مهندسی نرم افزار هوشمند برای اینترنت اشیاء پزشکی: نقش محاسبات مه و لبه در بهینه سازی انرژی و کاهش تاخیر

اینترنت اشیاء پزشکی (IoMT) با چالش هایی مانند تاخیر بالا، مصرف انرژی زیاد و تهدیدات امنیتی مواجه است. این مقاله مروری سیستماتیک بر اساس پروتکل PRISMA نقش محاسبات مه و لبه را در غلبه بر این چالش ها بررسی می کند. با تحلیل ۴۰ مقاله از پایگاه های معتبر ۲۰۱۹-۲۰۲۵ یافته ها نشان می دهد که ادغام این معماری ها با فناوری هایی مانند یادگیری تقویتی عمیق (DRL)، هوش مصنوعی (AI) و شبکه های عصبی اسپایکینگ (SNN) منجر به کاهش ۳۰-۷۰٪ تاخیر، ۲۵-۵۳٪ مصرف انرژی و دقت امنیتی بیش از ۹۸٪ می شود. با این حال، چالش هایی مانند مقیاس پذیری ناکافی و مصرف منابع بالا در مدل های AI برجسته است. این مطالعه بر نیاز به ادغام فناوری های نسل بعدی مانند بلاک چین و G همراه با آزمایش های میدانی برای استقرار عملی IoMT تاکید دارد.

کلیدواژه ها:

اینترنت اشیاء پزشکی (IoMT) ، محاسبات مه ، محاسبات لبه ، بهینه سازی انرژی ، کاهش تاخیر ، امنیت سایبری ، یادگیری تقویتی عمیق (DRL)