基于机器学习的准静态磁场体内机器人化化身定位技术，用于未来的医疗与保健领域

《IEICE Transactions on Communications》：In-body cybernetic avatar localization using quasi-static magnetic field based on machine learning for future medicine and healthcare

　　

摘要：

本文提出了一种名为“搭便车网络”的数据传输架构，该架构将超窄波段毫米波/太赫兹链路与存储-携带-转发机制相结合，从而实现在移动环境中的大规模数据传输。这一理念注重在合适时机建立短暂但高速的数据连接，同时将长距离传输任务交给物理载体来完成，进而将有限的无线电覆盖范围转化为端到端的数据传输能力。通过结合香农容量公式、基于弗里斯理论的接收功率模型以及实际天线特性，构建了一个通行容量模型，并引入了修正后的香农容量公式以考虑解调阈值的影响。参数分析结果表明，最接近时的峰值信号强度以及满足传输条件的覆盖范围共同决定了可传输的数据量，而天线增益、相对高度和瞄准偏移则会影响最佳传输条件。一项60GHz频段的初步试验表明，时机至关重要——当设备处于信号强度较高的稳定区域时，快速建立数据连接成为可能，这体现了时序同步的重要性。在协作传输方面，分布式超窄波段设计显示，在不同设备之间的短暂接触时间内，通过切换不同的传输窗口，可以显著提升总数据传输量。总体而言，这些研究结果表明“搭便车网络”有望成为实现高容量移动服务的实用技术基础。