Simultaneous Wireless Information and Power Transfer in a Network of On-body and Implantable Sensors With Temperature Constraint and Intelligent Channel Prediction

Document Type : Research Article

Authors

Department of Electrical and Computer Engineering, University of Kashan, Kashan, Iran

Abstract

The wireless body area network (WBAN) is one of the applications of the Internet of things (IoT) for healthcare, which monitors human physiological parameters. In this paper, a two-objective optimization problem is designed to maximize the sum-throughput and wireless transferred energy simultaneously. The designed one-tier network includes body surface sensors, an implantable sensor, and one coordinator. All of these sensors can harvest energy from the body and radio frequency (RF) signals. A temperature constraint is considered for the implanted sensor due to the sensitivity of internal tissues. Each sensor transmits physiological data to the coordinator in the uplink according to the scheduled time slots obtained by solving the optimization problem. At the beginning of each frame in the downlink, the coordinator transmits a pilot signal to transfer wireless energy and for channel estimation at the sensors. We have used a Recurrent Neural Network (RNN) architecture to predict one time step ahead of the channel. Then by interpolation, the channel gains of all time slots of a frame are estimated and the time scheduling of the sensor access to the channel is improved. The simulation results show that the objective function and time scheduling are improved by the proposed algorithms.

Keywords


  • مقدمه[1]

با گسترش روزافزون اینترنت، شاهد حضور گستردۀ آن در تمامی حوزه‌های زندگی افراد هستیم. شکل نوین استفاده از اینترنت، امروزه با عنوان اینترنت اشیا (IoT[i]) در میان کاربران شناخته شده است. برای ایجاد یک جامعۀ هوشمند، تمام اشیای هوشمند به برقراری یک ارتباط با هزینه و انرژی مصرفی کم نیازمندند. در ]1 [امکان استفاده از راه‌حل‌های مبتنی بر یادگیری ماشینی برای شبکه‌های اینترنت اشیا بررسی شده است. یکی از سناریو‌های عملیاتی برای تجهیزات اینترنت اشیا، شبکۀ بی‌سیم ناحیۀ بدن (WBAN[ii]) برای کاربرد‌های مراقبت از سلامت است [2]. WBAN شبکه‌ای هوشمند با ‌مصرف کم‌توان است که شامل حسگر‌های سطحی روی بدن و کاشتنی است؛ به طوری که توانایی انتقال داده‌های فیزیولوژیکی را به‌صورت بی‌سیم و هم‌زمان دارد. روش ارسال هم‌زمان بی‌سیم اطلاعات و توان (SWIPT[iii]) یک تکنیک به‌تازگی توسعه‌یافته از فناوری‌های مختلف انتقال توان بی‌سیم (WPT[iv]) است [3]، [4].

WBAN‌ها از یک باتری توان محدود به‌عنوان منبع انرژی استفاده می‌کنند؛ اما این باتری‌ها طول عمر کمی دارند. به‌علاوه تعویض این باتری‌ها در حسگر‌های کاشتنی دشوار است؛ بنابراین، برای افزایش طول عمر شبکه از تکنیک برداشت انرژی (EH[v]) استفاده می‌شود. این برداشت انرژی می‌تواند از منابع محیطی مانند نور خورشید و سیگنال فرکانس رادیویی (RF[vi]) باشد. همچنین، می‌توان از انرژی‌هایی که بدن تولید می‌کند مانند انرژی گرمایی / جنبشی/ شیمیایی، انرژی برداشت کرد [5].  

معماری ارتباط WBAN‌ها به سه سطح ارتباط درون[vii]-شبکه، ارتباط میان[viii]-شبکه و ارتباط فرا[ix]-شبکه WBAN تفکیک می‌شود. یک معماری مشارکتی تمام‌دوطرفه[x] WBAN دو‌سطحی در [6] معرفی شده که در آن حسگرها علاوه بر ارسال اطلاعات فیزیولوژیکی، وظیفۀ برداشت انرژی از منابع بدن و سیگنال‌های RF گره هماهنگ‌کننده را برعهده دارند. در [۷] ترکیب انتقال هم‌زمان بی‌سیم اطلاعات و توان در یک WBAN دو لایه و تمام دو‌طرفه بررسی شده است. در مراجع فوق با تمام دو‌طرفه در‌نظر گرفتن شبکه، مشکل خود‌تداخلی در شبکه وجود دارد. شناخت هیجانات ازطریق سیگنال الکتروانسفالوگرام (EEG[xi]) انجام می‌شود؛ اما تشخیص خودکار هیجانات فرآیندی زمان‌بر است؛ ازاین‌رو، در [8] برای شناسایی هیجانات مبتنی‌بر تحریک شنوایی با سیگنال‌های EEG از شبکۀ عمیق کانولوشنال و حافظۀ طولانی کوتاه‌مدت (LSTM[xii]) استفاده شده است. در [9] یک الگوریتم برای بهینه‌سازی پروتکل ارسالی بررسی شده که وزن گره‌های فرستنده را در یک WBAN در ‌نظر گرفته است. در این شبکه، حسگر‌ها بعد از برداشت انرژی از سیگنال RF، به نوبت با روش دسترسی چند‌گانه در حوزۀ زمان (TDMA[xiii]) داده‌ها را به منبع باز می‌گردانند.

شبکۀ چند‌نقطه‌ای می‌تواند انتقال کارآمد و دقیق داده‌های فیزیولوژیکی را در مقایسه با شبکه نقطه‌به‌نقطه به دست آورد. یک شبکۀ بی‌سیم چند‌نقطه‌ای ناحیه بدن (MP[xiv]-WBAN) با برداشت انرژی برای سناریو‌های طبیعی و غیرطبیعی در [10] بررسی شده است؛ به طوری که دو پروتکل مقسم توان (PS[xv]) و تعویض‌کنندۀ زمان (TS[xvi]) در این مقاله پیشنهاد شده است. برای بهبود عملکرد تخصیص منابع سیستم، مرجع [11] یک
 MP-WBAN را با استراتژی TS و الگوریتم انصاف بررسی کرده است.

بیشینه‌سازی طول عمر شبکۀ سیستم‌های کاشتنی پزشکی بی‌سیم یکی از مهم‌ترین چالش‌های تحقیقاتی WBAN‌ها است. در [12] یک پروتکل ارتباط رله فزاینده مبتنی بر اطلاعات متقابل (MI[xvii]) ارائه شده است. این سیستم شامل نه حسگر بوده است؛ به‌ طوری که داخل بدن انسان کاشته شده‌اند. گره‌های رله و هماهنگ‌کنندۀ آن به لباس بیمار متصل شده است. این تکنیک متوسط مصرف انرژی را کاهش داده است؛ به‌طوری که به افزایش طول عمر شبکه منجر شده است.

کنترل دما نقش حیاتی در زمینه‌های مختلف ازجمله شبکۀ حسگر بی‌سیم (WSN[xviii])، IoT و WBAN ایفا می‌کند؛ زیرا افزایش دما باعث آسیب به سخت‌افزار‌ها و طول عمر شبکه می‌شود؛ برای مثال، در WBAN افزایش دمای حسگر کاشتنی برای بافت‌ها و متابولیسم بدن می‌تواند خطرناک باشد. در [13] یک سیستم ارتباطی برداشت انرژی در ‌نظر گرفته شده که تغییرات دمای فرستنده توسط خط‌مشی توان انتقال کنترل شده است. مرجع [14] مسئلۀ بیشینه‌سازی گذردهی را برای یک سیستم رله که ترکیبی از EH و SWIPT بوده (EH-SWIPT)، تحت قید‌های انرژی/دما در گره‌های ارسال/دریافت در نظر گرفته است. 

جایگاه کارآمد گره‌های هماهنگ‌کنندۀ‌ بدن (BNC[xix]) سبب عملکرد متمرکز و پیچیدگی کمتر پردازش دادۀ گره‌های حسگر می‌شود تا یک شبکۀ انرژی کارآمد ایجاد کند. مرجع [15] عملکرد درون-شبکه حسگر بی‌سیم بدن (Intra-WBSN[xx]) را با قراردادن BNC در جایگاه‌ بهینه بررسی کرده است. در یک WBAN طول عمر شبکه به دلیل محدودیت دردسترس‌بودن منبع انرژی در گرههای بدن، یکی از چالش‌های اصلی است؛ بنابراین، پروتکل‌های مسیریابی نقش کلیدی در راستای ایجاد شبکه‌های انرژی کارآمد دارند. در [16] اهمیت جایگاه مؤثر BNC در یک WBAN در راستای بیشینه‌سازی طول عمر شبکه بررسی شده است.

یادگیری ماشین یکی از تکنیک‌های هوش مصنوعی است و در زمینه‌های مختلف ازجمله WBAN کاربرد دارد. مرجع [17] یک مقاله مروری است که کاربرد یادگیری ماشین در شبکۀ پوشیدنی بی‌سیم ناحیه بدن را بررسی کرده است.

یادگیری عمیق حالت ارتقا‌یافته شبکه عصبی با تعداد لایه‌های پنهان بیشتر است. شبکۀ عصبی، یکی از زیر‌مجموعه‌های یادگیری عمیق به حساب می‌آید؛ به طوری که محدوده‌ای گسترده‌تر از شبکۀ عصبی را دارا است. شبکه‌های عصبی بازگشتی (RNN[xxi]) یکی از تکنیک‌های هوش مصنوعی است که یکی از روش‌های جدید در زمینۀ پیش‌بینی کانال و سری زمانی به‌شمار می‌رود. پیش‌بینی کانال در شبکه‌های مختلف ازجمله BAN و WBAN کاربرد دارد. در [18] یک پیش‌بینی‌کننده برای کانال‌های BAN ارائه شده است؛ به‌ طوری که این پیش‌بینی‌کننده از مقادیر اندازه‌گیری‌شده بهره کانال BAN در چهار ثانیه قبل برای پیش‌بینی بهره کانال تا دو ثانیه جلو‌تر استفاده می‌کند. درواقع از این پیش‌بینی‌کننده برای کنترل توان ارسالی استفاده شده است. در[19] یک LSTM عمیق مبتنی‌بر توجه تکاملی برای پیش‌بینی سری‌های زمانی چند‌متغیره پیشنهاد شده است که به‌صورت خودکار یکی از بهترین ترکیب‌ها از مقادیر پارامتر‌های LSTM و وزن‌های ارزش‌دهی به ویژگی‌ها را می‌یابد. مرجع [20] از یک پیش‌بینی‌‌کننده برای یادگیری تغییرات کانال رادیویی غیر‌نرمال استفاده کرده است. این پیش‌بینی‌کننده LSTM مبتنی بر شبکۀ عصبی بازگشتی بوده است. با استفاده از این پیش‌بینی‌کننده، پیش‌بینی کانال طولانی‌مدت تا دو ثانیه جلو‌تر با کمترین خطا انجام شده است.  مرجع[21] یک معرفی جامع بر روش‌های پیش‌بینی هوشمند کانال فراهم کرده است؛ به ‌طوری که بر شبکۀ عصبی مبتنی بر پیش‌بینی تأکید کرده است. در [22] با توجه به قابلیت شبکۀ عصبی بازگشتی در پیش‌بینی سری زمانی، یک شبکۀ عصبی بازگشتی برای پیش‌بینی کانال اعمال کرده است. یکی از زیرمجموعه‌های شبکۀ عصبی بازگشتی، شبکۀ عصبی بازگشتی کاملاً متصل(FCRNN[xxii]) است؛ به طوری که هر تک نورون از لایۀ خروجی به لایۀ ورودی فیدبک داده می‌شود و هر نورون از لایۀ ورودی به هر نورون از لایۀ خروجی در شبکه متصل است. کاربرد FCRNN در زمینۀ پیش‌بینی کانال باند باریک در [23] بررسی شده است. 

هدف ما در این مقاله بیشینه‌سازی گذر‌دهی مجموع و انرژی بی‌سیم انتقالی به‌صورت همزمان است؛ به ‌طوری که ساختار استفاده‌شده، یک WBAN دو‌طرفه است و شامل حسگر‌های سطحی، یک حسگر کاشتنی و یک گره هماهنگ‌کننده[xxiii] است. در این شبکه از روش SWIPT نیز استفاده شده است. حسگرها علاوه‌بر این‌که مجهز به باتری می‌باشند، قابلیت برداشت انرژی از بدن و سیگنال RF را دارند. همچنین، در این مقاله برای پیش‌بینی کانال در یک گام زمانی جلو‌تر از ساختار شبکه عصبی استفاده می‌شود. سپس با کمک درون‌یابی، بهره کانال همه شیار‌های زمانی یک فریم را تخمین زده و برنامه‌ریزی زمانی دسترسی حسگر‌ها به کانال بهبود داده می‌شود. نوآوری‌های مقاله به شرح زیر است:

مدل سیستم در ‌نظر گرفته شده شامل یک گره هماهنگ‌کننده، حسگر‌های سطحی و یک حسگر کاشتنی است. برای هر یک از حسگر‌های سطحی به‌منظور جلوگیری از بروز تداخل در داده‌های ارسالی، یک شاخص برنامه‌ریزی زمانی در ‌نظر گرفته می‌شود. برای حسگر کاشتنی به دلیل حساس‌بودن بافت‌های داخلی قید دما لحاظ می‌شود.

گره هماهنگ‌کننده در فروسو (DL)، یک سیگنال راهنما[xxiv] ارسال می‌کند؛ که جهت ارسال انرژی برای حسگر‌ها و تخمین کانال استفاده می‌شود. هر یک از حسگر‌های سطحی داده‌های حیاتی ذخیره‌شده در فراسو (UL) را در یک شیار زمانی برای گره هماهنگ‌کننده ارسال می‌کنند.

حسگر سطحی روی قلب، انرژی برای حسگر کاشتنی ارسال می‌کند؛ اما برای جلوگیری از افزایش بیش از حد دما، نباید این ارسال انرژی به‌صورت مداوم انجام شود؛ بنابراین، یک شاخص زمانی برای ارسال انرژی به حسگر کاشتنی در ‌نظر گرفته می‌شود.

شبکۀ عصبی استفاده‌شده از نوع بازگشتی است. با استفاده از این شبکه، یک گام زمانی جلوتر کانال پیش‌بینی می‌شود و سپس با کمک درون‌یابی، بهرۀ کانال همۀ شیار‌های زمانی یک فریم، تخمین زده و برنامه‌ریزی زمانی دسترسی حسگر‌ها به کانال بهبود داده می‌شود.  

کانال‌ها به‌صورت بی‌درنگ[xxv] تخمین زده می‌شوند و بهینه‌سازی متناسب با آن کانال تخمین زده شده انجام می‌شود.

سایر بخش‌های مقاله به‌صورت زیر سامان‌دهی شده‌اند: در بخش 2 مدل سیستم ارائه شده است. بخش 3 به بیان فرمول‌بندی مسئله پرداخته است. ساختار پیش‌بینی هوشمند کانال به کمک شبکۀ عصبی در بخش 4 شرح داده شده است. نتایج شبیه‌سازی و مقادیر عددی در بخش 5 ذکر شده است. درنهایت، نتایج به‌دست‌آمده از این مقاله و پیشنهادات در بخش 6 بیان می‌شوند.

علامت‌گذاری‌ها: بالا‌نویس‌ها  و ، j‌امین شیار و n‌امین فریم زمانی را نشان می‌دهند و زیر‌نویس ، مربوط به iامین حسگر است. حروف کج و درشت نمایندۀ بردار‌ها هستند. نماد  بیان‌کنندۀ ترانهاده بردار a است. نماد نمایش‌دهندۀ قدر‌مطلق است.

2- مدل سیستم

سیستم در ‌نظر ‌گرفته‌شده در این مقاله یک سیستم WBAN یک‌سطحی است. حسگر‌های این سیستم شامل K+1 حسگر سطحی (i=0,…,K)، یک حسگر کاشتنی (I) و یک گره هماهنگ‌کننده است که در نقطه‌ای مانند کمر بر روی بدن قرار دارد. حسگر‌های سطحی در شکل (1)، حسگر‌های الکتروکاردیوگرام (ECG[xxvi])، فشار خون (BP[xxvii])، میزان اشباع اکسیژن خون (Spo2[xxviii]) و حسگر حرکتی[xxix] هستند و حسگر کاشتنی در ‌نظر گرفته شده یک ضربان‌ساز قلب[xxx] است. مدل سیستم طراحی‌شده مطابق شکل (1) است.

 

شکل (1): مدل سیستم.

 

در شکل (1) خطوط ممتد دو‌طرفه، نمایش‌دهندۀ انتقال اطلاعات از حسگر‌ها به گره هماهنگ‌کننده و ارسال فرمان از گره هماهنگ‌کننده به حسگر‌ها است و خط‌چین‌ها بیان‌کنندۀ ارسال انرژی از هماهنگ‌کننده به حسگر‌ها هستند.

این سیستم دارای N فریم زمانی است که هر فریم شامل یک شیار با دوره زمانی  و J شیار با دوره زمانی  است. در شکل (2) قسمت‌های تشکیل‌دهندۀ یک فریم نمایش داده شده است. 

 

شکل (2): فریم‌ها و شیار‌های زمانی.

 

در ابتدای هر فریم در شیار  که مربوط به قسمت DL است، گره هماهنگ‌کننده، یک سیگنال راهنما برای تخمین کانال برای تمام حسگر‌ها ارسال می‌کند و حسگر‌ها از آن سیگنال انرژی نیز برداشت می‌کنند. تخمین کانال در DL و در  انجام می‌شود و سپس مقدار کانال‌های تخمین زده شده برای گره هماهنگ‌کننده ارسال خواهد شد. درواقع فقط در  تخمین کانال انجام می‌شود. در سایر شیار‌های زمانی، یعنی  شیار زمانی در قسمت UL هر یک از حسگر‌ها داده‌های حیاتی خود را در شیار زمانی تخصیص‌یافتۀ خود برای گره هماهنگ‌کننده ارسال می‌کنند.

هر حسگر مجهز به باتری و دارای انرژی اولیه است. تمام حسگر‌ها توانایی برداشت انرژی از بدن و سیگنال RF را دارند. حسگر ECG دارای دو آنتن است؛ به‌ طوری‌ که یکی از آنتن‌ها مربوط به تبادل داده با گره هماهنگ‌کننده بوده و آنتن دیگر مربوط به ارسال انرژی به حسگر کاشتنی قلب است.

حسگر‌های سطحی در موقعیتی قرار گرفته‌اند تا بتوانند سیگنال حیاتی مد‌نظرشان را ثبت و ذخیره و این داده‌ها را برای گره هماهنگ‌کننده در UL ارسال کنند. با توجه به اینکه ارسال انرژی به ضربان‌ساز قلب باعث افزایش دمای آن می‌شود، برای ضربان‌ساز قلب قید دما در ‌نظر گرفته شده است.

در DL، گره هماهنگ‌کننده یک سیگنال راهنما در ابتدای هر فریم جهت تخمین کانال برای تمام حسگرها ارسال می‌کند، تمام حسگر‌ها آن سیگنال را دریافت می‌کنند به طوری که می‌توانند از آن سیگنال انرژی نیز برداشت کنند. در واقع این سیگنال برای ارسال انرژی برای حسگر‌ها و تخمین کانال استفاده می‌شود.

1- فرمول‌بندی مسئله

برنامه‌ریزی هر یک از حسگر‌ها در هر شیار زمانی 1 تا J به نحوی است که در هر شیار زمانی حداکثر یک حسگر ارسال داشته باشد؛ بنابراین، داریم:

(1)

   1,

(2)

 

 

که در آن  شاخص برنامه‌ریزی زمانی مربوط به حسگر i‌ام در شیار زمانی j‌ام است.

به‌منظور جلوگیری از افزایش دمای ضربان‌ساز قلب شاخص زمانی  در ‌نظر گرفته می‌شود تا ارسال انرژی از حسگر ECG برای آن مدیریت شود؛ بنابراین، شاخص زمانی ذکر‌شده دارای مقدار باینری بوده و j شیار زمانی j‌ام است.

مقدار انرژی حسگر ECG (حسگر i=0) در فریم صفر‌ام و شیار زمانی J‌ام به‌صورت زیر برابر مقدار انرژی اولیه  در ‌نظر گرفته می‌شود.

(3)

=

 

مقدار انرژی حسگر ECG در شیار زمانی صفر‌ام و فریم n‌ام (  ) برابر است با مجموع مقدار انرژی باقی‌مانده از فریم قبلی ( ) و مقدار انرژی‌های برداشت‌شده از بدن و از سیگنال RF در شیار زمانی صفر‌ام منهای انرژی مصرف‌شده برای ارسال انرژی بی‌سیم برای ضربان‌ساز قلب که با رابطه (4) نمایش داده می‌شود.

(4)

= + +

-

 

که  ضریب تبدیل انرژی حسگر ECG است.  توانی است که هماهنگ‌کننده برای ارسال سیگنال راهنما مصرف می‌کند.  مقدار توان برداشت‌شده از بدن با حسگر ECG است.  بهرۀ کانال بین حسگر i‌ام و هماهنگ‌کننده در فریم n‌ام و شیار jام است.  توانی است که حسگر ECG برای ارسال انرژی به حسگر کاشتنی مصرف می‌کند.

مقدار انرژی حسگر ECG در شیار زمانی jام و فریم n‌ام یعنی ، برابر است با مجموع انرژی شیار زمانی قبلی و انرژی برداشتی از بدن منهای انرژی که حسگر ECG برای ارسال داده به هماهنگ‌کننده و ارسال انرژی به حسگر کاشتنی مصرف می‌کند که با رابطه (5) بیان می‌شود.

(5)

= + - (  +

,

که  توان مصرفی حسگر ECG برای ارسال داده است. 

برای محاسبۀ مقدار انرژی سایر حسگر‌های سطحی، مقدار انرژی آن در صفر‌امین فریم و J‌امین شیار زمانی به‌صورت زیر برابر با مقدار انرژی اولیه  در ‌نظر گرفته می‌شود.

(6)

=  ,

 

مقدار انرژی سایر حسگر‌های سطحی در صفر‌امین شیار و n‌امین فریم زمانی ( ) معادل است با مجموع انرژی باقی‌مانده از فریم زمانی قبلی به‌علاوه مقدار انرژی‌های برداشت‌شده از بدن و از سیگنال RF در شیار زمانی صفر‌ام که با رابطه (7) نمایش داده می‌شود.

(7)

 = +  +

,

 

که  ضریب تبدیل انرژی حسگر‌های سطحی است.  مقدار توان برداشت‌شده از بدن با حسگر سطحی i‌ام است.

مقدار انرژی حسگر سطحی i‌ام در شیار زمانی j‌ام و فریم n‌ام برابر است با مجموع مقدار انرژی شیار زمانی قبلی و انرژی برداشت‌شده از بدن منهای مقدار انرژی مصرف‌شده با حسگر i‌ام که با رابطه (8) بیان می‌شود.

(8)

= +  - ( )

,  و

 

که  توان مصرفی حسگر‌های سطحی برای ارسال داده به هماهنگ‌کننده است.

برای حسگر کاشتنی قید دما در نظر گرفته می‌شود؛ بدین صورت که مجموع افزایش دمای حسگر کاشتنی در شیار زمانی j‌ام و فریم n‌ام ( ) با دمای محیط ( ) باید از یک دمای آستانه ( ) کمتر باشد؛ بنابراین، این قید به‌صورت زیر بیان می‌شود:

(9)

 +      ,

 

مقدار افزایش دما در شیار زمانی صفر‌ام ( ) برابر است با  برابر افزایش دما در فریم قبلی ( ) به‌علاوه ضریبی از مقدار انرژی دریافتی توسط ضربان‌ساز قلب در شیار زمانی صفر‌ام که با رابطه (10) بیان می‌شود.

(10)

=  +

 

که  ضریب فراموشی دمای قبلی و  ضریب اتلاف توان ارسالی است. فرض می‌شود  است.  افت مسیر کانال در ‌نظر گرفته‌ شده بین حسگر ECG و حسگر کاشتنی است. 

افزایش دما در شیار زمانی j‌ام و فریم n‌ام ( ) معادل است با  برابر دما در شیار زمانی قبلی به‌علاوۀ ضریبی از مقدار انرژی دریافتی توسط ضربان‌ساز قلب در شیار زمانی jام که با رابطه (11) نمایش داده می‌شود.  

(11)

 =  +

,

 

یک قید محدودیت انرژی برای حسگر‌ها در ‌نظر گرفته شده است؛ به ‌طوری که مقدار انرژی مصرفی باید کمتر از مقدار مجموع انرژی اولیه و انرژی برداشتی حسگر‌ها باشد. این محدودیت انرژی برای حسگر ECG و سایر حسگر‌ها به ترتیب برابر است با:

(12)

    +

( ( ) + ,

(13)

    +

( ( ) + , ,

 

 

مقدار انرژی حسگر i‌ام در شیار زمانی j‌ام و فریم n‌ام ( ) باید مقداری مثبت داشته باشد.

(14)

   0,

 

با توجه به اینکه حسگر‌ها در UL داده‌های فیزیولوژیکی را برای هماهنگ‌کننده ارسال می‌کنند، ما فقط در UL نرخ داده خواهیم داشت. این نرخ با رابطه (15) بیان می‌شود. 

(15)

 =

 

 نرخ داده حسگر i‌ام در شیار زمانی j‌ام است و فریم n‌ام برای سادگی حذف شده است.  توان نویز دریافتی در هماهنگ‌کننده است. در راستای اینکه در هر فریم نوبت 

ارسال به همۀ حسگر‌ها برسد، قید حداقل نرخ که معادل رابطه (16) است، بیان می‌شود. 

(16)

,

که متوسط مجموع نرخ هر یک از حسگر‌ها در همۀ شیار‌های زمانی یک فریم باید از یک حداقل مقدار ( ) بزرگ‌تر باشد.

در [24] تابع هدف از ترکیب دو جمله نرخ مجموع متوسط و توان مجموع متوسط نوشته شده است و ما با توجه به آن، تابع هدف مسئلۀ بهینه‌سازی خود را طراحی کردیم که یک تابع سودمندی[i] با پارامتر اولویت f   است.

(17)

+

 

تابع هدف دارای دو جمله است که اولین جملۀ آن مربوط به نرخ مجموع متوسط و دومین جمله مربوط به برداشت انرژی مجموع متوسط در حسگر کاشتنی است. هر یک از حسگر‌های سطحی با اولویت حیاتی‌تربودن داده‌ها وزن‌دهی می‌شوند؛ یعنی  نمایندۀ وزن هر یک از حسگر‌ها است. پارامتر اولویت جمله نرخ f و پارامتر اولویت جمله انرژی 1-f است. برای تابع سودمندی یک نرخ مرجع  و توان مرجع  در ‌نظر گرفته شده است. با تقسیم جمله نرخ مجموع متوسط روی شیار زمانی یعنی J جملۀ مربوطه نرمالیزه می‌شود؛ اما برای نرمالیزه‌کردن انرژی مجموع متوسط، آن جمله بر مجموع  با  تقسیم می‌شود.

در ادامه، مسئلۀ بهینه‌سازی تحت قیود انرژی و دما با یک تابع سودمندی دو‌هدفی مطرح می‌شود که هم‌زمان نرخ و انرژی را کنترل می‌کند.

(18)

 +

 +

s.t

(19)

:    1,

(20)

:  

(21)

:

(22)

: = + + -

(23)

: = + -

(  +  ,

(24)

: = + + ,

(25)

: = +  - ( ),  و

(26)

:  +

+ ,  ,

(27)

:  

+ ( ( ) +  ,

(28)

:  =  +

 

(29)

: = +

,

(30)

:  +      ,

(31)

:    0,

(32)

:      ,

 

با توجه به اینکه متغیر‌های مسئله، متغیر‌های صحیح‌اند، مسئله از نوع برنامه‌ریزی خطی صحیح ([ii]ILP) است که می‌تواند با کمک حل‌کننده Mosek در بسته نرم‌افزاری CVX حل شود.

1- پیش‌بینی هوشمند کانال

با توجه به بخش 2، برای تخمین کانال از یک سیگنال راهنما در  استفاده می‌شود. در ابتدای هر فریم در DL یک سیگنال راهنما‌ وجود دارد که با استفاده از آن، کانال هر حسگر تخمین زده می‌شود. درواقع فقط در  تخمین کانال انجام می‌شود. با استفاده از این کانال تخمین زده شده، یک گام زمانی آینده از کانال پیش‌بینی می‌شود. سپس به کمک آن، تغییرات کانال در طول فریم درون‌یابی می‌شوند. با شروع هر فریم، سیگنال راهنمای جدید ارسال می‌شود و به کمک آن، تخمین، پیش‌بینی و درون‌یابی جدید خواهیم داشت.

در [21] یک RNN مبتنی بر پیش‌بینی کانال بی‌سیم طراحی شده است و ما با توجه به آن، شبکۀ عصبی مورد‌نیاز را طراحی کردیم. از مزایای انتخاب RNN، حافظه‌داربودن و پیچیدگی کمتر محاسبات هستند. ساختار استفاده‌شده برای پیش‌بینی کانال در شکل (3) نمایش داده شده است.

 

شکل (3): ساختار داخلی RNN برای پیش‌بینی کانال.

 

طبق شکل (3) این شبکه شامل سه لایۀ ورودی، پنهان و خروجی است. هر یک از این لایه‌ها با تعدادی نورون به هم متصل می‌شوند. اجزای تشکیل‌دهندۀ لایۀ ورودی شامل فیدبک، بایاس و p ورودی خارجی یعنی بردار  است. مطابق شکل فوق، خروجی با تأخیر وارد لایۀ ورودی می‌شود. رابطه زیر بیان‌کنندۀ بردار ورودی خارجی است.

(33)

,..., =

[ (t), (t-1), …,   (t-d)]

که (t) ، مقدار بهره کانال تخمین زده ‌شده به کمک سیگنال راهنمای فریم t‌ام است.

درواقع بردار لایۀ ورودی به‌صورت معادله (34) بیان می‌شود.

(34)

i(t) =

 

که بردار i(t) به‌عنوان ورودی وارد لایۀ پنهان می‌شود و این بردار در بردار وزن l‌ام یعنی  ضرب می‌شود و مجموع آنها با یک تابع فعال‌ساز[iii] S(x) خروجی  را به‌صورت زیر می‌سازد.

(35)

 = S ( )  =

S ( )

 

که  بیان‌کنندۀ خروجی l‌امین نورون پنهان است.  تعداد نورون ورودی‌های خارجی است.  وزن اتصال n‌امین ورودی به l‌امین نورون پنهان بوده و  نشان‌دهندۀ n‌امین ورودی است. برای آموزش این ضرایب از روش Levenberg-Marquardt استفاده می‌شود [25]. b بایاس است و  یک فیدبک از خروجی در گام زمانی پیشین است. تابع فعال‌ساز در ‌نظر گرفته ‌شده در این مقاله یک تابع سیگموئید است و با رابطۀ زیر بیان می‌شود.

(36)

S(x) =

 

تابع فعال‌ساز لایۀ خروجی یک تابع خطی است که  به‌عنوان ورودی به این لایه وارد می‌شود. خروجی مد‌نظر که درواقع مقدار کانال در آینده است، برابر است با:

(37)

 =

 

که  مقدار کانال پیش‌بینی‌شده در یک گام زمانی آینده است.  تعداد نورون لایۀ پنهان است.  وزن مربوط به لایۀ خروجی است. بعد از پیش‌بینی کانال ، مقادیر بهرۀ کانال شیار‌های زمانی بین  و  را درون‌یابی می‌کنیم. درواقع  معادل  است و مقدار بهرۀ کانال تخمین ‌زده شده شیار زمانی صفر‌ام فریم t‌ام است. مقدار  نیز معادل  است که بیان‌کنندۀ مقدار بهرۀ کانال پیش‌بینی‌شده برای شیار زمانی صفر‌ام فریم t +1‌ام است. سپس به کمک  و  و درون‌یابی خطی بهره‌های کانال J شیار زمانی فریم t‌ام، حساب می‌شوند.

2- شبیه‌سازی و نتایج عددی

در این بخش، نتایج شبیه‌سازی بررسی می‌شوند که قسمت اول مربوط به حالت الگوریتم تخصیص بهینه (OA[iv]) و مقایسۀ آن با حالت الگوریتم تخصیص زمان مساوی (ETA[v]) است. روش ETA یکی از الگوریتم‌های زیر‌بهینۀ تخصیص زمان با پیچیدگی کمتر است که در آن برنامه‌ریزی زمانی یکسانی به تمام حسگر‌ها اختصاص داده می‌شود [10]. تعداد فریم N = 30 و طول فریم J = 54 در ‌نظر گرفته شده است. قسمت دوم مربوط به پیش‌بینی کانال متغیر با زمان با استفاده از شبکه RNN است.

  • حالت OA و مقایسه با حالت ETA

در این بخش، مسئله OA در روابط (18) الی (32) باید حل شود. این مسئله بهینه‌سازی با نرم‌افزار MATLAB و بستۀ نرم‌افزاری CVX حل شده است [26]. با توجه به اینکه این متغیر‌ها باینری و صحیح‌اند، نوع حل‌کنندۀ استفاده‌شده در CVX، Mosek است.

 

جدول (1): پارامتر‌های شبیه‌سازی

پارامتر

نماد

مقدار

توان گره هماهنگ‌کننده [7]

 

1 mW

توان ارسال حسگر سطحی / کاشتنی [7]

   

0.1 mW

ضریب برداشت انرژی [7]

 =

0.8

توان نویز دریافتی [7]

 

-124 dBm

توان مرجع

 

-41 dBm

نرخ مرجع

 

1 bits/s

ضریب فراموشی [14]

 

0.78

دمای محیط  [14]

 

37

دمای آستانه  [14]

 

39

توان برداشتی از بدن با حسگر ECG [7]

 

4

توان برداشتی از بدن با حسگر اول [29]

 

0.93 W

توان برداشتی از بدن با حسگر دوم [29]

 

60

بردار وزن هر کاربر [30]

 

3/16[6,5,5]

مقدار انرژی اولیه

 

10 mJ

طول شیار زمانی صفر‌ام

 

20 ms

طول سایر شیار‌های زمانی

 

10 ms

مقدار حداقل نرخ

 

5 bits/s

 

در شکل (4) ارتباط بین مقادیر بهینۀ تابع سودمندی با پارامتر اولویت f = 0.5  بر‌حسب شماره فریم نشان داده شده است. با توجه به اینکه بهرۀ کانال‌ها به‌صورت  تصادفی مدل ‌شده‌اند، لزوماً در همۀ فریم‌ها مقدار نرخ نباید افزایشی یا دارای مقادیر یکسان باشد. مطابق شکل OA با ETA در حال مقایسه‌شدن هستند. نتیجۀ حاصل از شبیه‌سازی نشان‌دهندۀ تفاوت بین OA و ETA است که نمودار OA بالا‌تر از نمودار ETA قرار گرفته است. میزان درصد بهبود الگوریتم پیشنهاد‌شده 2.71% است.

شکل (4): مقادیر تابع سودمندی بر‌حسب شماره فریم.

 

تغییر پارامتر اولویت و اثر آن بر تابع سودمندی در شکل (5) مشاهده می‌شود. با افزایش مقدار پارامتر اولویت مقدار تابع سودمندی به‌صورت صعودی افزایش می‌یابد. در‌واقع افزایش پارامتر اولویت تأثیر میزان گذر‌دهی مجموع را زیاد و تأثیر انرژی را کم می‌کند. مقدار حاصل از الگوریتم OA بهتر از الگوریتم ETA است. میزان درصد بهبود الگوریتم مد‌نظر 2.72 % است.

 

شکل (5): مقادیر تابع سودمندی بر‌حسب پارامتر اولویت.

 

شکل (6) میزان تأثیر افزایش توان حسگر‌ها را بر مقدار تابع سودمندی نشان می‌دهد. هر‌چه مقدار توان ارسالی حسگر‌ها بیشتر باشد، مقدار تابع سودمندی نیز افزایش می‌یابد. بدیهی است الگوریتم OA پیشنهاد‌شده در این مقاله بهتر از حالت ETA است. درصد بهبود الگوریتم پیشنهاد‌شده 1.87% است.

 

 

شکل (6): مقادیر تابع سودمندی بر‌حسب توان حسگر‌ها.

 

شکل (7) نشان‌دهندۀ مقادیر افزایش دمای حسگر کاشتنی بر‌حسب شماره فریم است. تعداد شیار زمانی
 J = 12 است. مقدار  برابر با ℃37 و مقدار دمای شروع برابر   در‌ نظر گرفته شده است. شاخص برنامه‌ریزی حسگر ECG یعنی  با حل مسئله بهینه‌سازی به‌گونه‌ای تنظیم می‌شود که دما از حد مجاز بیشتر نشود. در‌واقع در این حالت، متغیر باینری  در بعضی از شیار‌ها صفر می‌شود تا با منتقل‌نشدن انرژی از افزایش بیش از حد دما جلوگیری شود. همان‌طور که در شکل مشاهده می‌شود، دما از فریم 20 به بعد کنترل شده و از آستانه فراتر نرفته است.

 

شکل (7): مقادیر دمای حسگر کاشتنی بر حسب شماره فریم.

 

  • حالت پیش‌بینی کانال متغیر با زمان با شبکه RNN

در این بخش، کانال‌ها در یک گام زمانی آینده با استفاده از شبکۀ عصبی پیش‌بینی می‌شوند. شبکۀ عصبی استفاده‌شده در بخش شبیه‌سازی نوعی از RNN است که شبکۀ عصبی رگرسیون غیر‌خطی با ورودی خارجی (NARX[i]) نام دارد. این شبکه می‌تواند پیش‌بینی یک سری زمانی را با استفاده از مقادیر گذشته همان سری زمانی، ورودی فیدبک و یک سری زمانی دیگر به نام سری‌های زمانی خارجی یاد بگیرد. در نرم‌افزار MATLAB، شبکه NARX با تابع narxnet ایجاد شد و با دستور "view(net)" شبکه مد‌نظر به‌صورت شکل (8) رسم شد. شبکه NARX به‌دست‌آمده در شکل (8) نمایش داده شده است.

 

شکل (8): ساختار شبکه NARX.

 

شبکه NARX در شکل (8) شامل نه ورودی تأخیر‌یافته، یک ورودی فیدبک و یک بایاس است. یک تابع فعال‌ساز در این شبکه در‌ نظر گرفته شده است. این شبکه دارای دو لایه است؛ شامل یک لایۀ پنهان و یک لایۀ خروجی. تئوری آن در بخش 4 و شکل (3) بیان شده و شکل (8) حاصل پیاده‌سازی آن شبکۀ عصبی است.

کانال استفاده‌شده در شبیه‌سازی این بخش، یک کانال متغیر با زمان است. کانال استفاده‌شده در هر دو بهینه‌سازی یک کانال نویزی است. مقدار -23 dBm= ،
مقدار= 10 bits/s   ، تعداد فریم N = 20 و طول فریم J = 78 است. شکل (9) تأثیر پیش‌بینی کانال بر تابع سودمندی را نشان می‌دهد. در شبیه‌سازی اول، مسئلۀ بهینه‌سازی با فرض ثابت‌بودن کانال در زمان هر فریم حل می‌شود. در‌واقع در این حالت، سیستم، تغییرات کانال در حین هر فریم را در حل مسئله در ‌نظر نمی‌گیرد. در شبیه‌سازی دوم، با استفاده از پیش‌بینی هوشمند کانال و درون‌یابی خطی، بهرۀ کانال همۀ شیار‌های زمانی یک فریم، تخمین زده می‌شود و با کمک آن مجدد مسئلۀ بهینه‌سازی حل می‌شود. بعد از حل مسئلۀ بهینه‌سازی، مقادیر نرخ برای هر دو فرض در‌ نظر گرفته‌ شده، با کانال واقعی بدون خطا محاسبه شده است. مشاهده می‌شود استفاده از بهره‌های کانالی که به‌صورت هوشمند پیش‌بینی شده‌اند، در مسئلۀ بهینه‌سازی، تابع سودمندی را افزایش داده است.

 

 

شکل (9): تأثیر پیش‌بینی کانال بر تابع سودمندی بر‌حسب شماره فریم.

 

 2- بحث و نتیجه‌گیری

در این مقاله، یک شبکه WBAN یک سطحی دو‌طرفه بررسی شده است. با طراحی یک تابع بهینه‌سازی دو‌هدفی به‌صورت هم‌زمان نرخ مجموع متوسط و انرژی مجموع متوسط بیشینه شده‌اند. در این شبکه WBAN حسگر‌های سطحی، یک هماهنگ‌کننده و یک حسگر کاشتنیِ مقید به دما در ‌نظر گرفته شده است. برای جلوگیری از تداخل داده‌های حسگر‌ها، برنامه‌ریزی زمانی بهینه در ‌نظر گرفته شد تا هر‌یک از آنها طبق نوبت خود ارسال داده داشته باشند. برای تخمین کانال و ارسال انرژی در مسیر فروسو، از یک سیگنال راهنما در ابتدای هر فریم استفاده شده است. یک شبکۀ عصبی بازگشتی، طراحی و با استفاده از آن یک گام زمانی جلو‌تر کانال پیش‌بینی شد. طبق قسمت اول، نتایج شبیه‌سازی الگوریتم بهینه‌سازی پیشنهاد‌شده از الگوریتم تخصیص زمان یکسان بهتر است. با استفاده از درون‌یابی، بهرۀ کانال همۀ شیار‌های زمانی یک فریم محاسبه شد و  نتایج شبیه‌سازی نشان دادند به کمک آن نتایج بهتری حاصل می‌شود. پیشنهاد ما در آینده، در ‌نظر گرفتن توان حسگر‌ها به‌عنوان متغیر‌های دیگر بهینه‌سازی است. همچنین، می‌توان WBAN چند نفر را که در یک محیط یکسان قرار دارند، در ‌نظر گرفت و منابع آنها را مدیریت کرد.

 

[i] Nonlinear Autoregressive Neural Network with External Input

[i] Utility Function

[ii] Integer Linear Programming

[iii] Activation Function

[iv] Optimal Allocation

[v] Equal Time Allocation

 

[1] تاریخ ارسال مقاله: 23/04/1400

تاریخ پذیرش مقاله: 11/07/1400

نام نویسندۀ مسئول: مهدی مجیدی

نشانی نویسندۀ مسئول: ایران – کاشان – دانشگاه کاشان – دانشکده مهندسی برق و کامپیوتر

[i] Internet of Things

[ii] Wireless Body Area Network

[iii] Simultaneous Wireless Information and Power Transfer

[iv] Wireless Power Transmission

[v] Energy Harvesting

[vi] Radio Frequency

[vii] Intra

[viii] Inter

[ix] Beyond

[x] Full Duplex

[xi] Electroencephalography

[xii] Long Short Term Memory

[xiii] Time Division Multiple Access

[xiv] Multipoint

[xv] Power Splitting

[xvi] Time Switching

[xvii] Mutual Information

[xviii] Wireless Sensor Network

[xix] Body Node Coordinator

[xx] Wireless Body Sensor Network

[xxi] Recurrent Neural Network

[xxii] Fully Connected Recurrent Neural Network

[xxiii] Coordinator

[xxiv] Pilot

[xxv] Real-Time

[xxvi] Electrocardiogram

[xxvii] Blood Pressure

[xxviii] Saturation of Peripheral Oxygen

[xxix] Motion sensor

[xxx] Pacemaker

[1] A. Azari and M. Abbasi, “Reliability and battery lifetime improvement for IoT networks: challenges and AI-powered solutions,” Comput. Intell. Electr. Eng., Vol. 12, No. 2, pp. 41–52, 2021.
[2] M. M. Dhanvijay and S. C. Patil, “Internet of things : A survey of enabling technologies in healthcare and its applications,” Comput. Networks, Vol. 153, pp. 113–131, 2019.
[3] S. Movassaghi, M. Abolhasan, J. Lipman, D. Smith, and A. Jamalipour, “Wireless body area networks: A survey,” IEEE Commun. Surv. Tutorials, Vol. 16, No. 3, pp. 1658–1686, 2014.
[4] T. D. Ponnimbaduge Perera, D. N. K. Jayakody, S. K. Sharma, S. Chatzinotas, and J. Li, “Simultaneous wireless information and power transfer (SWIPT): Recent advances and future challenges,” IEEE Commun. Surv. Tutorials, Vol. 20, No. 1, pp. 264–302, 2018.
[5] X. Xu, L. Shu, M. Guizani, M. Liu, and J. Lu, “A survey on energy harvesting and integrated data sharing in wireless body area networks,” Int. J. Distrib. Sens. Networks, Vol. 11, No. 10, pp. 1–17, 2015.
[6] N. S. Khatami and M. Majidi, “Resource allocation for full duplex wireless information and power transfer in wireless body area network,” J. Electr. Comput. Eng. Innov., pp. 1–11, 2021.
[7] X. Zhang, K. Liu, and L. Tao, “A cooperative communication scheme for full duplex simultaneous wireless information and power transfer wireless body area networks,” IEEE Sensors Lett., Vol. 2, No. 4, pp. 1–4, 2018.
[8] S. Sheykhivand, Z. Mousavi, T. Y. Rezaii, and S. Alaei, “Recognition of emotion provoked by auditory stimuli using EEG signal based on deep neural networks,” Comput. Intell. Electr. Eng., pp. 1–17, 2021, doi: 10.22108/isee.2020.122304.1357.
[9] M. He, F. Hu, Z. Ling, Z. Mao, and Z. Huang, “A dynamic weights algorithm on information and energy transmission protocol based on WBAN,” IEEE Trans. Veh. Technol., Vol. 70, No. 2, pp. 1528–1537, 2021.
[10] H. Liu, F. Hu, S. Qu, Z. Li, and D. Li, “Multipoint wireless information and power transfer to maximize sum-throughput in WBAN with energy harvesting,” IEEE Internet Things J., Vol. 6, No. 4, pp. 7069–7078, 2019.
[11] C. Liu, H. Liu, Y. Cong, P. Li, Z. Mao, and H. H. Zhang, “Throughput maximization by time switching in multipoint WBAN with fairness consideration,” IEEE Access, Vol. 8, pp. 107661–107668, 2020.
[12] Y. Liao, M. S. Leeson, Q. Cai, Q. Ai, and Q. Liu, “Mutual-information-based incremental relaying communications for wireless biomedical implant systems,” Sensors, Vol. 18, No. 2, pp. 1–16, 2018.
[13] A. Baknina, O. Ozel, and S. Ulukus, “Explicit and implicit temperature constraints in energy harvesting communications,” in IEEE Global Communications Conference, 2017, pp. 1–6.
[14] M. Oshaghi and M. J. Emadi, “Throughput maximization of a hybrid EH-SWIPT relay system under temperature constraints,” IEEE Trans. Veh. Technol., Vol. 69, No. 2, pp. 1792–1801, 2019.
[15] T. Rashid, S. Kumar, and A. Kumar, “Effect of body node coordinator (BNC) positions on the performance of intra-body sensor network,” in International Conference on Power, Control and Embedded Systems (ICPCES), 2017, pp. 1–6.
[16] M. T. I. Ul Huque, K. S. Munasinghe, and A. Jamalipour, “Body node coordinator placement algorithms for wireless body area networks,” IEEE Internet Things J., Vol. 2, No. 1, pp. 94–102, 2015.
[17] F. Al-Turjman and I. Baali, “Machine learning for wearable IoT-based applications: A survey,” Trans. Emerg. Telecommun. Technol., pp. 1–16, 2019, doi: 10.1002/ett.3635.
[18] D. B. Smith, L. W. Hanlen, and D. Miniutti, “Transmit power control for wireless body area networks using novel channel prediction,” in IEEE Wireless Communications and Networking Conference (WCNC), 2012, pp. 684–688.
[19] M. Hajizadeh Tahan, M. Ghasemzadeh, and M. Rezaeian, “An evolutionary attention-based deep long short-term memory for time series prediction,” Comput. Intell. Electr. Eng., Vol. 11, No. 4, pp. 15–28, 2021.
[20] Y. Yang, D. B. Smith, and S. Seneviratne, “Deep learning channel prediction for transmit power control in wireless body area networks,” in IEEE International Conference on Communications (ICC), 2019, pp. 1–6.
[21] W. Jiang, H. Dieter Schotten, and J. Xiang, “Neural Network–Based Wireless Channel Prediction,” in Machine Learning for Future Wireless Communications, 2020, pp. 303–325.
[22] W. Jiang and H. D. Schotten, “Neural network-based fading channel prediction: A comprehensive overview,” IEEE Access, Vol. 7, pp. 118112–118124, 2019.
[23] W. Liu, L. L. Yang, and L. Hanzo, “Recurrent neural network based narrowband channel prediction,” in IEEE Vehicular Technology Conference, 2006, pp. 1–5.
[24] Q. D. Vu, L. N. Tran, R. Farrell, and E. K. Hong, “An efficiency maximization design for SWIPT,” IEEE Signal Process. Lett., Vol. 22, No. 12, pp. 2189–2193, 2015.
[25] Y. Maleh, M. Shojafar, M. Alazab, and Y. Baddi, Machine Intelligence and Big Data Analytics for Cybersecurity Applications. Springer, 2021.
[26] M. C. Grant and S. P. Boyd, “CVX: Matlab Software for Disciplined Convex Programming.” CVX Research, Austin, TX, 2012, [Online]. Available: http://cvxr.com/cvx.
[27] A. Papoulis and S. U. Pillai, Probability, Random Variables and Stochastic Processes. McGraw-Hill, 2002.
[28] S. Van Roy et al., “Dynamic channel modeling for multi-sensor body area networks,” IEEE Trans. Antennas Propag., Vol. 61, No. 4, pp. 2200–2208, 2013.
[29] M. Boumaiz et al., “Energy harvesting based WBANs: EH optimization methods,” in Procedia Computer Science, 2019, Vol. 151, pp. 1040–1045.
[30] IEEE Computer Society, “IEEE standard for local and metropolitan area networks part 15.6: wireless body area networks,” 2012.