Гібридна архітектура Edge-cloud для обробки часових рядів у телемедичних IoT-пристроях
DOI:
https://doi.org/10.26642/ten-2026-1(97)-289-296Ключові слова:
телемедицина, IoT, edge computing, часові ряди, CNN-LSTM, виявлення аномалійАнотація
У даній роботі запропоновано гібридну архітектуру edge-cloud для обробки часових рядів у телемедичних IoT-системах, що базуються на використанні носимих пристроїв. Актуальність дослідження зумовлена необхідністю забезпечення оперативного, енергоефективного та масштабованого аналізу великих обсягів біомедичних даних, які генеруються в режимі реального часу. Запропонована архітектура передбачає розподіл обчислювальних задач між edge-рівнем та хмарною інфраструктурою з урахуванням характеристик сигналу. На edge-рівні реалізовано попередню обробку даних, що включає фільтрацію сигналів за допомогою фільтра Калмана, зменшення розмірності методом Piecewise Aggregate Approximation (PAA), а також виявлення аномалій із використанням алгоритму Isolation Forest. Додатково впроваджено адаптивну політику передачі даних, яка базується на оцінці варіабельності сигналу та дозволяє динамічно визначати доцільність передачі повних даних або лише агрегованих ознак до cloud-рівня.
На хмарному рівні здійснюється глибокий аналіз часових залежностей із використанням гібридної моделі CNN–LSTM, що поєднує переваги згорткових та рекурентних нейронних мереж для ефективного виявлення складних патернів у даних. Проведене моделювання на відкритих наборах даних показало, що запропонований підхід дозволяє зменшити затримку обробки даних до 120 мс, скоротити мережевий трафік приблизно на 65 % та досягти точності класифікації аномалій на рівні 91 %. Отримані результати підтверджують ефективність адаптивного розподілу обчислювального навантаження між edge- та cloud-рівнями, що забезпечує баланс між швидкодією, точністю аналізу та енергоефективністю системи. Запропонована архітектура може бути використана для побудови сучасних телемедичних систем моніторингу стану здоров’я, особливо в умовах обмежених мережевих ресурсів та високих вимог до обробки даних у реальному часі.
Посилання
Islam, S.M.R. et al. (2015), «The Internet of Things for Health Care: A Comprehensive Survey», IEEE Access, Vol. 3, рр. 678–708, doi: 10.1109/ACCESS.2015.2437951.
Himanshu, V. et al. (2023), «A Comprehensive review of ‘Internet of Healthcare Things’: Networking aspects, technologies, services, applications, challenges, and security concerns», Computer Science Review, Vol. 50, doi: 10.1016/j.cosrev.2023.100591.
Islam, U. et al. (2025), «A hybrid fog-edge computing architecture for real-time health monitoring in IoMT systems with optimized latency and threat resilience», Scientific Reports, doi: 10.1038/s41598-025-09696-3.
Xi, L. et al. (2025), «Integrating wearable health devices with AI and edge computing for personalized rehabilitation», J Cloud Comput, doi: 10.1186/s13677-025-00795-0.
Prabha, M. et al. (2025), «Edge-AI integrated secure wireless IoT architecture for real time healthcare monitoring and federated anomaly detection», Sci Rep, doi: 10.1038/s41598-025-30150-x.
Ficili, I. et al. (2025), «From Sensors to Data Intelligence: Leveraging IoT, Cloud, and Edge Computing with AI», Sensors, doi: 10.3390/s25101763.
Montiel Caminos, J. et al. (2025), «Advancing Wearable Health and Sports Monitoring Through an Edge–Cloud AI Continuum», ACM, doi: 10.1145/3706594.3727580.
Tariq, M.U. et al. (2023), «An optimized IoT-enabled big data analytics architecture for edge-cloud computing», IEEE Internet of Things Journal, doi: 10.1109/JIOT.2023.3294809.
Yakovyshen, P.O. and Tuzhanskyi, S.Ye. (2024), «Analiz metodiv peredavannia danykh v telemedychnykh systemakh», Optyko-elektronni informatsiino-enerhetychni tekhnolohii, doi: 10.31649/1681-7893-2024-47-1-222-232.
Kalman, R.E. (1960), «A new approach to linear filtering and prediction problems», J Basic Eng, doi: 10.1115/1.3662552.
Keogh, E. et al. (2001), «Dimensionality reduction for fast similarity search in large time series databases», Knowl Inf Syst, doi: 10.1007/PL00011623.
Liu, F.T. et al. (2008), «Isolation Forest», IEEE International Conference on Data Mining, doi: 10.1109/ICDM.2008.17.
Hochreiter, S. and Schmidhuber, J. (1997), «Long Short-Term Memory», Neural Computation, doi: 10.1162/neco.1997.9.8.1735.
Kingma, D. and Ba, J. (2015), «Adam: A Method for Stochastic Optimization», ICLR, doi: 10.48550/arXiv.1412.6980.
Vergütz, A. et al. (2020), «An Architecture for the Performance Management of Smart Healthcare Applications», Sensors, doi: 10.3390/s20195566.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Павло Олександрович Яковишен, Станіслав Євгенович Тужанський
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автор, який подає матеріали до друку, зберігає за собою всі авторські права та надає відповідному виданню право першої публікації, дозволяючи розповсюджувати даний матеріал із зазначенням авторства та джерела первинної публікації, а також погоджується на розміщення її електронної версії на сайті Національної бібліотеки ім. В.І. Вернадського.
