《Electronics》：Hardware-Accelerated Cross-Layer Communication Optimization for Intelligent Continuous Glucose Monitoring Systems
编辑推荐：
摘要专业翻译
连续血糖监测（Continuous Glucose Monitoring, CGM）系统已成为实时糖尿病管理不可或缺的工具；然而，在动态患者移动性条件下确保可靠、节能且低延迟的通信，仍是智能医疗网络面临的主要挑战。本文提出了一种面向CGM系统的跨
摘要专业翻译
连续血糖监测（Continuous Glucose Monitoring, CGM）系统已成为实时糖尿病管理不可或缺的工具；然而，在动态患者移动性条件下确保可靠、节能且低延迟的通信，仍是智能医疗网络面临的主要挑战。本文提出了一种面向CGM系统的跨层能量与移动性感知通信框架，该框架将自适应路由分析、基于机器学习（Machine Learning, ML）的血糖预测以及硬件加速集成于统一架构之中。所提出的框架通过联合分析静态与动态医疗场景下的吞吐量、延迟、分组投递率（Packet Delivery Ratio, PDR）、能耗及移动性适应能力，评估网络行为对ML精度的影响。此外，该框架在Nexys A7-100T FPGA平台上实现，通过面向边缘医疗应用优化的硬件集成路由与ML推理架构，验证了实时可行性。基于NS-3仿真和FPGA验证的实验结果表明，所提出的框架在移动条件下可实现高达25%的能耗降低、通信可靠性提升、延迟降低以及ML预测精度增强。硬件实现进一步证明了高效的资源利用率和低延迟处理能力，适用于可穿戴及边缘医疗设备。研究结果揭示了通信可靠性与ML性能之间的相互依存关系，凸显了面向可扩展、可靠且智能的CGM医疗系统进行能量与移动性感知跨层优化的重要性。
论文解读
一、研究背景与问题
连续血糖监测（Continuous Glucose Monitoring, CGM）系统已成为现代糖尿病管理的核心工具，通过持续实时监测血糖水平，能够早期发现高血糖和低血糖事件，为及时医疗干预提供支持。与依赖间歇性、用户主动测量的传统血糖仪不同，CGM系统能够提供血糖波动的连续信息，这对于胰岛素分泌或利用受损的糖尿病患者尤为重要，可有效预防心血管疾病、神经病变和肾衰竭等严重并发症。随着可穿戴医疗技术和物联网（Internet of Things, IoT）医疗设备的快速发展，CGM系统正越来越多地部署于医院、家庭医疗环境和门诊患者监测场景中，这些场景对可靠、低延迟的通信提出了严格要求。
然而，现有CGM通信架构面临多重挑战。在实际部署中，CGM设备受限于严格的资源约束，包括有限的电池容量、动态无线条件和患者移动性。这些因素给维持可靠通信、最小化数据包丢失、降低延迟和延长设备寿命带来了显著困难。现有CGM通信架构通常依赖Wi-Fi、蓝牙低功耗（Bluetooth Low Energy, BLE）和近场通信（Near Field Communication, NFC）等短距离无线技术，并结合受限应用协议（Constrained Application Protocol, CoAP）和消息队列遥测传输（Message Queuing Telemetry Transport, MQTT）等轻量级物联网通信协议。尽管这些技术提供了高效的连接能力，但在移动和密集的医疗环境中，由于频繁的拓扑变化、干扰和路由开销，其性能可能大幅下降。
已有研究探讨了自组网路由协议在医疗和无线体域网（Wireless Body Area Network, WBAN）应用中的使用，如反应式路由协议（AODV、DSR）、主动式路由协议（DSDV、OLSR）以及混合式协议（ZRP）。然而，已有研究主要集中于吞吐量、延迟和分组投递率（Packet Delivery Ratio, PDR）等传统网络级指标，对能耗、移动模式与机器学习（Machine Learning, ML）性能在CGM网络中的综合效应关注不足。此外，大多数现有工作仅依赖基于软件的仿真，未解决边缘医疗系统实时部署的硬件可行性问题。因此，有必要开展一项将通信协议分析、ML血糖预测与FPGA硬件加速统一集成的跨层研究，以系统性地评估通信可靠性与ML预测精度之间的相互依存关系。
二、研究内容与主要结论
研究人员提出了一种面向CGM网络的综合跨层框架，将能量感知通信、移动性感知路由优化、基于ML的血糖预测和基于FPGA的硬件加速集成于统一的医疗架构中。该框架通过联合分析吞吐量、延迟、PDR、能耗和移动性适应能力，建立了网络可靠性、能源效率与ML推理精度之间的直接关系。实验结果表明，混合路由方法在移动医疗环境中提供了最均衡的性能，实现了高达25%的能耗降低，同时保持了高通信可靠性和稳定的ML精度。研究还确立了通信质量与智能预测性能之间的强相关性，其中随机森林（Random Forest, RF）模型实现了高达98%的分类精度。FPGA硬件实现证明了该框架在资源受限边缘设备上的实时可行性和高效资源利用率。
三、关键技术方法
研究人员采用了以下主要技术方法：其一，基于NS-3（Network Simulator 3）离散事件网络仿真平台，构建了包含CGM特定功能、移动模式和机器学习集成的自定义模块，系统性地探索了5种路由协议（AODV、DSDV、OLSR、DSR、ZRP）×3种移动模型（静态、随机路点、高斯-马尔可夫）×3种节点数量（10、20、30）×3种数据速率（0.5、1.0、2.0 Mbps）的共135种独特仿真场景，每种场景进行10次不同随机种子重复，总计1350次仿真运行。其二，采用Friis传播方程建模无线通信，构建了包含感知、传输、接收、空闲状态和ML处理能耗的详细能量感知通信模型。其三，集成支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）和线性回归（Linear Regression, LR）三种机器学习模型，对网络级参数与血糖预测精度之间的关系进行分析。其四，在Nexys A7-100T FPGA平台上实现硬件架构，采用有限状态机（Finite State Machine, FSM）和查找表实现路由决策，使用定点优化模型实现ML推理单元，并通过硬件能量计数器实现周期精确的能耗估计。
四、研究结果
4.1 仿真设置
研究人员使用NS-3网络仿真器实现仿真框架，采用IEEE 802.11g物理层（2.4 GHz频率）、CSMA/CA MAC层（带RTS/CTS机制）、IPv4网络层和UDP传输层。CGM节点以配置的数据速率生成血糖读数，每个读数封装为1024字节数据包。ML节点接收读数并应用机器学习算法进行网络分类和血糖预测。
4.2 吞吐量分析
通过对比5种协议在不同节点数量下的吞吐量表现，研究发现DSDV和AODV在各种网络规模下均保持一致的高吞吐量。DSDV的主动特性确保路由随时可用，消除了路由建立延迟；AODV通过序列号有效识别过期路由并最小化路由发现操作。DSR在小型网络中表现良好，但随着网络从10个节点扩展到30个节点，吞吐量下降2.2%，主要原因是路由头部增大、路由缓存失效概率增加和更频繁的路由发现。ZRP在不同网络规模下表现稳定，仅下降0.7%。OLSR波动最显著，下降1.6%，归因于更大网络中MPR选择和声明开销增加。
4.3 端到端延迟分析
AODV和ZRP在不同数据速率和网络规模下均保持低且稳定的延迟。AODV通过序列号防止路由环路并确保使用最新路由；ZRP的混合方法在区域内提供即时路由，在区域间高效发现路由。OLSR在较低数据速率下延迟与AODV相当，但在1.0 Mbps数据速率下延迟略有增加。DSDV的延迟随节点数量增加而增大，归因于更大的路由表处理时间和周期性表更新带来的带宽竞争。DSR在较大网络中延迟最高，从10到30个节点增长15.8%，主要由于源路由开销和缓存过期导致的路由失败。
4.4 能耗分析
在静态环境中，DSR能耗最低，比DSDV低约22%，比OLSR低15%，得益于有效的路由缓存和无需周期性控制消息。AODV能耗比DSR高约10%，但比DSDV低12%。主动式协议（DSDV和OLSR）因持续交换控制消息而能耗较高。在移动条件下，ZRP表现出最佳能效，比DSR低约18%，比DSDV低25%。AODV能效也较好，比ZRP高约8%，比DSR低17%。DSR的能效在移动条件下显著恶化，能耗比静态场景增加38%。随机路点移动模型普遍比高斯-马尔可夫模型导致更高能耗，因为其更不可预测的运动模式导致更频繁的路由中断和发现。
4.5 移动性影响分析
所有协议在静态环境中PDR均高于99%。ZRP在所有移动模型下保持最一致的性能，在随机路点下PDR仅下降2.9%，在高斯-马尔可夫下下降3.8%。AODV在随机路点下PDR为97.6%，在高斯-马尔可夫下为96.5%。OLSR在随机路点下PDR下降4.1%，在高斯-马尔可夫下下降4.4%。DSDV下降更为显著，分别为5.4%和6.0%。DSR退化最严重，分别为7.5%和9.3%。在路由稳定性方面，ZRP在两种移动模型下均表现出最高的路由稳定性，比AODV少26-29%的路由变化，比DSR少53-59%。
4.6 机器学习性能
在所有协议中，随机森林算法始终提供最高的精度，其次是SVM。AODV实现了最高的ML精度，归因于其高效的吞吐量和低延迟。ZRP在移动场景中表现强劲，ML精度仅比AODV低1%。DSR在静态环境中精度尚可（随机森林为0.95），但在移动条件下因数据包丢失导致精度下降。DSDV在所有算法中ML精度最低，随机森林最高仅为0.92。线性回归在所有协议中精度最低，表明网络参数与稳定性之间的关系本质上是非线性的。
4.7 整体协议比较
雷达图综合比较显示，AODV在吞吐量、延迟和ML精度方面表现突出，适合实时监测应用。OLSR在吞吐量和网络扩展适应性方面具有优势。DSDV吞吐量高但移动性和能效较差。DSR在静态环境中能效和吞吐量表现良好，但移动条件下显著退化。ZRP在能效和移动性适应之间提供了最佳平衡。
4.8 硬件实现与结果
FPGA实现采用Xilinx Vivado工具链综合，ML模块使用定点表示以减少对DSP块的依赖，路由表和数据包缓冲区映射到片上BRAM。主动式协议（DSDV、OLSR）通过硬件定时器实现周期性更新机制，反应式协议（AODV、DSR）使用事件驱动FSM，混合式ZRP结合两者。硬件结果显示，主动式协议因预建立路由而延迟较低，反应式协议延迟较高但能效更优，ZRP提供均衡的折中。基于60 mAh（0.22 Wh）典型可穿戴CGM电池的估算表明，协议选择对设备连续运行寿命有显著影响。硬件结果还揭示了网络可靠性与ML精度之间的直接相关性。
五、讨论与结论
研究讨论部分指出，ZRP的均衡性能依赖于其区域半径参数，但未进行敏感性分析；节点数量（10-30）相对于医院范围或多患者家庭监测部署仍然较小；未测试大规模相关数据包丢失条件下的容错能力。在安全与监管方面，本研究未实现端到端加密、认证或访问控制，生产部署需结合安全密钥管理和认证通信；随机森林虽精度最高，但其推理成本相对于线性回归代表了电池寿命和硬件资源的实际权衡。从监管角度看，转化为临床产品需评估适用的医疗器械标准（如IEC 60601系列）。
研究结论指出，CGM系统需要可靠、低延迟和节能的通信基础设施以支持实时血糖预测和智能医疗分析。所提出的跨层框架联合集成了路由优化、ML血糖预测和FPGA硬件加速，实验证明混合路由方法在移动医疗环境中提供最均衡的性能，实现高达25%的能耗降低，同时保持高通信可靠性和稳定ML精度。研究确立了通信质量与智能预测性能之间的强相关性，随机森林模型实现高达98%的分类精度。FPGA实现验证了实时可行性，展示了适用于边缘医疗设备的高效资源利用、低延迟处理和能量感知运行。未来工作将沿五个方向推进：空中现场试验以替代自由空间Friis假设；控制单因素实验设计以隔离数据包丢失和延迟对ML精度的独立影响；使用召回率和F1分数进行事件级评估；软件基线和定点与浮点比较以量化硬件加速和量化权衡；ZRP区域半径的敏感性和可扩展性研究以及持续数据包丢失下的故障注入测试。
