J 2025

Enhancing DBSCAN clustering with fuzzy system to improve IoT-based WBAN performance

HOSSEINZADEH, Mehdi; Amir HAIDER; Saqib ALI; Mohammad MOHAMMADI; Amin MEHRANZADEH et al.

Základní údaje

Originální název

Enhancing DBSCAN clustering with fuzzy system to improve IoT-based WBAN performance

Název česky

Vylepšení klastrování DBSCAN pomocí fuzzy systému za účelem zlepšení výkonu WBAN založeného na IoT

Autoři

HOSSEINZADEH, Mehdi; Amir HAIDER; Saqib ALI; Mohammad MOHAMMADI; Amin MEHRANZADEH; Thantrira PORNTAVEETUS a Jan LÁNSKÝ

Vydání

Scientific Reports, Berlin, Springer Nature, 2025, 2045-2322

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Německo

Utajení

není předmětem státního či obchodního tajemství

Impakt faktor

Impact factor: 3.900 v roce 2024

Označené pro přenos do RIV

Ano

Kód RIV

RIV/04274644:_____/25:#0001253

Organizační jednotka

Vysoká škola finanční a správní

EID Scopus

Klíčová slova česky

Bezdrátové sítě pro snímání tělesných funkcí; internet věcí; dynamické shlukování; DBSCAN; fuzzy systém

Klíčová slova anglicky

Wireless body area networks; Internet of things; Dynamic clustering; DBSCAN; Fuzzy system

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 22. 1. 2026 14:22, Mgr. Jitka Štruncová

Anotace

V originále

Wireless Body Area Networks (WBANs) play a vital role in IoT-based healthcare, yet their dynamic conditions and resource constraints pose significant challenges to efficient data clustering and energy management. Traditional clustering methods, such as DBSCAN with static parameters, often fail to adapt to these challenges, leading to suboptimal network performance. WBANs networks face challenges such as a large number of nodes, limited energy resources, and diverse data types, which impact data clustering and energy optimization. This paper proposes a novel approach that enhances DBSCAN with a fuzzy system to dynamically optimize its parameters (Epsilon and MinPts) based on real-time inputs like node speed and RSSI. By adapting to varying network conditions, the proposed method achieves superior clustering accuracy, energy efficiency, and stability compared to conventional techniques. Simulations demonstrate significant improvements in network lifetime and cluster quality, making this approach a promising solution for real-time health monitoring in resourceconstrained WBANs. For example, the proposed approach exhibits significant superiority in cluster stability, with improvements of 80% over Classical DBSCAN, 28.57% over PSO Clustering, 38.46% over LEACH, and 20% over PEGASIS.

Česky

Bezdrátové sítě pro tělesnou oblast (WBAN) hrají zásadní roli v oblasti zdravotnictví založeném na IoT, avšak jejich dynamické podmínky a omezené zdroje představují významné výzvy pro efektivní shlukování dat a energetické řízení. Tradiční metody shlukování, jako je DBSCAN se statickými parametry, často nejsou schopny se těmto výzvám přizpůsobit, což vede k neoptimálnímu výkonu sítě. Sítě WBAN čelí výzvám, jako je velký počet uzlů, omezené energetické zdroje a rozmanité typy dat, které mají dopad na shlukování dat a optimalizaci energie. Tento článek navrhuje nový přístup, který vylepšuje DBSCAN pomocí fuzzy systému, aby dynamicky optimalizoval jeho parametry (Epsilon a MinPts) na základě vstupů v reálném čase, jako je rychlost uzlu a RSSI. Díky přizpůsobení se měnícím se podmínkám sítě dosahuje navrhovaná metoda ve srovnání s konvenčními technikami vynikající přesnosti shlukování, energetické účinnosti a stability. Simulace prokazují významné zlepšení životnosti sítě a kvality shluků, což z tohoto přístupu činí slibné řešení pro monitorování stavu v reálném čase v sítích WBAN s omezenými zdroji . Navrhovaný přístup například vykazuje významnou převahu v oblasti stability klastrů, s vylepšením o 80 % oproti klasickému DBSCAN, 28,57 % oproti PSO Clustering, 38,46 % oproti LEACH a 20 % oproti PEGASIS.

Přiložené soubory