kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2025-3(19)-2kaz44-1912Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ (ОРИГИНАЛЬНАЯ СТАТЬЯ)AUTOMATION AND INFORMATION TECHNOLOGY (ORIGINAL ARTICLE)ИНТЕГРАЦИЯ ИНТЕРНЕТА ВЕЩЕЙ И МАШИННОГО ОБУЧЕНИЯ ДЛЯ РАЗРАБОТКИ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ МОНИТОРИНГА ЗДОРОВЬЯ ПАЦИЕНТА И ФАКТОРОВ ОКРУЖАЮЩЕЙ СРЕДЫINTEGRATION OF THE INTERNET OF THINGS AND MACHINE LEARNING FOR THE DEVELOPMENT OF AN INTELLIGENT SYSTEM FOR MONITORING PATIENT HEALTH AND ENVIRONMENTAL FACTORShttps://orcid.org/0000-0003-1919-3570БайғараеваЖ. Е.BaigarayevaZh. E.

Жанель Ермашқызы Байғараева – докторант

050040, Казахстан, Алматы, пр. Аль Фараби 71

Zhanel Yermashkyzy Baigarayeva – master of technical sciences, 3rd year PhD student

050040, Kazakhstan, Almaty, Al Farabi av.71 

zhanel.baigarayeva@gmail.comhttps://orcid.org/0000-0001-7249-380XИманбекБ. Т.ImanbekB. T.

Бағлан Талғатқызы Иманбек – PhD, и.о. доцента, старший преподаватель

050040, Казахстан, Алматы, пр. Аль Фараби 71

Baglan Talgatkyzy Imanbek – PhD, Acting Associate Professor, Senior Lecturer

050040, Kazakhstan, Almaty, Al Farabi av.71 

imanbek.baglan18.06@gmail.comhttps://orcid.org/0000-0002-7279-9910БолтабоеваА. К.BoltaboyevaA. K.

Асия Кубландикызы Болтабоева – докторант

050040, Казахстан, Алматы, пр. Аль Фараби 71

Assiya Kublandikyzi Boltaboyeva – master of technical sciences, 1st year PhD student

050040, Kazakhstan, Almaty, Al Farabi av.71 

boltaboyeva_assiya3@live.kaznu.kzhttps://orcid.org/0009-0004-8388-4979ТурмаханбетД.TurmakhanbetD.

Динара Турмаханбет – бакалавр студент 4 курса

050040, Казахстан, Алматы, пр. Аль Фараби 71

050040, Kazakhstan, Almaty, Al Farabi av.71 

turmahanbetdinara@gmail.comhttps://orcid.org/0000-0003-3933-5476АмирхановаГ. А.AmirkhanovaG. A.

Гульшат Аманжоловна Амирханова – PhD, старший преподаватель

050040, Казахстан, Алматы, пр. Аль Фараби 71

 Gulshat Amanzholovna Amirkhanova – PhD, Senior Lecturer 

050040, Kazakhstan, Almaty, Al Farabi av.71 

Gulshat.Amirkhanova@kaznu.edu.kzКазахский национальный университет имени Аль-ФарабиКазахстанAl-Farabi Kazakh National UniversityKazakhstan20250311202503(19)1121Copyright © Байғараева Ж.Е., Иманбек Б.Т., Болтабоева А.К., Турмаханбет Д., Амирханова Г.А., 20252025Байғараева Ж.Е., Иманбек Б.Т., Болтабоева А.К., Турмаханбет Д., Амирханова Г.А.Baigarayeva Z.E., Imanbek B.T., Boltaboyeva A.K., Turmakhanbet D., Amirkhanova G.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/1912

В статье рассматриваются перспективы интеграции технологий Интернета вещей (IoT) и алгоритмов машинного обучения (МО) для создания интеллектуальной системы мониторинга качества воздуха. Дополнительно описывается модуль мониторинга физиологических показателей пациента (HR, HRV-метрики SDNN, RMSSD, LF/HF, дыхательная частота, SpO₂, АД), интегрированный в единую IoT-архитектуру и конвейер анализа данных. Представлен прототип с потоковой агрегацией медицинских и средовых сигналов, правилами раннего оповещения и сценарием совместной интерпретации параметров воздуха и состояния пациента. Основное внимание уделяется использованию IoT-сенсоров, методам обработки данных в реальном времени и прогнозированию загрязнения воздуха с помощью гибридных моделей МО, включая Random Forest, Gradient Boosting Machines и Long Short-Term Memory (LSTM). Подчеркивается значимость повышения чувствительности и надежности сенсоров с применением наноматериалов, таких как полианилин, графен и углеродные нанотрубки. Акцентируется важность защиты данных, энергоэффективности и устойчивости масштабируемых IoT-систем, а также их роль в снижении экологических рисков и поддержке концепции «умных городов». Рассматриваются пути интеграции таких систем в городскую инфраструктуру, включая решения для автоматизации анализа данных и визуализации. В статье также обсуждаются перспективы внедрения интеллектуальных систем мониторинга в промышленной и жилой инфраструктуре для повышения уровня экологического контроля. Особое внимание уделяется разработке моделей прогнозирования, которые учитывают сезонные и климатические изменения, влияющие на уровень загрязнения. Подчеркивается важность междисциплинарного подхода, объединяющего достижения в области IoT, нанотехнологий и машинного обучения, для решения задач устойчивого развития городов. Представленные результаты демонстрируют высокую эффективность и практическую применимость подхода для контроля загрязнения воздуха, улучшения здоровья населения, защиты окружающей среды и стимулирования устойчивого урбанистического развития.

The article examines prospects for integrating Internet of Things (IoT) technologies and machine learning (ML) algorithms to create an intelligent air-quality monitoring system. It additionally describes a patient physiological-monitoring module – covering heart rate (HR), HRV metrics (SDNN, RMSSD, LF/HF), respiratory rate, SpO₂, and blood pressure (BP) – integrated into a unified IoT architecture and data-analysis pipeline. A prototype is presented with streaming aggregation of medical and environmental signals, early-warning rules, and a scenario for jointly interpreting air parameters and patient status. The focus is on IoT sensors, real-time data processing methods, and air-pollution forecasting using hybrid ML models, including Random Forest, Gradient Boosting Machines, and Long Short-Term Memory (LSTM) networks. The importance of improving sensor sensitivity and reliability through nanomaterials such as polyaniline, graphene, and carbon nanotubes is emphasized. The article highlights data protection, energy efficiency, and the resilience of scalable IoT systems, as well as their role in reducing environmental risks and supporting the «smart city» concept. It considers pathways for integrating such systems into urban infrastructure, including solutions for automated data analysis and visualization. The article also discusses prospects for deploying intelligent monitoring systems in industrial and residential infrastructure to enhance environmental oversight. Particular attention is paid to developing forecasting models that account for seasonal and climatic variations affecting pollution levels. An interdisciplinary approach that combines advances in IoT, nanotechnology, and ML is underscored as essential for addressing sustainable urban development challenges. The presented results demonstrate high effectiveness and practical applicability for controlling air pollution, improving public health, protecting the environment, and promoting sustainable urban development.

интернет вещей (IoT)машинное обучениемониторинг качества воздухапрогнозирование загрязненияэнергоэффективностьустойчивое развитиеLong Short-Term Memory (LSTM)системы SCADAInternet of Things (IoT)machine learningair quality monitoringpollution forecastingenergy efficiencysustainable developmentLong Short-Term Memory (LSTM)SCADA systemsДанное исследование финансировалось за счет гранта Министерства науки и высшего образования Республики Казахстан AP23488586 «Разработка интеллектуальной системы мониторинга и профилактики сердечно-сосудистых заболеваний с использованием глубокого обучения и IoMT (Интернет медицинских вещей)» (2024-2026).ReferencesAir Quality Monitoring and Forecasting System using IoT and Machine Learning Techniques / Q.A. Tran et al // 2022 6th International Conference on Green Technology and Sustainable Development (GTSD), Nha Trang City, Vietnam. – 2022. – Р. 786-792. https://doi.org/10.1109/GTSD54989.2022.9988756.Air Quality Monitoring and Forecasting System using IoT and Machine Learning Techniques / Q.A. Tran et al // 2022 6th International Conference on Green Technology and Sustainable Development (GTSD), Nha Trang City, Vietnam. – 2022. – Р. 786-792. https://doi.org/10.1109/GTSD54989.2022.9988756.Bobulski J. An IoT System for Air Pollution Monitoring with Safe Data Transmission / J. Bobulski, S. Szymoniak, K. Pasternak // Sensors. – 2024. – № 24. – Р. 445. https://doi.org/10.3390/s24020445.Bobulski J. An IoT System for Air Pollution Monitoring with Safe Data Transmission / J. Bobulski, S. Szymoniak, K. Pasternak // Sensors. – 2024. – № 24. – Р. 445. https://doi.org/10.3390/s24020445.Pazhanivel D.B. Design and Enhancement of a Fog-Enabled Air Quality Monitoring and Prediction System: An Optimized Lightweight Deep Learning Model for a Smart Fog Environmental Gateway / D.B. Pazhanivel, A.N. Velu, B.S. Palaniappan // Sensors. – 2024. – № 24. – Р. 5069. https://doi.org/10.3390/s24155069.Pazhanivel D.B. Design and Enhancement of a Fog-Enabled Air Quality Monitoring and Prediction System: An Optimized Lightweight Deep Learning Model for a Smart Fog Environmental Gateway / D.B. Pazhanivel, A.N. Velu, B.S. Palaniappan // Sensors. – 2024. – № 24. – Р. 5069. https://doi.org/10.3390/s24155069.An IoT enabled system for enhanced air quality monitoring and prediction on the edge / A.S. Moursi et al // Complex Intell. – 2021. – № 7. – Р. 2923-2947. https://doi.org/10.1007/s40747-021-00476-w.An IoT enabled system for enhanced air quality monitoring and prediction on the edge / A.S. Moursi et al // Complex Intell. – 2021. – № 7. – Р. 2923-2947. https://doi.org/10.1007/s40747-021-00476-w.An IoT based system for magnify air pollution monitoring and prognosis using hybrid artificial intelligence technique / A. Almalawi et al // Environmental Research. – 2022. – Vol. 206. – Р. 112576. https://doi.org/10.1016/j.envres.2021.112576.An IoT based system for magnify air pollution monitoring and prognosis using hybrid artificial intelligence technique / A. Almalawi et al // Environmental Research. – 2022. – Vol. 206. – Р. 112576. https://doi.org/10.1016/j.envres.2021.112576.Adaptive machine learning strategies for network calibration of IoT smart air quality monitoring devices / S. De Vito et al // Pattern Recognition Letters. – 2020. – Vol. 136. – P. 264-271. https://doi.org/10.1016/j.patrec.2020.04.032.Adaptive machine learning strategies for network calibration of IoT smart air quality monitoring devices / S. De Vito et al // Pattern Recognition Letters. – 2020. – Vol. 136. – P. 264-271. https://doi.org/10.1016/j.patrec.2020.04.032.Smart Air Quality Monitoring IoT-Based Infrastructure for Industrial Environments / L. García et al // Sensors. – 2022. – № 22. – Р. 9221. https://doi.org/10.3390/s22239221.Smart Air Quality Monitoring IoT-Based Infrastructure for Industrial Environments / L. García et al // Sensors. – 2022. – № 22. – Р. 9221. https://doi.org/10.3390/s22239221.Ullo S.L. Advances in Smart Environment Monitoring Systems Using IoT and Sensors / S.L. Ullo, G.R. Sinha // Sensors. – 2020. – № 20. – Р. 3113. https://doi.org/10.3390/s20113113.Ullo S.L. Advances in Smart Environment Monitoring Systems Using IoT and Sensors / S.L. Ullo, G.R. Sinha // Sensors. – 2020. – № 20. – Р. 3113. https://doi.org/10.3390/s20113113.A deep learning approach for prediction of air quality index in smart city / А. Binbusayyis et al // Discov Sustain. – 2024. – № 5. – Р. 89. https://doi.org/10.1007/s43621-024-00272-9.A deep learning approach for prediction of air quality index in smart city / А. Binbusayyis et al // Discov Sustain. – 2024. – № 5. – Р. 89. https://doi.org/10.1007/s43621-024-00272-9.A Machine Learning Model for Air Quality Prediction for Smart Cities / U. Mahalingam et al // International Conference on Wireless Communications Signal Processing and Networking (WiSPNET), Chennai, India. – 2019. – Р. 452-457. https://doi.org/10.1109/WiSPNET45539.2019.9032734.A Machine Learning Model for Air Quality Prediction for Smart Cities / U. Mahalingam et al // International Conference on Wireless Communications Signal Processing and Networking (WiSPNET), Chennai, India. – 2019. – Р. 452-457. https://doi.org/10.1109/WiSPNET45539.2019.9032734.Indoor Air Quality Monitoring Systems for Enhanced Living Environments: A Review toward Sustainable Smart Cities / G. Marques et al // Sustainability. – 2020. – № 12. – Р. 4024. https://doi.org/10.3390/su12104024.Indoor Air Quality Monitoring Systems for Enhanced Living Environments: A Review toward Sustainable Smart Cities / G. Marques et al // Sustainability. – 2020. – № 12. – Р. 4024. https://doi.org/10.3390/su12104024.Myeong S. Integrating Data-Based Strategies and Advanced Technologies with Efficient Air Pollution Management in Smart Cities / S. Myeong, K. Shahzad // Sustainability. – 2021. – № 13. – Р. 7168. https://doi.org/10.3390/su13137168.Myeong S. Integrating Data-Based Strategies and Advanced Technologies with Efficient Air Pollution Management in Smart Cities / S. Myeong, K. Shahzad // Sustainability. – 2021. – № 13. – Р. 7168. https://doi.org/10.3390/su13137168.Integration of IoT-Enabled Technologies and Artificial Intelligence (AI) for Smart City Scenario: Recent Advancements and Future Trends / M.E.E. Alahi et al // Sensors. – 2023. – № 23. – Р. 5206. https://doi.org/10.3390/s23115206.Integration of IoT-Enabled Technologies and Artificial Intelligence (AI) for Smart City Scenario: Recent Advancements and Future Trends / M.E.E. Alahi et al // Sensors. – 2023. – № 23. – Р. 5206. https://doi.org/10.3390/s23115206.IoT-Enabled Smart Sustainable Cities: Challenges and Approaches / L. Belli et al // Smart Cities. – 2020. – № 3. – Р. 1039-1071. https://doi.org/10.3390/smartcities3030052.IoT-Enabled Smart Sustainable Cities: Challenges and Approaches / L. Belli et al // Smart Cities. – 2020. – № 3. – Р. 1039-1071. https://doi.org/10.3390/smartcities3030052.Zeng F. Sensors on Internet of Things Systems for the Sustainable Development of Smart Cities: A Systematic Literature Review / F. Zeng, C. Pang, H. Tang // Sensors. – 2024. – № 24. – Р. 2074. https://doi.org/10.3390/s24072074.Zeng F. Sensors on Internet of Things Systems for the Sustainable Development of Smart Cities: A Systematic Literature Review / F. Zeng, C. Pang, H. Tang // Sensors. – 2024. – № 24. – Р. 2074. https://doi.org/10.3390/s24072074.Aldahiri A. Trends in Using IoT with Machine Learning in Health Prediction System / A. Aldahiri, B. Alrashed, W. Hussain // Forecasting. – 2021. – № 3. – Р. 181-206. https://doi.org/10.3390/forecast3010012.Aldahiri A. Trends in Using IoT with Machine Learning in Health Prediction System / A. Aldahiri, B. Alrashed, W. Hussain // Forecasting. – 2021. – № 3. – Р. 181-206. https://doi.org/10.3390/forecast3010012.Disease Diagnosis System for IoT-Based Wearable Body Sensors with Machine Learning Algorithm / J. Awotunde et al // Hybrid Artificial Intelligence and IoT in Healthcare. Intelligent Systems Reference Library. – vol. 209. Springer, Singapore. https://doi.org/10.1007/978-981-16-2972-3_10.Disease Diagnosis System for IoT-Based Wearable Body Sensors with Machine Learning Algorithm / J. Awotunde et al // Hybrid Artificial Intelligence and IoT in Healthcare. Intelligent Systems Reference Library. – vol. 209. Springer, Singapore. https://doi.org/10.1007/978-981-16-2972-3_10.Alshamrani M. IoT and artificial intelligence implementations for remote healthcare monitoring systems: A survey / M. Alshamrani // Journal of King Saud University – Computer and Information Sciences. – 2022. – Vol. 34, Issue 8, Part A. – P. 4687-4701. https://doi.org/10.1016/j.jksuci.2021.06.005.Alshamrani M. IoT and artificial intelligence implementations for remote healthcare monitoring systems: A survey / M. Alshamrani // Journal of King Saud University – Computer and Information Sciences. – 2022. – Vol. 34, Issue 8, Part A. – P. 4687-4701. https://doi.org/10.1016/j.jksuci.2021.06.005.Alharbe N. IoT-enabled healthcare transformation leveraging deep learning for advanced patient monitoring and diagnosis / N.Alharbe, M. Almalki // Multimed Tools Appl. – 2025. – № 84. – Р. 21331-21344. https://doi.org/10.1007/s11042-024-19919-w.Alharbe N. IoT-enabled healthcare transformation leveraging deep learning for advanced patient monitoring and diagnosis / N.Alharbe, M. Almalki // Multimed Tools Appl. – 2025. – № 84. – Р. 21331-21344. https://doi.org/10.1007/s11042-024-19919-w.

The authors declare that there are no conflicts of interest present.