基于深度学习的能量与链路稳定性感知路由算法(DeepELR)及ASSA集成学习在物联网心脏病检测中的应用研究

为解决物联网(IoT)医疗中数据传输效率与心脏病早期诊断难题，研究人员开发了深度能量链路稳定性感知路由算法(DeepELR)，结合加速麻雀搜索算法(ASSA)优化的集成学习模型。该研究通过深度循环神经网络(DRNN)预测节点能量与链路稳定性，实现94.3%的包交付率(PDR)，同时采用DBN-DRN-RNN集成框架进行心脏病分类，为远程智能医疗提供了创新解决方案。

　　

心血管疾病已成为全球公共卫生的重大挑战，传统诊断依赖医院检查的模式难以满足实时监测需求。随着物联网(IoT)技术的发展，智能穿戴设备能持续采集心率、血氧等生理参数，但海量医疗数据的传输效率与诊断准确性仍是瓶颈——现有路由协议如LEACH存在能耗高、链路不稳定等问题，而机器学习模型对不完整数据的适应性不足。

在此背景下，研究人员开展了跨学科创新研究。通过设计深度能量链路稳定性感知路由算法(DeepELR)，采用深度循环神经网络(DRNN)动态预测节点能量状态与通信链路质量，显著提升数据传输可靠性。实验显示该算法仅消耗0.762 J能量即实现94.3%包交付率(PDR)，链路稳定性达31.8%。在疾病诊断端，创新性地将加速麻雀搜索算法(ASSA)与集成学习结合：通过改进的麻雀算法(SSA)优化深度置信网络(DBN)、深度残差网络(DRN)和循环神经网络(RNN)的集成模型，有效提升对心电图等复杂数据的特征提取能力。

关键技术包括：1) 基于DRNN的节点能量与链路稳定性预测模型；2) 采用RMSProp加速的ASSA优化算法；3) 集成DBN-DRN-RNN的异构学习框架；4) 使用min-max归一化和信息增益的特征预处理流程。数据集来自公开的Heart Disease Data Set。

研究结果方面：
IoT系统模型
构建分层式物联网架构，通过簇头节点(CH)聚合传感器数据。数学建模证明DeepELR能降低23%的路径重建频率。

DeepELR路由算法
DRNN预测模型使路由选择延迟降低至毫秒级，较传统TEEN协议减少17%的能量空洞现象。

ASSA集成学习
在心脏病分类任务中，ASSA优化的集成模型AUC值达0.92，较单一RNN模型提升11.6%，特别对心律失常的识别灵敏度提高至89.4%。

性能评估
综合测试显示系统准确率91.2%，误诊率仅6.8%，显著优于文献报道的SVM(84.5%)和随机森林(88.1%)方法。

该研究的突破性在于首次将深度学习的路由优化与生物启发算法赋能的集成诊断相结合，构建了完整的IoT医疗闭环系统。通过DRNN实现的实时网络状态感知，解决了医疗数据传输的时效性难题；而ASSA优化的多模型融合策略，则显著提升了小样本医疗数据的利用率。这些创新为居家心脏病监护提供了可靠的技术框架，其方法论也可拓展至糖尿病、高血压等慢性病管理领域。论文成果发表于《Computational Biology and Chemistry》，为智能医疗设备的算法设计树立了新标杆。