Energy Efficient Resource Allocation for eHealth Monitoring Wireless Body Area Networks With Backscatter Communication
Notice bibliographique
Résumé
Electronic Health (eHealth) monitoring systems with wireless body area networks (WBANs) have recently emerged as promising solutions to provide sustainable and high-quality health services. In this paper, we propose an optimization framework to maximize the energy efficiency (EE) of a WBAN assisted by backscatter communication (BackCom) and energy harvesting technologies, subject to quality-of-service and power budget constraints. More specifically, the optimization problem jointly optimizes the transmit power of the aggregator, transmission time, and backscatter time of the WBAN consisting of energy-constrained sensor nodes (SNs) which have the ability to harvest energy from the signals transmitted by the aggregator. A generalized gamma distribution is adopted to characterize the channel propagation characteristics of patients under different arbitrary body movements and their corresponding transmission requirements during daily life activities. It is shown that the formulated EE optimization problem is a quasi-concave nonlinear fractional program, and it is transformed to an equivalent parametric problem by using the Dinkelbach algorithm to obtain the solution. We exploit the structure of the optimization problem and propose a low-complexity iterative-based suboptimal heuristic with performance fairly close to the optimized solution. Simulation results demonstrate the effectiveness of the proposed schemes in maximizing EE of the WBAN, whereas the comparisons with the related work from the literature reaffirm the superiority of the proposed algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».