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
Odkazy
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
UT WoS
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
Štítky
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 22. 1. 2026 14:22, Mgr. Jitka Štruncová
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.