Носимая сенсорная сеть с языковой моделью улучшает персональные диетические рекомендации на 7,8% Исследователи из Индии разработали систему, объединяющую носимые сенсоры, энергоэффективные беспроводные сети и большую языковую модель для персонализированной оценки диетических рисков. Работа опубликована в журнале Discover Networks. Система предназначена для критически важных медицинских приложений, где физиологические данные должны передаваться надежно, безопасно и с минимальной задержкой. Архитектура включает сенсорный слой, коммуникационно-маршрутизационный, периферийный и облачный. Коммуникационный слой использует машинно-обучаемый маршрутизатор, учитывающий остаточную энергию, качество канала и доверие к узлам, а также модель затухания сигнала. На периферийном сервере формируется клинический контекст, который передается в LLM для генерации персональных диетических рекомендаций, предупреждений о безопасности продуктов и объяснимых клинических советов. В облако передаются только обработанные признаки, что снижает нагрузку и сохраняет приватность. Оценка проводилась на синтетических данных (500 виртуальных пациентов) и реальных наборах PhysioNet и WESAD. В пяти сценариях система показала снижение энергопотребления на 38% по сравнению с традиционной маршрутизацией, увеличение времени жизни сети на 12% и доставку пакетов выше 98%. В кардиологических неотложных случаях задержка снизилась на 30%, точность обнаружения превысила 97%. В мониторинге диабета точность прогноза составила 96,2%, а время жизни сети выросло более чем на 35%. При обнаружении падений точность достигла 96% с задержкой менее секунды. В сценарии безопасности доля обнаружения атак составила 95,4% при ложноположительных срабатываниях ниже 3,5%. Авторы подчеркивают, что работа является симуляционным исследованием, а клиническая валидация и масштабное развертывание остаются задачами будущих исследований. Подписывайтесь на наши каналы в MAX: Vademecum и Vademecum Live