基于深度学习的能量与链路稳定性感知路由(DeepELR)在物联网心脏病分类中的应用研究

本研究针对物联网(IoT)医疗场景下数据传输的能耗与稳定性问题，提出基于深度循环神经网络(DRNN)的DeepELR路由算法，结合改进型麻雀搜索算法(ASSA)集成学习技术，实现心脏病分类准确率达94.3% PDR，能耗仅0.762J，为远程智能医疗提供关键技术支撑。

　　

心血管疾病已成为全球公共卫生的重大挑战，传统诊断方式依赖医院检查，难以及时捕捉病情变化。随着物联网(IoT)技术的发展，可穿戴设备能持续监测心率、血氧等生命体征，但海量医疗数据的实时传输面临网络能耗高、链路不稳定等瓶颈问题。如何通过智能路由算法保障关键医疗数据的可靠传输，同时实现疾病的早期精准分类，成为智慧医疗领域亟待突破的难题。

为此，研究人员开展了一项创新性研究，提出深度能量与链路稳定性感知路由(DeepELR)算法。该研究通过深度循环神经网络(DRNN)预测节点能量状态和链路稳定性，结合改进的加速麻雀搜索算法(ASSA)优化集成学习模型，构建了从数据采集到疾病诊断的完整IoT医疗解决方案。相关成果发表在《Computational Biology and Chemistry》期刊。

研究采用三项核心技术：1)基于DRNN的动态路由预测，实时优化数据传输路径；2)改进型ASSA算法（通过RMSProp加速传统SSA）训练集成模型；3)融合深度信念网络(DBN)、深度残差网络(DRN)和循环神经网络(RNN)的集成学习框架，使用公开心脏病数据集进行验证。

【IoT系统模型】部分显示，网络包含传感器节点(z₁...z_l)和簇头(CH)，通过最小化能耗的路径选择策略构建分布式监测体系。【Proposed DeepELR】章节详细阐述了DRNN如何同时预测节点剩余能量E_res和链路质量指标LQI，形成双目标优化函数。【Results and analysis】表明，相比传统LEACH协议，DeepELR将能量消耗降低至0.762J，数据包投递率(PDR)提升至94.3%，链路稳定性提高31.8%。

【Conclusion】指出，该研究通过DeepELR算法解决了医疗IoT中"能耗-稳定性-精度"的三角矛盾，ASSA优化的DBN-DRN-RNN集成模型在心脏病分类中展现出显著优势。这不仅为远程患者监护提供了可靠技术路径，其加速优化策略更为复杂医疗数据的实时处理开辟了新思路。作者V Baby Shalini等在讨论中强调，未来可进一步探索跨模态医疗数据的联合路由与诊断机制。