Antena portátil de doble banda optimizada para el aprendizaje automático para el monitoreo remoto de pacientes en...

Área de la Ciencia:

• Electromagnetismo y diseño de antenas
• Ingeniería biomédica
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• Las antenas portátiles son cruciales para los sistemas de monitoreo remoto de atención médica.
• Optimizar el rendimiento de la antena y garantizar la seguridad de las aplicaciones biomédicas son desafíos clave.
• El aprendizaje automático ofrece potencial para mejorar el diseño de la antena y la precisión de la predicción.

Objetivo del estudio:

• Diseñar y optimizar una antena portátil de doble banda para el monitoreo de la atención médica.
• Para evaluar el rendimiento de la antena, las características de radiación y la tasa de absorción específica (SAR).
• Aplicar el aprendizaje automático para predecir los parámetros de la antena y mejorar la eficiencia del diseño.

Principales métodos:

• Fabricación de una antena de doble banda en un sustrato Rogers que funciona a 2,4 GHz y 5,8 GHz.
• Caracterización del rendimiento, incluido el ancho de banda, la ganancia, los patrones de radiación y la evaluación de SAR utilizando simulaciones de CST MWS.
• Implementación de un modelo de aprendizaje automático de regresión supervisado para predecir el coeficiente de reflexión (S11).

Principales resultados:

• La antena alcanzó altas eficiencias de radiación (92% y 91,7%) y anchos de banda adecuados.
• Los valores de SAR estaban dentro de los límites de seguridad para varias posiciones del cuerpo (brazo, pecho, regazo).
• El modelo de regresión de conjunto ML logró una precisión del 97,79% (R al cuadrado), con un tiempo de cálculo significativamente reducido (70%).

Conclusiones:

• La antena portátil de doble banda optimizada para ML es confiable y efectiva para el monitoreo de atención médica en tiempo real.
• El estudio valida el uso de ML en el diseño de antenas aceleradoras y la predicción del rendimiento.
• El sistema integrado permite la transmisión en tiempo real de los signos vitales (ritmo cardíaco, temperatura) a una plataforma IoT.