذكية يمكن أن يكون مكوناً رئيسياً في مستقبل البنية التحتية للرعاية الصحية، مما يسمح بأنظمة مراقبة أكثر استدامة وكفاءة. وبينما تستند النتائج حالياً إلى محاكاة حاسوبية بدلاً من الاختبارات الفيزيائية في مستشفى حقيقي، إلا أن البيانات تشير إلى مسار واضح للمضي قدماً. يخطط المؤلفون لأخذ هذا العمل إلى أبعد من ذلك من خلال اختبار النظام في بيئات العالم الحقيقي ودمج تقنيات تعلم آلة أكثر تقدماً للتعامل مع تعقيدات البيئات الطبية المتنوعة. كما يهدفون إلى تعزيز تدابير الأمن لحماية بيانات المرضى الحساسة مع نمو الشبكات. وفي الوقت الحالي، يقدم هذا العمل مخططاً واعداً لإبقاء الحراس الرقميين غير المرئيين لأنظمة صحتنا يعملون لفترة أطول وبذكاء أكبر، مما يضمن أن تظل البيانات التي يجمعونها شريان حياة موثوقاً لمن هم في أمس الحاجة إليها.