ИНТЕГРАЦИЯ ИНТЕРНЕТА ВЕЩЕЙ И МАШИННОГО ОБУЧЕНИЯ ДЛЯ РАЗРАБОТКИ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ МОНИТОРИНГА ЗДОРОВЬЯ ПАЦИЕНТА И ФАКТОРОВ ОКРУЖАЮЩЕЙ СРЕДЫ

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.

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.