一个机器学习驱动的计算效率高的马鞋形天线设计用于医疗事物互联网的设计

科学领域:

• 电气工程 电气工程
• 生物医学工程 生物医学工程
• 计算电磁学 计算机电磁学

背景情况:

• 生物医疗可穿戴设备对于医疗物联网 (IoMT) 至关重要,需要高效的天线来传输数据.
• 用于机身应用的天线设计在优化性能和安全性 (特定吸收率 - SAR) 方面提出了挑战.

研究的目的:

• 为生物医学可穿戴应用提供一种新的马形补丁天线 (HSPA).
• 利用机器学习 (ML) 回归技术来预测天线性能参数并加快设计过程.
• 评估ML模型在优化IoMT天线设计方面的有效性.

主要方法:

• 使用传统的EM工具生成1080个电磁 (EM) 参数样本.
• 应用和比较五个基于回归的ML算法来预测共振频率,辐射效率和SAR.
• 设计和模拟HSPA用于体内应用.

主要成果:

• 设计的HSPA在1.75-2.98 GHz频段内以2.45 GHz的频率产生共振.
• 在16.98dBm输入功率下,达到了1.89W/kg的SAR,在人体上安装时,峰值增益为1.91dBi和62.07%的辐射效率.
• 机器学习模型证明了高效的资源利用,加速了天线设计过程.

结论:

• 基于回归的ML技术显著加快了生物医学可穿戴设备天线的设计.
• 开发的HSPA显示了IoMT应用程序的有希望的性能.
• 基于机器学习的设计为优化生物医学可穿戴系统中的天线提供了一种高效的方法.