WBAN三层架构用于早期诊断新生儿先天性心脏病的研究

沙特国王大学学报基于WBAN的三层网络结构在Sonala，S.R.N Reddya，Dinesh Kumarb，S.R.N Reddy a，S.R.N Reddy b，S.R. NaIndira Gandhi Delhi Technical University for Women，Kashmere Gate，Delhi，IndiabRML HOSPITAL，德里，印度阿提奇莱因福奥文章历史记录：收到2020年2020年6月13日修订2020年7月1日接受2020年7月8日网上发售关键词：冠心病WBAN新生儿MACTDMAA B S T R A C T医疗诊断是无线体域网（WBAN）的一个新兴领域。人们从能量效率、安全性、路由选择等方面对WBAN进行了大量的研究，但是还没有一项研究是利用WBAN进行医疗诊断的。为此，我们提出了一种新的WBAN为基础的三层架构的早期检测先天性心脏病（CHD）的新生儿。我们采用IEEE 802.15.6媒体访问控制地址（MAC）来识别数据的优先级基于优先级，数据以时分多址（TDMA）方式调度第一层采用高级加密标准（AES）来保证数据传输的在第二层中使用鸟群优化（BSO）算法执行最优信道选择过程。这里的适应度评估考虑参考信号接收质量（RSRQ），信噪比（SNR）和信道容量。在第三层中，在诊断服务器处对感测数据进行分类以检测新生儿中的CHD诊断服务器采用模糊神经网络算法在诊断服务器中，通过筛选脉搏血氧饱和度以及心跳率和呼吸率来诊断CHD。OMNeT++中的大量仿真显示了延迟、平均延迟、功耗和可用信道概率©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍先天性心脏病（CHD）是由于普遍的出生缺陷而导致成人早死的有害疾病之一（Jackson等人，2015）;（Kaugars等人，2017年）。它主要影响心脏中的血液流动，阻止体内均匀的血液流动。智能手机通过测量用于疾病预防的不同生理血液参数，成为新兴医疗物联网应用的革命性步骤（Guo，2016; Guo，2017; J. Guo除此之外，其他技术，如试纸（Guo和Ma，2017）有助于更精确地了解结果。不同的疾病，如神经发育障碍，已经解决了使用分类器的基础上颗粒功能网络，*通讯作者。电子邮件地址：gmail.com（Sonal），srnreddy@igdtuw.ac.in（S。R.N Reddy），dineshkumar169@yahoo.co.in（D.Kumar）。沙特国王大学负责同行审查提供透明度，可理解性和全面性的工作（Tomasiello，2019）。除此之外，在（Reddy等人，2019）使用粗糙集和基于模糊规则的分类，重点是准确性，特异性和灵敏度。除了这些进步之外，基于网络的数据采集设备也倾向于（Xu等人，2018年）。与此同时，已经提出了通过将传统主题模型与可视化过程相结合的混合主题建模技术，用于通过在没有外部干扰的情况下提供社会数据的先验信息来解决不同数量的健康主题（RajendraPrasad等人，2019年）的报告。除此之外，WBAN利用传感器技术和当前的智能手机技术进行医疗监测（Ghamari，2016; Punj和Kumar，2018; Cavallari等人，2014年）。WBAN在远程病人监护、康复、生物反馈、辅助生活、生物特征识别等方面有着广泛的应用，本文从安全性、一般应用、医疗应用、信道建模、MAC协议、能量效率和路由等方面对WBAN进行了分析。通过WBAN的疾病诊断未得到解决在任何工作中仍然存在。随着人口的迅速增加，还需要管理通过WBAN监测的为了应对众多https://doi.org/10.1016/j.jksuci.2020.07.0011319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com3662Sonal et al. /沙特国王大学学报-计算机与信息科学34（2022）3661- 3672需 要 医 疗 支 持 的 患 者 ， WBAN 与 物 联 网 （ IoT ） 和 云 计 算 集 成（Sheeraz Ahmed等人，2017）;（Aktas，2017）。因此，通过部署在WBAN中的传感器执行网络上的数据收集，并且在云监控服务器处对感测到的数据进行诊断。 主要使用的WBAN标准是IEEE 802.11.4和IEEE 802.11.4。802.15.6（Bradai，2014）。在这两个标准中，载波侦听多址接入与冲突避免（CSMA/CA），是TDMA，利用MAC调度。基于TDMA的MAC协议在WBAN中被提出用于数据调度的目的（Liu等人， 2016）;（Jing等人，2015年）。在这些方法中，节点通过分配的时隙彼此通信。此外，传输顺序和传输持续时间也进行了调整，以改善基于TDMA的调度。为了减少干扰和冲突，WBAN中启用了信道选择过程干扰减轻MAC（IMMAC）涉及指示信道状态的信道映射机制（Li等人，2017年）。利用层次分析法（AHP）根据预期的信道条件、延迟和帧接收率选择最佳信道，以减轻干扰（Kim和Kim，2017）。在基于IEEE 802.11.4的WBAN中，基于无竞争时段和信道改变接入方法来实现冲突避免（Kim等人，2017年）。脉搏血氧仪在CHD诊断中起着至关重要的作用（Mathur等人， 2015）;（Xiao-jing etal.， 2016年）。通过脉搏血氧饱和度的测定，可以有效地检测出导致冠心病的所有重要疾病，如左心发育不良综合征、肺动脉闭锁、法洛四联症、大血管转位、动脉干使用基于WBAN的新生儿CHD的早期诊断在任何先前的工作中都没有解决，并且已经提出了有效的解决方案，其试图克服论文中存在的限制（Sonal等人， 2019年）的报告。这项工作是有效的解决方案，证明所有索赔通过部署和计算结果的扩展。这项工作的新颖性可以用解决先天性心脏病来表达，直到现在还没有使用这种类型的架构来与此同时，最佳的三层解决方案已被提出，其中涉及在每一层的新颖性除此之外，还发现所提出的架构与早期现有的工作相比 更 有 效 （ Ali 等 人 ， 2017; Akande Sheriff Abiodun ， 2017;Manirabona andChaari Fourati，2017）。下文所列的贡献表明了迄今尚未部署的工作的新颖性。本文的主要贡献如下，这是首次将WBAN用于冠心病诊断的研究工作。提出了一种新的基于WBAN的三层结构的冠心病检测方法。在第一层中，涉及到数据聚合过程，其中引入了基于TDMA的调度方案。通过考虑数据的优先级来进行数据调度，该优先级由IEEE802.15.6 MAC报头中包含的附加字段表示。在WBAN中使用AES算法保证了感知数据的安全性。这有助于在最早阶段对关键和非关键数据进行分类。最佳信道选择是在第二层中采用的下一个过程。最佳信道的选择是通过BSO算法来实现的，该算法考虑了重要的信道度量的新颖性表示在考虑不同的信道参数一起尚未被考虑到。第三层，用神经模糊算法进行冠心病诊断对于冠心病的诊断，脉搏血氧饱和度，心跳率，呼吸频率的每一个新生儿被认为是在神经模糊算法。这有助于在最早的冠心病的早期诊断，使患者的生存可以维持。本文的其余部分组织如下：第二节调查现有的研究工作WBAN举行同时也指出了以往工作中存在的问题，提出了今后工作中需要解决此外，它还给出了建议的WBAN的三层网络架构的概述。第三节详细介绍了所提出的基于WBAN的三层网络架构与新的算法。在第四节中，我们比较我们提出的工作以前的作品的性能指标。在第五节中，我们总结了我们的贡献。2. 问题陈述任何国家的状况都是由其公民可获得的医疗设施的质量来判断的。婴儿死亡的主要原因之一是紫绀型先天性心脏病。据世界卫生组织称，新生儿死亡率在五岁以下儿童死亡率中日益突出，因此受到更多关注。世卫组织估计，在全球范围内，8.8 每年有100万儿童在五岁生日前死亡;其中40%以上发生在出生后的第一个月（世卫组织和儿基会，2015年）。他们提出的分析指出，每年有400多万婴儿在出生后的前四周死亡。发展中国家的新生儿死亡率高于发达国家。先天性心脏病（CHD）占所有婴儿死亡的6-10%，占所有婴儿畸形死亡的20-40%（Wren等人，2008年）。已经提出了几种系统，用于在不同平台上使用不同的通信协议集进行远程健康监测，并测量重要的健康参数。在本节中，重要的先前的研究工作进行了分析，并讨论了主要的局限性。在IEEE 802.15.6（WBAN标准）中，引入了时隙Aloha MAC协议（Orozco-Barbosa，2016）。在时隙Aloha机制中，定义了8个不同的优先级及其竞争概率。最初，竞争概率值被设置为最大值，然后基于Aloha为节点分配时隙。在传输失败的情况下，竞争概率的值减半。然而，该方法引入了导致传输失败的碰撞。此外，由于竞争概率较高，为紧急数据提供了较大的退避时间，从而导致紧急数据传输的延迟较大。在WBAN中，提出了基于优先级的自适应MAC（PA-MAC）协议用于调度（Bhandari和Moh，2016）。在该方法中，传入数据包被分类为关键、按需、正常和非医疗类别。在这里，冲突避免是通过利用不同的信道，如信标信道，数据信道。同样，不同的数据传输过程也涉及到命令报文传输和连续报文传输两种不同的数据传输过程。这里，紧急数据也遵循相同的TDMA调度，这增加了紧急传输的等待时间。在TDMA调度的情况下，两个传感器节点仅被分配用于紧急数据感测（Rahat Ali Khan，2018）。所有传感器节点遵循TDMA调度，选择剩余能量高、距离基站较近的节点但是，不能确定是否始终生成关键数据。此外，由两个节点感测的紧急数据也遵循相同的调度过程，这导致更高的时间消耗。WBAN中引入了WBAN间调度和聚合（IWSA）和惰性WBAN调度（IWS）方案，以满足QoS要求（Bradai和Charfi，2016）。在这里，这两种机制都试图在延迟和吞吐量之间进行权衡尽管如此，考虑单个度量用于数据调度是没有效率的。在基于IEEE 802.15.6的 WBAN中，●●●●12KSonal等人/Journal of King Saud University参与了资源分配方案以提高QoS（Kim和Song，2017）。在这项工作中，参与IEEE 802.15.6支持与其他设备的兼容性。通过利用共享信道进行数据传输，提高了服务质量。通过共享信道的数据传输效率不高，因为它会导致冲突，数据丢失，延迟等。混沌压缩感知（CSS）方法被建议用于提高安全性和最小化存储空间（Peng和Tian，2017）。在该方法中，传感器将其感测数据以图像的形式传输到服务器。这里，以图像形式传输感测数据消耗更多的信道带宽和传输时间。因此，对于其他数据也增加了等待时间在这些工作没有一项不是试图用于特定疾病诊断的。调度和数据传输仍然是WBAN的主要挑战。因此，本文考虑了WBAN的一些挑战，这些挑战的纠正将导致优化并且还使用有效的方法用于先天性心脏病的早期检测。在WBAN协调器中引入了认知无线电模块，以通过频谱感测来检测可用信道（Ali等人，2017年）。如果可用信道满足稳定性要求，则选择该信道进行传输。这里，时隙2U体对体网络、体间干扰缓解和Yi¼1Xg×gJJð1Þ随后缓解措施由博弈论执行方法（Meharouecha等人，2016年）。这个问题也被称为社会感知干扰缓解（SIM），因为在WBAN中，身体到身体网络是通过彼此在该方法中，提出了两个阶段的信道分配方案，其中第一阶段涉及BBN阶段然而，信道分配方案不能够考虑导致网络性能下降的数据优先级2uj¼1在方程中，（1）信道稳定性是根据时间带宽积（u）、具有零均值和单位方差的高斯噪声信号（g）来计算的。然而，基于单参数（即，噪声功率不是有效的，这导致多次重传。该问题可以被公式化为如下的最优信道选择问题，- 是的在每个传感器节点处执行数据分类，以实现安全可靠的数据传输（Suba Raja最佳通道¼。最小f重传gSuzzessful transmissionsg和 Kiruthika ， 2015 年 ） 。 通 过 粒 子 群 优 化 （ PSO ） 算 法（Mohnani，2016）进行传感数据诊断在这里，粒子群算法被用来分离心电图和血糖数据到正常和异常类别。通过在粒子群算法中引入规则，实现了传感器数据的分离。然而，粒子群算法不能同时处理两个不同的传感数据（ECG和血糖），因此它消耗了更高的诊断时间。除此之外，在以前的研究中，已经指出鸟群算法比PSO和DE（差分进化）更准确，高效和鲁棒（Xian-Bing Meng，2016）。在表1中，我们简要分析了以前对WBAN的研究与现有工作的比较突出了不同的方法，可以用来部署建议的架构，但有各种限制，需要改进的研究中强调为了提供一个实际应用的充分证明的解决方案，已经进行了技术和领域的观点考虑在这里，我们可以看到，所有上述工作涉及调度或数据传输，表1分析以往的研究工作。工作目的的缺点上述问题定义了最优信道必须最小化重传次数，这增加了最小化的能耗和时间消耗。因此，我们的主要目标是选择最佳的渠道，使成功的传输数量将增加。提出了数据分类和隔离方案，将感知信息分类为紧急、半紧急和非紧急数据包（Akande Sheriff Abiodun，2017）。这里，在每个传感器处维护缓冲器并且在每个传感器处进行分类在传感器节点处引入了大的开销。在基于4层WBAN的架构中，采用分类、调度和垂直切换决策过程来最大化吞吐量并最小化延迟（Manirabona和Chaari Fourati，2017）。在分类步骤中，将感知数据分为高优先级数据和低优先级数据。然后采用优先权加权轮询算法对分类后的数据进行调度。这里，低优先级分组是直到另一个数据包到达才传输，即使信道是免费的这将导致高的通道利用率不足。因此，网络拥塞，由于低效的信道选择，数据聚集，无效的调度是主要问题，在以前的研究工作，解决了在我们提出的工作。此外，如果现有的建议的系统被使用，那么同样的问题将出现在先天性心脏病的早期检测，这将不是一个最佳的方法。所以，新Slotted Aloha（Orozco-Barbosa，2016）PA-MAC（Bhandari和Moh，2016）MAC调度●引入冲突● 增加传输延迟MAC调度●增加等待时间方法用于早期检测CHD，详见下一节。3. 基于WBAN的三层网络架构TDMA（Rahat AliKhan，2018）IWSA（Bradai和Charfi，2016）优先资源分配（Kim和Song，（20紧急数据传输QoS改进QoS改进● 引入更高的功耗● 数据调度无效● 增加数据丢失● 引入碰撞在本节中，已经讨论了所提出的用于CHD的早期检测的基于WBAN的三层网络架构。整个三层架构由k个WBAN（即，新生儿作为W/W;W;：：;W，其中每个WBANCSS（Peng and Tian，2017）安全改进● 增加等待时间由n个传感器节点组成，如SN1;SN2;···;SNn第一层中的节点，k个集线器作为H<$H1;H2;：：;Hk和基博弈论方法（ Meharouecha 等人，（2016年）RelAODV （ Suba Raja 和Kiruthika，2015）干扰避免安全数据传输● 不适用于紧急数据传输● 增加数据丢失● 介绍冲突和干扰第二层是站点，第三层是诊断服务器。用于早期检测CHD的新型三层架构在Fig. 1.通过集线器从WBAN收集感测信息。这里，感测信息以基于优先级的TDMA调度方法来发送。数据的优先级从IEEEPSO（Mohnani，2016）数据诊断●诊断时间更长802.15.6Mac标头毂选择最优信道关于BSO3664Sonal等. /沙特国王大学学报-计算机与信息科学34（2022）3661- 3672Fig. 1.基于WBAN的冠心病向BS发送感测信息的算法。最佳信道的选择在集线器和BS之间的第二层进行在第三层中，诊断服务器利用神经模糊算法从传感数据中检测CHD3.1. 第一层第一层包括k个WBAN（即，我是新来的。为每个新生儿提供n个传感器节点，以便从新生儿收集生物医学数据为了避免冲突，基于基于优先级的TDMA时隙来调度感测数据。修改后的MAC报头格式如图2所示。 二、在这里，我们修改了IEEE 802.15.6的MAC报头格式，增加了“数据类型”字段。如果传感器节点收集的数据违反了正常阈值，则它指示异常读数，并且应该以高优先级发送它。数据类型字段指示感测数据的关键性级别。在MAC报头中包括数据类型支持关键性级别检测。因此，紧急数据将经历较低的延迟。由MAC报头指示的两种数据类型是关键数据和非关键数据。这些数据类型以二进制值的形式包含，以便最小化开销。在表2中，用等效的二进制值来说明数据类型表示。关键数据的优先级高于非关键数据。然后基于感测数据的优先级执行TDMA调度。高优先级数据（HPD）在低优先级数据（LPD）传输之前传输。值得一提的是，在第一层中，n个身体传感器连接到单个集线器，这导致数据传输期间的严重冲突。而且，也不确定所有传感器是否同时感测到关键数据。因此，调度感测数据显著地最小化了数据传输中的冲突。在TDMA调度中，每个时间帧（T）被分成多个（即，T时隙如下，T<$T1;T2;：：; Tt 2每个时隙被分配给每个传感器节点用于数据传输。在我们的工作中，调度是根据关键数据水平（即）执行的。紧急数据被立即发送到集线器。在分配的时隙内，传感器节点将其数据传输到集线器。所提出的基于优先级的调度在图3中描绘。这里，详细描述了4个新生儿的过程，其中有4个传感器节点。调度在每个新成员和相应的集线器之间执行这里，每个WBAN中的传感器节点根据数据类型进行调度。呈现给W1的SN在分配的时隙中向H1报告它们感测到的数据因此，TDMA调度的参与完全避免了传输期间的冲突，并且用于关键数据传输的传输时间被最小化。第一层中的数据聚合过程还考虑了安全问题，因为图二.修改MAC报头。表2具有优先级的数据类型表示。数据类型二进制值优先级关键00高非关键01低f···g2！！！ð2 ðÞÞ.联系我们b;eb;b;;b;Sonal等人/Journal of King Saud University图三. 基于优先级的TDMA调度。医疗数据对各种攻击敏感在这里，传感器节点通过AES算法对传感数据进行加密，从而确保传感数据的高安全级别AES算法是一种对称密钥算法，加密和解密使用相同的密钥。Wi中呈现的所有SN使用KHi加密它们的感测数据，K H i是第i个集线器H i的秘密密钥在Tt时，时隙SN ij如下发送其感测数据到Hi第二层采用CSMA/CA方法和最优信道选择方法避免冲突。鸟群算法（BSO）根据RSRQ、SNR和信道容量选择最优信道进行数据传输。考虑一组通道C1、C2、C3和C4。;C M 可用于H1和BS之间的数据传输。最初，集线器感测所有信道以确定空闲信道。信道，因为使用了CSMA/CA方案在CSMA/CA方案中，Dj！ 谢谢DjKHð3Þ如果该信道空闲，则节点在传输之前感测该信道这里，Dj表示Wi中呈现的节点Sj的感测数据，并且E（Dj）是由Hi接收的加密的感测数据。然后Hi使用相同的KH解密从所有传感器节点接收的数据则它发送数据以避免冲突。类似地，集线器检测所有空闲信道，并且通过BSO算法从空闲信道中选择一般来说，BSO算法如下因为AES是对称算法。算法1：安全的数据聚合1.2.3.4.5.6.开始对于所有Di DIf（数据类型= 00）分配Di HPDElse分配D！LP下面列出了在最优解确定中使用的一些规则，每只鸟被允许在警戒行为和衰老行为之间跳跃。当鸟类在觅食时，每只鸟记录并更新最佳经验和蜂群● 当鸟儿处于警戒状态时，每只鸟儿都试图向中心移动I D7.End if8.端蜂群之王在这种行为中，由于群之间的竞争，引入了干扰。9.10.11.12.13.14.15.16.17.18.对于所有Di2HPD分配DiTt结束，对于所有Di2LPD分配Di Ttt ti结束对于所有的Di2D加密Di使用KHi结束，端鸟类被允许定期飞往另一个地点，在那里鸟类经常在生产和觅食之间切换。在这里，储备量高的鸟成为生产者，而储备量低的鸟成为捕食者。生产者寻找食物，而乞丐随机跟随生产者寻找食物。在BSO算法中，所有解（即）在我们的工作中，通道被初始化为虚拟鸟类，它们可以在警觉和觅食行为之间切换这种决策被公式化为随机决策。如果（0，1）之间的均匀随机数小于P P0; 1，则鸟跟随饲料（即）。新的食物搜索如下，图1说明了安全数据xt1.5xt- 是的pbe-xt×C×ran dgj-xt×S×rand在第一层执行聚合。该过程包括优先级确定、TDMA调度和安全数据聚合过程。b;eb;e;b;eb;eð4Þcesses。第一层中的数据聚合的参与确保了无干扰的安全数据传输。3.2. 第二层中的最优信道选择在第二层，集线器选择最佳信道来传输数据包。否则，鸟保持警戒行为，其中溶液试图向群中心移动，并且不可避免地相互竞争如下，xt1¼xteA1.意思是nj-xte×rand0;1pke-xte数据到BS。这里，数据传输利用载波侦听多 路访问与冲突避免（CSMA/CA）方案，以避免在第二层中的传输期间的冲突。值得一提的是，多个SN与第一层中的每个集线器连接，并且多个集线器与第二层中的BS连接。TDMA调度的参与使第一层中的冲突最×rand-1;15其中，A1和A2计算如下：A1a 1 exppFitbN 6sumFite●●●●我2！！Ri.Σ联系我们ΣΣð ÞN二氮化硼Sonal et al. /沙特国王大学学报-计算机与信息科学34（2022）3661- 3672A2a 2exppFiti-pFitk N×pFitk7jpFitk-pFitbjesumFite这里Fitb表示群中第b只鸟的适应度值，而Fitk表示群中第k只鸟的适应度值，b为了解决第3节中突出的问题，我们通过考虑多个重要指标来制定每个通道的适应度值。因此，重传的次数将被最小化，这导致最小的能量消耗。每个通道的适应度值（即）每只鸟计算如下，拟合b¼XRSRQb;SNRb;qb<8kHz生产者的主要责任是寻找新的食物补丁，而乞丐则跟着生产者。图2解释了第二层中涉及的最佳信道选择的整个过程。 在图4中，示出了BSO算法的整体过程。基于RSRQ、SNR和信道容量的最佳信道选择通过最小化分组丢失来改善数据传输。CSMA/CA方法和基于BSO的最佳信道选择的参与减轻了冲突和频繁重传的问题3.3. 冠心病三级诊断汇总的数据从集线器传输到诊断服务器通过BS然后，诊断服务器分析聚集的算法2：最佳信道选择输入：通道集C¼ fC1;C2;···;CMg，P输出：最佳通道CB数据，以检测CHD。最初，所有聚合的数据都被馈送到神经网络的输入层。在神经模糊算法中，模糊算法是在神经网络上进行的。Fuzzifi-1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.开始对于所有Cb C如果飞=否如果rand（0，1）P切换到觅食寻找食物来源，如方程。（4）其他保持警惕行为走向中心寻找健身价值查找比赛级别更新健身值ElseIf（Fitness of Cb==high）Cb producer寻找新的食物补丁ElseCb ScroungerFollows制作人Goto 5End ifEnd ifEnd forEnd阳离子，规则推理，和去模糊化过程中执行的隐层的神经网络。将神经模糊算法的原因是找到每一个合适的嫌疑人的基础上的输入，使早期诊断可以没有错过的情况下。这种技术是最合适的，因为它结合了人工神经网络和模糊逻辑的优点（Nitin，2013）。冠心病的诊断是根据氧水平、心率和呼吸频率进行的氧水平（O2 L）：这是定义为氧气水平存在于血液中的每个新生儿。该测量值通过脉搏血氧饱和度测试获得，该测试从氧传感器获取值。当新生儿O2 L低于正常值时，患CHD的可能性大。心率（HR）：HR以每分钟心脏收缩的次数来衡量心脏的速度CHD影响心率，因为CHD主要针对心脏。部署在WBAN中的心跳传感器测量每个新生儿的心跳速率。如果测得的心脏bet值低于正常值，则保证了CHD诊断的阳性结果。呼吸率（RR）：呼吸率定义为人每分钟吸入的呼吸次数。呼吸频率的改变可能是冠心病的一种效应。通过部署在WBAN中的呼吸传感器定期监测呼吸频率。如果新生儿受CHD影响。这里，RSRQb、SNRb和qb计算如下，RSRQb 1/4R.RSRP这些值通过集线器和BS从部署在WBAN中的传感器节点获得。通过WBAN诊断CHD是我们工作的重点。在这里，获得信噪比b¼10log10信号功率噪声功率来自WBAN，其中传感器节点部署在每个新生儿中。通过在第二层中选择的最佳信道将所获取的值发送到BS。在接收到感测值后，CHD诊断-q¼Btlog.1秒其中，R表示可用资源，RSRP表示参考信号接收功率，Bt表示带宽。比率S表示信噪比。从通道b的RSRQ计算第b只鸟的适应度值信道b的信噪比（SNRb）和信道b的容量（qb）。然后迭代更新信道的最佳适应值和最佳适应值群。然后选择具有最佳适应值的信道作为数据传输的最优信道。新的解决方案是通过飞越另一个站点生成的。在飞行过程中，鸟类遵循两种不同的角色，如生产者和觅食者。的SIS在第三层中执行。然后将这些值模糊化以获得清晰值。然后将清晰的值送入神经网络的隐藏层。神经模糊算法中的规则如表所示.基于模糊规则部署在隐藏层，CHD检测从输入数据。基于神经模糊的CHD诊断如图5所示。在隐藏层中，如表3所示部署规则，用于CHD诊断。在基于神经模糊的冠心病诊断中，模糊化、规范化和去模糊化过程在隐含层进行，而在输出层获得清晰的输出当O2L、HR和RR低时（即）异常，则推断新生儿受到严重CHD的影响。●●●！！！Sonal等人/Journal of King Saud University算法3：第三级CHD诊断描述了三层网络体系结构。这里，10 WBAN（即）新生儿分别连接到10个集线器，所有集线器都是跨1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.开始对于所有Di2D联调局输入层查找O2L查找RR查找HR做血氧饱和度、呼吸频率、心率的模糊化！隐藏层If（O2 L =RR = HR =高）OP正常其他如果（O2 L = RR = HR =低）OP重度CHD其他OP CHD结束的可能性，如果End ifEnd forEnd将感测到的数据发送到单个基站。在WBAN中，绿色传感器测量氧气水平，红色传感器测量呼吸速率，黄色传感器测量心跳速率。4.2.比较分析在本小节中，我们评估我们提出的基于WBAN的三层架构与现有的作品（阿里等人，2017）;（Akande Sheriff Abiodun，2017）和（Manirabona和ChaariFourati，2017）。比较是基于功耗，可用信道的概率，延迟，和平均延迟。虽然现有的工作考虑了不同的指标，使用一种方法，但我们的比较考虑了他们的局限性，并试图给出更有效的结果。在表5中，说明了以前研究工作的缺点这些缺点直接影响到以下章节中的性能指标所有的比较都是相对于模拟时间进行的在表6中，示出了模拟参数相对于模拟时间的变化。这里，在30秒的模拟时间内，以0.2的到达率发送200个分组，包括关键和非关键分组。在算法3中，示出了第三级中的CHD诊断的过程。有规律的。因此，所提出的基于WBAN的三层架构在第一层中避免冲突和干扰而不损失安全性，在第二层中最小化重传和分组丢失的数量，并且在第三层中诊断新生婴儿中的CHD。三个层次的参与使WBAN中的CHD诊断更加高效和安全。4. 绩效评价在本节中，我们评估拟议的WBAN基于三层网络架构的性能指标。这里，考虑以下度量用于评估：功耗、可用信道的概率、延迟和平均延迟。该部分包括仿真环境和对比分析两个部分。4.1. 仿真环境在OMNeT++环境下，利用C++语言实现了OMNeT++是一个可扩展的基于组件的框架，旨在构建不同类型的网络。由于OMNeT++高度支持图形用户界面，我们的工作是在OMNeT++中实现的。基于WBAN的三层网络架构中考虑的重要仿真参数是基于以前所做的工作，以便可以描述结果之间的比较。在我们的模拟中，考虑了10个新生儿，每个新生儿部署有三个传感器，例如氧气水平传感器、呼吸速率传感器和心跳传感器。数据由这些传感器节点产生并传输到相应的集线器。在模拟中，10个新生儿生成最多300个数据包，这些数据在诊断服务器中被考虑此外，在仿真中还考虑了支持IEEE 802.15.6的所有其他重要参数在我们的工作中，我们使用了三种类型的传感器节点，如氧气水平传感器，呼吸水平传感器和心跳率传感器。在表4中，提供了不同类型传感器的关键性水平。当氧水平传感器的感测数据值低于92%时，则MAC报头中的数据类型被包括为关键的。以这种方式，向所有分组提供关键性级别。在图6中，示出了基于WBAN的总体仿真环境。4.2.1. 功耗效率（PC）功率消耗被定义为传感器节点用于感测和传输所消耗的功率。功耗还包括空闲侦听和数据重传所消耗的功率。在图7中，我们将我们提出的基于WBAN的三层架构与现有的基于功耗的分类方法进行了比较。从图中可以清楚地看出，与分类方法相比，基于WBAN三层的架构消耗少量的功率。在三层方法中，平均功耗为10%，而分类方法消耗传感器功耗的31.6%。这种巨大的差异是由于在每个传感器节点进行分类。在三层方法中，关键性级别由修改的MAC报头确定，从而最小化网络中的功耗。基于优先级的TDMA调度的参与通过最小化由于冲突而导致的重传次数来改善功耗。然而，这10%的功耗包括数据传输和数据加密。4.2.2. 可用信道概率效率（PAC）可用信道的概率定义为网络中其他集线器不使用的信道的频率。当分组被调度到最优信道时，则信道的可用性高（即，更多数量的信道可用。基于WBAN的三层体系结构与先前的CR-WBAN在图8中可用信道的概率方面进行比较。在基于WBAN的三层网络结构中，可用信道的概率是常数，等于1。因此，信道的可用性不受传感器节点的数目的影响。在CR-WBAN中，可用信道的概率随着传感器节点数量的增加而降低它仅提供可用信道的0.8的概率（即， 只有80%的信道可用于网络中的传感器节点。CR-WBAN的主要问题是信道选择过程只考虑信道稳定性度量，增加了重传次数。在BSO算法和CSMA/CA方法的支持下，我们解决了这个问题。3668Sonal等. /沙特国王大学学报-计算机与信息科学34（2022）3661- 3672图四、信道选择的BSO算法4.2.3. 延迟效率（D）延迟是指在传输期间感测到的数据所经历的等待时间。传输时间和加密时间不包括在此度量中。该度量随着来自不同传感器节点的感测数据的到达速率而变化。在图9中，我们比较了所提出的基于三层架构的WBAN与现有的4层WBAN的等待时间延迟。在4层方法中引入的延迟明显高于所提出的基于WBAN的三层架构。在4层WBAN中，紧急分组被立即发送，但正常分组经受分组聚合，这增加了另一个分组到达的等待时间。在基于WBAN的三层体系结构中经历的等待时间为1 s，而在4层WBAN中经历的等待时间为1.202 s。这种等待时间的巨大差异是在基于WBAN的三层体系结构中引入TDMA调度的。4.2.4. 平均延迟效率（AD）平均延迟定义为数据包从源到达目的地所需的时间。该平均延迟度量包括数据传输期间的所有可能延迟，诸如排队延迟、处理延迟、传播延迟和传输延迟。在图10中，比较了所提出的基于WBAN的三层架构和4层WBAN中的平均延迟。这里，平均延迟包括关键分组和非关键分组两者经历的延迟。三层方法通过有效的数据聚合、信道选择和诊断，最大限度地减少了所有类型数据包的总体延迟。在基于WBAN的三层体系结构中，采用TDMA调度和BSO算法结合CSMA/CA方法来减少重传次数。然而，4层WBAN增加了所有类型数据的延迟，因为它由于聚合而增加了等待时间。这里，树层方法中的平均延迟为Sonal等人/Journal of King Saud University图五. CHD诊断为三级。表3冠心病诊断的模糊规则。输入输出氧气浓度HRRR低低低低高高低高低高非常低高 高高低低高高低高低高中等高0.096 s，而在4层WBAN中经历的平均延迟为0.2 s。因此，延迟分析表明，提出的基于WBAN的三层架构，通过减少频繁的重传和有效的数据调度，最大限度地减少传输时间。在表7中，描绘了对所提出的基于WBAN的三层架构的总体比较分析。在这里，每个指标获得的平均值与现有工作获得的平均值进行比较。总体分析表明，基于三层结构的WBAN在各个指标上都取得了较好的性能.通过有效的数据聚合、信道选择和诊断过程，实现了性能的提高。涉及基于优先级的TDMA调度、基于BSO算法的信道选择、基于CSMA/CA方法的数据传输和基于神经模糊的CHD诊断过程。表4关键和非关键数据规范。传感器临界非临界含氧量92% 93呼吸频率大于53 30心率100 bpm 1005. 结论在本文中，我们提出了一种新的WBAN为基础的三层网络结构，有效的冠心病早期诊断。基于WBAN的三层体系结构在每层中涉及如下高效过程：（i）在第一层中，安全数据聚合在WBAN和集线器之间，（ii）在第二层中，最佳信道选择在集线器和BS之间执行，（iii）在第三层中，CHD诊断由诊断服务器启用。安全的数据聚合涉及AES算法的加密和基于优先级的TDMA调度的数据传输。这里，通过修改的MAC报头利用感测数据的优先级，在修改的MAC报头中包括附加字段。TDMA调度通过避免网络中的冲突来最小化重传的数量。最优信道选择过程利用BSO算法，其中基于每个可用信道的信道容量、RSRQ和SNR来评估适应度值。中心站和基站之间的数据传输采用CSMA/CA方式。采用模糊神经网络算法对冠心病进行三级诊断。在神经模糊算法中，利用神经网络的作用，使诊断时间最短。因此，所提出的基于WBAN的三层架构最小化了网络中的冲突和分组丢弃以及高效的CHD诊断。6. 今后工作三层架构通过在单个平台上收敛不同参数来给出最佳结果，但在未来，它还可以包括更多的指标以进行进一步改进。它可以在第一层中包括有效的睡眠调度过程，以进一步最小化能量消耗。上述提出的架构也可以用于其他疾病的早期诊断，但是结合了与其他疾病相关的特定保健参数除此之外，相同的平台可以实际部署在真实领域中，并且它们的结果可以通过使用其他参数来实现和增强。3670Sonal et al. /沙特国王大学学报-计算机与信息科学34（2022）3661- 3672见图6。基于三层体系结构的WBAN仿真环境。表5以前作品的缺点。以前的工作缺点CR-WBAN（Ali等人，●信道稳定性计算是效率不● 增加重传次数分类方法（AkandeSheriff Abiodun，2017）4层WBAN（Manirabona和ChaariFourati，2017）表6模拟时间内的模拟参数。● 高拥塞导致多次重传● 在传感器节点● 等待时间很长● 导致渠道利用不足1.4三层WBAN四层WBAN1.31.21.110.90.83060 90模拟时间（s）120150见图7。 功耗分析。见图9。延迟分析模拟时间传送的分组的数量到达率见图8。可用信道的概率分析。302000.2604000.3906000.41208000.51