Intelligent health monitoring in 6G networks: machine learning-enhanced VLC-based medical body sensor networks

Basit Öğe Kaydı
dc.authorid0009-0004-4752-0959
dc.contributor.advisorMiramirkhani, Farshaden_US
dc.contributor.authorAntaki, Bilalen_US
dc.contributor.otherIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektrik Mühendisliği Yüksek Lisans Programıen_US
dc.contributor.otherIşık University, School of Graduate Studies, Electrical Engineering M.S. Programen_US
dc.date.accessioned2025-11-13T06:29:52Z
dc.date.available2025-11-13T06:29:52Z
dc.date.issued2025-09-01
dc.departmentIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektrik Mühendisliği Yüksek Lisans Programıen_US
dc.departmentIşık University, School of Graduate Studies, Electrical Engineering M.S. Programen_US
dc.descriptionText in English ; Abstract: Turkish and Englishen_US
dc.descriptionIncludes bibliographical references (leaves 154-177)en_US
dc.descriptionxix, 178 leavesen_US
dc.description.abstractYapay Zeka (YZ) destekli kablosuz haberleşmedeki son gelişmeler, elektromanyetik girişim kaygıları nedeniyle geleneksel Radyo Frekansı (RF) sistemlerinin kısıtlamalarla karşılaştığı hastaneler gibi kritik ortamlarda Altıncı Nesil (6G) teknolojilerinin benimsenmesini hızlandırmaktadır. Mevcut LED tabanlı aydınlatma altyapısını kullanan Görünür Işık Haberleşmesi (VLC), yüksek hızlı veri iletimi ve azaltılmış elektromanyetik girişim (EMI) gibi ikili avantaj sunmaktadır. Ancak, klinik ortamlardaki hasta hareketleri sinyal alımında önemli değişkenliğe neden olmakta ve kanal özelliklerini dinamik olarak değiştirmektedir. Bu araştırma, farklı hastane senaryolarında VLC tabanlı Medikal Vücut Sensör Ağları (MBSN) kanallarını modellemek için ortama özgü ışın izleme ile Makine Öğrenmesi (ML) tekniklerini birleştiren yenilikçi bir metodoloji sunmaktadır. İlk katkı, önceden çevresel veriye ihtiyaç duymadan gerçek zamanlı olarak hedef sembol hata oranlarını (SER) koruyabilen Q-öğrenme güdümlü uyarlanabilir modülasyon algoritmasının uygulanmasını içermektedir. İkinci bileşen, değişken hastane koşullarında yol kaybı ve Kök Ortalama Kare (RMS) gecikme yayılımını tahmin etmek için bir Uzun Kısa Süreli Bellek (LSTM) modeli tasarlamayı kapsamaktadır. Üçüncü katkı, doğru hasta konumlandırması için altı farklı algoritmayı—Doğrusal Regresyon, Destek Vektör Regresyonu, K-En Yakın Komşu, Çok Katmanlı Algılayıcı (MLP), LSTM ve Geçitli Tekrarlayan Birimler—değerlendiren kapsamlı bir ML tabanlı konum tahmin çerçevesi sunmaktadır. Bugüne kadar, bu çalışma tıbbi ortamlarda ışın izlemeli Kanal Darbe Yanıtı (CIR) modellemesini ML güdümlü analizle birleştiren ilk çalışma olarak görünmektedir. Simülasyon bulguları, Q-öğrenme modelinin güvenilir bir şekilde SER hedeflerini karşıladığını ve spektral verimliliğin (SE) eşik seviyesine yakın koşullarda optimale yakın performans gösterdiğini ortaya koymaktadır. Ayrıca, LSTM tabanlı tahminler, Yoğun Bakım Ünitesi (YBÜ) senaryosunda D1 konumundaki sensörün hem yol kaybı (1.6797 dB) hem de RMS gecikme yayılımı (1.0567 ns) için en büyük Kök Ortalama Kare Hatasını (RMSE) ürettiğini göstermektedir. Buna karşılık, Aile Tipi Hasta Odasında (ATHO) D3 sensörü, yol kaybında (1.0652 dB) ve gecikme yayılımında (0.7657 ns) en yüksek RMSE değerlerini vermekte ve gerçekçi çalışma koşullarında güçlü tahmin performansını doğrulamaktadır. Konum tahmini için MLP, optimal mimari olarak öne çıkmakta, ATHO'da birleşik D1D2-D3 sensör konfigürasyonları için 58.6 cm'lik metre altı doğruluk elde etmekte, bireysel sensörler 63.5 cm (D1), 75.0 cm (D2) ve 73.1 cm (D3) değerleri vermekte, daha karmaşık YBÜ ortamında ise MLP, D1-D2-D3 için 217.1 cm'lik klinik olarak kabul edilebilir hassasiyeti korumakta, eşleştirilmiş konfigürasyonlar 202.1 cm (D1-D2) ve 216.3 cm (D1-D3) elde etmekte, tüm bunları sıralı modellere kıyasla %35-48 hesaplama gereksinimi azaltması ve %37-89 daha hızlı hiperparametre optimizasyonu ile sunarak sağlık tesislerinde gerçek zamanlı hasta takibi için en pratik çözüm olmaktadır.en_US
dc.description.abstractRecent advancements in Artificial Intelligence (AI)-enabled wireless communication are accelerating the adoption of Sixth Generation (6G) technologies in critical environments such as hospitals, where traditional Radio Frequency (RF) systems face limitations due to electromagnetic interference concerns. Visible Light Communication (VLC), which utilizes existing LEDbased lighting infrastructure, offers the dual advantage of high-speed data transmission and reduced electromagnetic interference (EMI). However, patient movement within clinical environments introduces considerable variability in signal reception and alters channel characteristics dynamically. This research introduces an innovative methodology that merges site-specific ray tracing with Machine Learning (ML) techniques to model VLC-based Medical Body Sensor Network (MBSN) channels across different hospital scenarios. The first contribution involves implementing a Q-learning-driven adaptive modulation algorithm capable of maintaining target symbol error rates (SER) in real time without requiring prior environmental data. The second component involves designing a Long Short-Term Memory (LSTM) model to estimate path loss and Root Mean Square (RMS) delay spread under time-varying hospital conditions. The third contribution presents a comprehensive ML-based position estimation framework that evaluates six different algorithms—Linear Regression, Support Vector Regression, K-Nearest Neighbors, Multilayer Perceptron (MLP), LSTM, and Gated Recurrent Units—for accurate patient localization. To date, this appears to be the first study that integrates ray-traced Channel Impulse Response (CIR) modeling with ML-driven analysis in medical environments. Simulation findings indicate that the Q-learning model reliably meets SER targets, with spectral efficiency (SE) performing close to optimal at near-threshold conditions. Additionally, the LSTM-based predictions reveal that in the Intensive Care Unit (ICU) scenario, the sensor at position D1 produces the largest Root Mean Square Error (RMSE) for both path loss (1.6797 dB) and RMS delay spread (1.0567 ns). Conversely, in the Family-Type Patient Room (FTPR), sensor D3 yields the highest RMSE for path loss (1.0652 dB) and delay spread (0.7657 ns), confirming strong predictive performance under realistic operational conditions. For position estimation, MLP emerges as the optimal architecture, achieving sub-meter accuracy of 58.6 cm for combined D1-D2-D3 sensor configurations in FTPR, with individual sensors yielding 63.5 cm (D1), 75.0 cm (D2), and 73.1 cm (D3), while in the more complex ICU environment, MLP maintains acceptable precision of 217.1 cm for D1-D2-D3, with paired configurations achieving 202.1 cm (D1-D2) and 216.3 cm (D1-D3), all while offering 35-48% reduction in computational requirements and 37-89% faster hyperparameter optimization compared to sequential models, making it the most practical solution for real-time patient tracking in healthcare facilities.en_US
dc.description.tableofcontentsENABLING COMMUNICATION AND NETWORKING TECHNOLOGIES FOR 6G IN HEALTHCAREen_US
dc.description.tableofcontentsMOBILE VLC-BASED MBSNS CHANNEL MODELSen_US
dc.description.tableofcontentsML-BASED VLC SYSTEMen_US
dc.description.tableofcontentsML-BASED ADAPTIVE MODULATIONen_US
dc.description.tableofcontentsML-BASED CHANNEL PARAMETER ESTIMATIONen_US
dc.description.tableofcontentsML-BASED POSITION ESTIMATIONen_US
dc.description.tableofcontentsCHANNEL MODEL FOR VLC-BASED MBSNSen_US
dc.description.tableofcontentsDYNAMIC OPTICAL COMMUNICATION STRATEGIES FOR ADAPTIVE MODULATION IN VLC-BASED MEDICAL BODY SENSOR NETWORKSen_US
dc.description.tableofcontentsReinforcement Learning-based Adaptive Modulationen_US
dc.description.tableofcontentsQ-Learning-based Adaptive Modulationen_US
dc.description.tableofcontentsROBUST PATH LOSS AND RMS DELAY SPREAD ESTIMATION ALGORITHMS FOR RELIABLE VLC COMMUNICATION IN 6G HEALTH MONITORING NETWORKSen_US
dc.description.tableofcontentsRELIABLE POSITION ESTIMATION ALGORITHM FOR ENHANCED 6G HEALTH MONITORING APPLICATIONSen_US
dc.description.tableofcontentsLSTM-BASED PATH LOSS AND RMS DELAY SPREAD ESTIMATIONen_US
dc.description.tableofcontentsMLP-BASED POSITION ESTIMATIONen_US
dc.identifier.citationAntaki, B. (2025). Intelligent health monitoring in 6G networks: machine learning-enhanced VLC-based medical body sensor networks. İstanbul: Işık Üniversitesi Lisansüstü Eğitim Enstitüsü.en_US
dc.identifier.urihttps://hdl.handle.net/11729/6781
dc.institutionauthorAntaki, Bilalen_US
dc.institutionauthorid0009-0004-4752-0959
dc.language.isoenen_US
dc.publisherIşık Üniversitesi, Lisansüstü Eğitim Enstitüsüen_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectUyarlanabilir modülasyonen_US
dc.subjectKanal modellemesien_US
dc.subjectKanal parametre tahminien_US
dc.subjectMakine Öğrenmesi (ML)en_US
dc.subjectGörünür Işık Haberleşmesi (VLC)en_US
dc.subjectAdaptive modulationen_US
dc.subjectChannel modelingen_US
dc.subjectChannel parameter estimationen_US
dc.subjectMachine Learning (ML)en_US
dc.subjectVisible Light Communication (VLC)en_US
dc.subject.lccTA656.6 .A58 2025
dc.subject.lcshStructural health monitoring -- Automation.en_US
dc.subject.lcsh6G mobile communication systems -- Health aspects.en_US
dc.subject.lcshVisible light communication systems -- Health aspects.en_US
dc.subject.lcshMachine learning -- Medical applications.en_US
dc.subject.lcshMedical instruments and apparatus.en_US
dc.subject.lcshArtificial intelligence -- Engineering applications.en_US
dc.subject.lcshMedical electronics.en_US
dc.titleIntelligent health monitoring in 6G networks: machine learning-enhanced VLC-based medical body sensor networksen_US
dc.title.alternative6G Ağlarında akıllı sağlık izleme: makine öğrenmesi destekli VLC tabanlı medikal vücut sensör ağlarıen_US
dc.typeMaster Thesisen_US
dspace.entity.typePublicationen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Intelligent_health_monitoring_in_6G_networks_machine_learning_enhanced_vlc_based_medical_body_sensor_networks.pdf
Boyut:
10.84 MB
Biçim:
Adobe Portable Document Format
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.17 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu