Modelado de nanosensores para nanoredes intracorporales

Mustafa Alper Akkaş 

Departamento de Ingeniería Informática, Bolu Abant Izzet Baysal University, Turquía

 

Abstracto

En este trabajo, el autor ha evaluado la propagación de ondas electromagnéticas dentro del tejido humano como la sangre, la piel y la grasa para capas de una sola y múltiple ruta de acuerdo con los cálculos de potencia de transmisión de nanosensores. En particular, las características de propagación del canal de comunicación Intra-Body Nano-Network se calculan utilizando un enfoque teórico. El análisis de este documento proporciona una evaluación relacionada con la pérdida de trayectoria, la tasa de error de bits, la relación señal-ruido y la capacidad del canal. El modelo se evalúa para cada efecto de trazado único y efecto de trazado múltiple. Los efectos del tejido humano para cada sangre, piel y grasa para el efecto de una sola ruta y la ruta múltiple se incluyen en el análisis. El rango de frecuencia del modelo se elige de 0,01 a 1,5 frecuencias de THz, que son ideales para diseñar antenas de nanosensores y utilizar el rango de THz para la comunicación. Este documento también guiará a otros investigadores que están trabajando en el rendimiento de la radiación electromagnética de los sensores Intra-Body Nano-Network y Nano diseñados en el rango de THz.

Introducción

Las tecnologías portátiles de próxima generación, que también son compatibles con Internet de las cosas (IoT) y nanotecnología, deben ser en tamaño miniatura. Por lo tanto, los diseñadores deben trabajar en frecuencias más altas, como 0.1–10 THz para reducir el tamaño de la antena [1]. Con la ayuda de la nanotecnología, la nanocomunicación y las ondas THz, las máquinas de tamaño nano o micro pueden comunicarse entre sí [23]. Desde que se propuso la nanotecnología en 1959, no solo ha ganado gran atención en aplicaciones centradas en el cuerpo, sino que también ha ganado gran atención en muchos otros campos [4]. La nanotecnología, las nanoredes y la nanocomunicación afectarán en gran medida a la vida y la salud humanas. Las nanomáquinas que están especialmente diseñadas para el cuerpo humano pueden colocarse dentro del cuerpo o montarse en la superficie del cuerpo. Con la ayuda de estas tecnologías, los datos de los pacientes se pueden enviar a centros de monitoreo independientes de la ubicación del paciente [5].

Una de las partes más importantes para lograr la nanotecnología es mejorar las nanomáquinas sin batería. Las nanomáquinas son nodos de tamaño nanométrico que se utilizan para la comunicación, la detección, la computación, etc. [6]. En intra-body Nano-Networks, la comunicación se realiza mediante nano-máquinas que funcionan como nano-nodos [1]. La comunicación entre nano-nodos en Intra-Body Nano-Networks sigue siendo un tema abierto y hay desafíos por resolver [7]. Hasta ahora, se han utilizado dos métodos de comunicación para las nanoredes intracorporales. Estos son la Comunicación Electromagnética (EMC) y la Comunicación Molecular (MC). La comunicación de EMC utiliza ondas EM para la comunicación y transmisión de información. Los sistemas MC son diferentes de EMC, formando un área de investigación nueva e interdisciplinaria, que utiliza la ausencia o presencia de un tipo seleccionado de molécula para codificar digitalmente los mensajes [8]. Las moléculas se utilizan como portador de comunicación en los sistemas MC. MC es un área de investigación nueva, abierta e interdisciplinaria, y hay muchos desafíos por resolver. Estos desafíos son la definición del modelo de canal MC, la caracterización de los mecanismos MC, el desarrollo de sus arquitecturas y los protocolos de redes [9].

Como se muestra en la Fig. 1, la magnitud del nodo debe estar en el tamaño nanométrico porque el lugar donde se colocan los nanonodos es demasiado pequeño en aplicaciones biomédicas. Los nanonodos requieren antenas THz por sus dimensiones en la comunicación EM. En la comunicación de banda THz, los efectos de cambio de fase y la pérdida de trayectoria fluctúan según el entorno. Por lo tanto, las ondas electromagnéticas (EM) necesitan comunicarse donde los efectos de cambio de fase y las fluctuaciones de pérdida de trayectoria son mínimos. En EMC, la distancia de transmisión entre nodos se puede aumentar utilizando los anchos de banda donde la absorción y la pérdida de paths son mínimas.

Figura 1
figura 1

Una arquitectura de red esquemática para nanoredes intracorporales con nanosensores

Sabemos que las máquinas dependientes de la batería están limitadas a su uso. Esta regla también es válida para nano-máquinas. Es por eso que se deben desarrollar métodos de energía alternativa como cambiar el movimiento vibratorio, el movimiento mecánico o la energía hidráulica en energía eléctrica. Otro método de energía alternativa es cargar las baterías de forma inalámbrica, pero no es fácil de implementar. De donde, las nanomáquinas transmiten potencia es muy importante y se cubre en este documento [1011]. Parte de este trabajo se presentó en [12] y en este estudio se ofrece una versión ampliada del artículo.

En este trabajo, el autor ha realizado cálculos del efecto Path Loss, bit error rate (BER), signal to noise ratio (SNR) y Channel Capacity basados en el modelo de canal para cada efecto single-path y efecto multi-path, mostrado en la Fig. 2. El efecto de los tejidos humanos de acuerdo con path loss, BER, SNR y la capacidad del canal para cada sangre, piel y grasa para el efecto de un solo camino y el efecto de múltiples caminos se incluyen en todos los análisis.

Figura 2
figura 2

Modelo de canal multiruta

Este documento está organizado de la siguiente manera. En la sección 2 se investiga la labor conexa. En la sección 3 se dan modelos de nanoredes intracorporales para capas simples y múltiples. En la sección 4 se muestran gráficos del modelo teórico. Las conclusiones se extraen en la última sección.

Trabajo relacionado

Akyıldız et al. [13] presentan una visión general de dos alternativas principales para la nanocomunicación, a saber, la comunicación electromagnética y la comunicación molecular en la banda de THz. El objetivo del estudio es proporcionar una mejor comprensión de los temas de investigación actuales en este importante campo y allanar el camino para futuros estudios en nano-redes.

Yang et al. [14] modelaron el tejido humano con un modelo numérico 3D en el rango de THz, pero no consideraron múltiples capas de acuerdo con el cálculo de la potencia de transmisión del nanosensor. También especifican esta carencia en su parte de conclusión.

Pratap Singh et al. [8] analizaron la función de densidad de probabilidad del ruido de absorción de radiación e incluyeron las propiedades de diferentes tejidos del cuerpo humano para demostrar su aplicabilidad. Además, se deriva la expresión de forma cerrada de probabilidad de error para MNC bajo ruido de radiación. El análisis numérico se muestra en diferentes tejidos del cuerpo humano: Se muestra el factor de polarización de la radiación EM entrante, así como la piel, el cerebro y la sangre.

Una vez más, Pratap Singh et al. [15] proponen un modelo de ruido más general y apropiado como la distribución gaussiana para derivar una nueva expresión de forma cerrada de la probabilidad de error condicional para el sistema de nano comunicación. Han comparado su modelo de ruido con diferentes modelos en la literatura. Finalmente, con respecto a la probabilidad de error condicional, las declaraciones de forma cerrada derivadas para la tasa de error de bits promedio, Weibull-Gamma y Mix Gamma se derivaron de canales de desvanecimiento.

Hadeel Elayan et al. [16] analizaron los efectos fototérmicos del rango de THz dentro del cuerpo humano como un modelo matemático de difusión de calor. En breve han analizado las ondas EM que liberan energía como calor a su entorno.

Zhang et al. [17] investigan el modelo matemático para nano redes in vivo en el rango de THz, incluida la velocidad de la información y el ruido del enlace. En su modelo analítico, han investigado la relación señal-ruido de acuerdo con diferente información y asignación de potencia para nano-redes centradas en el cuerpo.

En su artículo, Piro et al. [18] presentan el rango de transmisión y la capacidad del canal para sistemas intracorporales para aplicaciones de atención médica general. Una vez más, Piro et al. [19] han estudiado las capacidades de comunicación de una nano-red de área corporal teniendo en cuenta cuidadosamente la estructura no homogénea y desordenada que ofrecen los tejidos biológicos.

Sin embargo, la mayoría de los trabajos presentados anteriormente consideran el tejido humano como un solo nivel. En este trabajo, se ha propuesto un método de comunicación multicapa. Además, se investigan las propiedades de reflexión entre la sangre, la grasa y la piel. Este trabajo también calcula la propagación de ondas electromagnéticas dentro del tejido humano que contiene sangre, piel y grasa para capas simples y múltiples de acuerdo con el cálculo de la potencia de transmisión de nanosensores. El cálculo de la potencia de transmisión es un tema innovador que no se ha investigado en detalle antes como lo es en este documento. Por lo tanto, este trabajo investiga las características del canal de propagación de comunicación Intra-Body Nano-Network que se calculan utilizando un enfoque teórico que se modela proporcionando una evaluación sobre las pérdidas, la capacidad, BER y SNR considerando el efecto multipath del canal de acuerdo con el cálculo de la potencia de transmisión del nanosensor.

Modelo para nanoredes intracorpóreas para capas simples y múltiples

La ecuación de transmisión de Friis se utiliza para calcular la potencia recibida de una antena a otra antena a cierta distancia dada una frecuencia de transmisión y ganancias de antena. La ecuación de Friis se utiliza para encontrar la potencia ideal recibida en una antena a partir de información básica sobre la transmisión [20]. Para la propagación en tejido humano, potencia de ruido (NP), ruido térmico y pérdidas adicionales (Lmedio) en el receptor que son causadas por la sangre, la piel y la grasa se agregan a la ecuación de Friis en la fórmula (1). Para calcular el NP, es necesario calcular el ancho de banda (B) y la temperatura ambiente (T), que se toma como temperatura corporal de 310,15 K. En consecuencia, la señal recibida en la ecuación de Friis se puede actualizar como [21]:

\begin{aligned} P_{r} \left( {dBm} \right) & = P_{t} \left( {dBm} \right) + G_{r} \left( {dB} \right) + G_{t} \left( {dB} \right) \\ & \quad \underbrace {{ – L_{FSPL} \left( {dB} \right) – L_{NP} \left( {dBm} \right) – L_{medium} \left ( {dB} \right)}}_{System\,\,Loss} \\ \end{aligned}

\begin{aligned} P_{r} \left( {dBm} \right) & = P_{t} \left( {dBm} \right) + G_{r} \left( {dB} \right) + G_{t} \left( {dB} \right) \\ & \quad \underbrace {{ – L_{FSPL} \left( {dB} \right) – L_{NP} \left( {dBm} \right) – L_{medium} \left( {dB} \right)}}_{System\,\,Loss} \\ \end{aligned}
(1)

La Tabla 1 muestra los valores en las ecuaciones.

Tabla 1 Constantes y parámetros

En Eq. (1LNP calculado como 10log10(103 × kB × T × B). Lmedio es igual a:

<span id="MathJax-Element-2-Frame" class="MathJax" style="box-sizing: inherit; display: block !important; font-style: normal; font-weight: normal; line-height: normal; font-size: 18px; text-indent: 0px; text-align: left; text-transform: none; letter-spacing: normal; word-spacing: normal; overflow-wrap: normal; white-space: nowrap; float: none; direction: ltr; max-width: 100%; max-height: none; min-width: 0px; min-height: 0px; border: 0px; padding: 0px; margin: 0px; overflow: auto hidden; position: relative;" tabindex="0" role="presentation" data-mathml="Lmedium(dB)=Lβ+Lα”>Lmedium(dB)=Lβ+LαLmedium(dB)=L β+L α
(2)

Lmedio (2) es una combinación de Lβ y LαLα que es 8.96αd(dB) es la pérdida de transmisión causada por la atenuación con constante de atenuación α. Lβ es la pérdida de atenuación debida a la diferencia de la longitud de onda de la señal en el medio, λ, en comparación con la longitud de onda en el espacio libre, λ0. Así que Lβ también se puede escribir como 20log(λ0/ λ. Aquí, en esta fórmula λ = 2 π/β y λ0 = c/f (Aquí c es la velocidad de la luzentonces Lβ se puede escribir como 154 − 20log(f) + 20log(β) como dB. Entonces Lmedio que es nuestro cuerpo en este trabajo se convierte:

\begin{aligned} & L_{medium} (dB) = 6.4 + 20\log (d) + 20\log (\beta ) + 8.69\alpha d \\ & \alpha = 2\pi f\sqrt {\frac{{\mu \in^{\prime}}}{2}\left[ {1 + (\frac{{ \in^{\prime\prime}}}{{ \in^{\prime}}})^{2} – 1} \right]} ,\beta = 2\pi f\sqrt {\frac{{\mu \in^{\prime}}}{2}\left[ {1 + (\frac{{ \in^{\prime\prime}}}{{ \in^{\prime}}})^{2} + 1} \right]} \\ \end{aligned}

\begin{aligned} & L_{medium} (dB) = 6.4 + 20\log (d) + 20\log (\beta ) + 8.69\alpha d \\ & \alpha = 2\pi f\sqrt {\frac{{\mu \in^{\prime}}}{2}\left[ {1 + (\frac{{ \in^{\prime\prime}}}{{ \in^{\prime}}})^{2} – 1} \right]} ,\beta = 2\pi f\sqrt {\frac{{\mu \in^{\prime}}}{2}\left[ {1 + (\frac{{ \in^{\prime\prime}}}{{ \in^{\prime}}})^{2} + 1} \right]} \\ \end{aligned}
(3)

donde los parámetros y las constantes también se dan en la Tabla 1. Tenga en cuenta que Lmedio en (2) depende de la β, α del cuerpo humano [19]. Las propiedades dieléctricas del cuerpo humano en este artículo se obtienen de [14].

En estos análisis, el canal de comunicación se modela como una variable aleatoria distribuida de Rayleigh independiente, Xi, i ∈ {1,2} [2223]. El modelo de ruta única recibida de densidad espectral de energía está dado por (4) y tiene una distribución de (5).

r = X^{2} SNRr

= X^{2} SNR
(4)
<span id="MathJax-Element-5-Frame" class="MathJax" style="box-sizing: inherit; display: block !important; font-style: normal; font-weight: normal; line-height: normal; font-size: 18px; text-indent: 0px; text-align: left; text-transform: none; letter-spacing: normal; word-spacing: normal; overflow-wrap: normal; white-space: nowrap; float: none; direction: ltr; max-width: 100%; max-height: none; min-width: 0px; min-height: 0px; border: 0px; padding: 0px; margin: 0px; overflow: auto hidden; position: relative;" tabindex="0" role="presentation" data-mathml="f(r)=1E[X12]SNRexp⁡(E[X12]SNRE[X22]SNR)”>f(r)=1E[X21]SNRexp(E[X21]SNRE[X22]SNR)f(r)=1E[X12]SNRexp(E[X12] SNRE[X22]SNR)
(5)

La señal recibida se modela como la adición de dos variables aleatorias distribuidas de Rayleigh independientes.

En consecuencia, la constante de atenuación compuesta, X, para el modelo multi-ruta viene dada por [2223]:

X^{2} {\text{ = X}}_{{1}}^{{2}} + \left( {X_{2} \cdot \Gamma \cdot \exp \left( { – \alpha \Delta \left( r \right)} \right)^{2} – 2 \cdot {\text{X}}_{1} \cdot {\text{X}}_{2} \cdot\Gamma \cdot \exp \left( { – \alpha \Delta \left( r \right)} \right) \times \cos \left( {\pi – \left( {\phi – \frac{2\pi }{\lambda }\Delta \left( r \right)} \right)

X^{2} {\text{ = X}}_{{1}}^{{2}} + \left( {X_{2} \cdot \Gamma \cdot \exp \left( { – \alpha \Delta \left( r \right)} \right)^{2} – 2 \cdot {\text{X}}_{1} \cdot {\text{X}}_{2} \cdot\Gamma \cdot \exp \left( { – \alpha \Delta \left( r \right)} \right) \times \cos \left( {\pi – \left( {\phi – \frac{2\pi }{\lambda }\Delta \left( r \right)} \right) \right)
(6)

El SNR viene dado por SNR = Pt − Lf − Pn en papel [21]. En este trabajo Pt asume − 15 a 5 dBm que son lo suficientemente bajos para nano-nodo [7]. LNP viene dado por (7) como dBm [24]:

<span id="MathJax-Element-7-Frame" class="MathJax" style="box-sizing: inherit; display: block !important; font-style: normal; font-weight: normal; line-height: normal; font-size: 18px; text-indent: 0px; text-align: left; text-transform: none; letter-spacing: normal; word-spacing: normal; overflow-wrap: normal; white-space: nowrap; float: none; direction: ltr; max-width: 100%; max-height: none; min-width: 0px; min-height: 0px; border: 0px; padding: 0px; margin: 0px; overflow: auto hidden; position: relative;" tabindex="0" role="presentation" data-mathml="LNP=10log10(1000×k×T×B)(dBm)”>LNP=10log10(1000×k×T×B)(dBm)LNP=10log10(1000×k×T×B)(dBm)
(7)

Según el documento [23] La modulación 2PSK tiene más rango cuando nos comparamos con otras modulaciones. Por esta razón, en este trabajo se considera la modulación 2PSK. La tasa BER para 2 PSK es de 0.5erfc((SNR))1/2) en ruido gaussiano blanco aditivo (AWGN) [23].

El modelo de canal multivía en sangre, grasa y piel se muestra en la Fig. 2. Los reflejos son los mismos en el otro tejido humano porque según los documentos [2526] la permeabilidad magnética relativa es 1 en todas las partes del cuerpo. El camino único es el camino directo, que se muestra con la línea roja entre los dos sensores en la Fig. 2. El medio alrededor de los nodos del sensor puede considerarse homogéneo, por ejemplo, el modelo es adecuado para profundidades más altas.

El modelo de canal multivía viene dado por (8) [202125]

\begin{aligned} & L_{f} (dB) = L_{Human\; Tejido} (dB) – 10\log \sqrt A \\ & A = 1 + \left( {\Gamma \times \exp \left( { – \alpha \Delta r} \right)} \right)^{2} – 2\Gamma \exp \left( { – \alpha \Delta r} \right)^{2} \; \times \;\cos \left( {\pi – \left( {\phi – \frac{2\pi f}{\lambda }\Delta (2)} \right)} \right) \\ & \Delta r = r – d,r = r1 + r2\;(in\;Fig.\;2) \\ \end{aligned}

\begin{aligned} & L_{f} (dB) = L_{Human\; Tejido} (dB) – 10\log \sqrt A \\ & A = 1 + \left( {\Gamma \times \exp \left( { – \alpha \Delta r} \right)} \right)^{2} – 2\Gamma \exp \left( { – \alpha \Delta r} \right)^{2} \; \times \;\cos \left( {\pi – \left( {\phi – \frac{2\pi f}{\lambda }\Delta (2)} \right)} \right) \\ & \Delta r = r – d,r = r1 + r2\;(in\;Fig.\;2) \\ \end{aligned}
(8)

donde el tejido humano es la pérdida de trayectoria debido a la trayectoria única dada en (4) y la segunda parte de la ecuación es el factor de atenuación de la segunda ruta que es unidad en dB [222327].

<span id="MathJax-Element-9-Frame" class="MathJax" style="box-sizing: inherit; display: block !important; font-style: normal; font-weight: normal; line-height: normal; font-size: 18px; text-indent: 0px; text-align: left; text-transform: none; letter-spacing: normal; word-spacing: normal; overflow-wrap: normal; white-space: nowrap; float: none; direction: ltr; max-width: 100%; max-height: none; min-width: 0px; min-height: 0px; border: 0px; padding: 0px; margin: 0px; overflow: auto hidden; position: relative;" tabindex="0" role="presentation" data-mathml="C=Blog2⁡[1+S/N]”>C=Bregistro2[1+S/N]C=Blog2[1+S/N]
(9)

La capacidad es la velocidad de datos más alta que se puede entregar de manera confiable a través de un canal. La capacidad resultante se mide en bits/s porque el logaritmo se toma en base 2 en Eq. (9) [14]. La unidad del ancho de banda del canal (B) es hercios. Las potencias de señal y ruido son S y N. La relación entre S y N se llama SNR. El modelo detallado del sistema se muestra paso a paso en la Fig. 3 para que esta sección sea más fácil de leer.

Figura 3
figura 3

Modelo detallado del sistema

Resultados numéricos

En esta parte se dan los valores de pérdida de trayectoria, BER, factor de atenuación, capacidad de canal y SNR del modelo de canal propuesto.

La Figura 4a da los valores de la pérdida de vía para la sangre, la piel y la grasa. La Figura 4b da una versión 3D de la Fig. 4a. En la Fig. 4a y en las siguientes figuras las líneas rojas muestran la sangre, las líneas negras muestran la piel y las líneas azules muestran la grasa. El estilo de líneas en las figuras es el mismo en las siguientes figuras, por lo que la leyenda de estilo de líneas no se da en algunas figuras siguientes para no complicarlas. La Figura 4 muestra que cuando la frecuencia y la distancia aumentan la pérdida de trayectoria se incrementa. La pérdida de trayectoria es directamente proporcional a la frecuencia y la distancia. La Figura 4 también muestra que la sangre tiene una mayor pérdida de camino que la piel y la grasa. La razón por la que la sangre tiene la mayor pérdida de camino es que la cantidad de agua en la sangre es más que en la piel y la grasa. La sangre humana contiene alrededor del 45% de los eritrocitos y el 54,3% del plasma por volumen. El plasma contiene aproximadamente un 92% de agua, mientras que los eritrocitos, aproximadamente un 64% en peso. Estos documentos [28,29,30] también prueban por qué el agua tiene una mayor absorción y pérdida de trayectoria.

Figura 4
figura 4

Pérdida de ruta frente a distancia para 0,5 a 1,5 THz en el modelo de canal de ruta única. a versión 2D, b versión 3D

La Figura 5a muestra BER vs. distancia para 0.5–1.5 THz. La Figura 5b examina el BER para sangre en el caso de − 15 a 5 dBm de potencia de transmisión y frecuencia a 0.5 THz. Los resultados muestran que el BER de las frecuencias de funcionamiento de 0,5–1,5 THz en sangre, piel y grasa para el modelo de canal de vía única aumenta entre 1 y 3 mm para la sangre, 1–5 mm para la piel y 2–7 mm para la grasa a una potencia de señal mínima recibida de −5 dBm. Los incrementos de distancia de comunicación de tamaño milimétrico son muy importantes para los nanonódulos dentro del cuerpo. La Figura 5 demuestra que el rango de comunicación depende del valor de la pérdida dieléctrica del cuerpo humano, la potencia restante del nodo y la frecuencia de funcionamiento. En la Fig. 5b se muestra que cada incremento de 5 dBm en Pt aumenta la distancia de comunicación alrededor de 0,1 mm. La Figura 5c, d da los valores de capacidad y SNR respectivamente que se han calculado a partir de (8). La Figura 5c muestra que los incrementos de pérdida de trayectoria causan menos capacidad y la Fig. 5d muestra que cuando la frecuencia disminuye SNR aumenta y cuando la pérdida de trayectoria aumenta SNR disminuye es por eso que la grasa de 0.5 THz tiene el SNR más alto.

Figura 5
figura 5

BER, capacidad y SNR versus distancia para 0.5 a 1.5THz en el modelo de canal de una sola ruta. a BER versus distancia, b BER para sangre, capacidad cd SNR

La Figura 6a, b da los valores de pérdida de trayectoria a 0.5–1.5 THz para múltiples canales de ruta de acuerdo con la distancia y la profundidad respectivamente. Cuando comparamos la Fig. 6a con la Fig. 4a, la pérdida de ruta es de alrededor de 80-300 dB en el modelo de una ruta y la pérdida de ruta es de alrededor de 100-300 dB en el modelo de múltiples rutas. La Figura 6a también muestra que en el modelo multivía, la distancia de comunicación a pérdida de trayectoria de 100 dB es de hasta 0,8 mm, 1,4 mm y 2 mm en sangre, piel y grasa respectivamente. También en el modelo de una sola ruta, el rango se incrementa en 0,2 mm, 0,4 mm y 0,6 mm en sangre, piel y grasa respectivamente a 0,5 THz. El componente de reflexión añadido de las señales no ayuda a aumentar la distancia de comunicación en el modelo multivía porque no hay mucha reflexión en el tejido humano como se ve en la Fig. 6b. La Figura 6b también muestra que los valores de pérdida de trayectoria dependen de la distancia y profundidad del tejido humano. Las fluctuaciones en la Fig. 6b disminuyen cuando la profundidad aumenta y casi desaparece después de la distancia alrededor de 0,2 mm. La Figura 6c muestra la pérdida de trayectoria, la distancia y la relación de profundidad en dimensiones 3D a 0,5 THz. El gráfico 3D muestra que a profundidades menores de 0,2 mm hay una onda, que es demasiado pequeña para afectar la distancia de comunicación. En la Fig. 6d se da el factor de atenuación que es la segunda parte del Eq. 7. Como se ve en la Fig. 6d el factor de atenuación disminuye a profundidades menores a 0,2 mm, esto causó el aumento de la pérdida de trayectoria en el modelo de múltiples trayectorias y disminuyó la distancia de comunicación. Esta es también una de las razones por las que el modelo de canal de múltiples rutas tiene una distancia de comunicación más pequeña que un modelo de canal de ruta.

Figura 6
figura 6

Pérdida de trayectoria frente a distancia y profundidad para 0,5–1,5 THz en el modelo de canal multiruta. a Pérdida de trayectoria frente a distancia, b Pérdida de trayectoria frente a profundidad. c Pérdida de trayectoria, distancia y relación de profundidad. d Atenuación

La Figura 7 muestra BER vs. distancia para frecuencias de operación de 0.5 a 1.5 THz para el modelo de canal de múltiples rutas. BER versus profundidad no se ha dado porque hay casi cero BER en todas las profundidades. La Figura 7a muestra que el incremento en la pérdida de ruta tiene un pequeño efecto en BER en el modelo de canal de múltiples rutas. La tasa BER es directamente proporcional a la distancia. La Figura 7b examina el BER para la sangre en el caso de − 15 a 5 dBm de potencia de transmisión Pt en frecuencia 0.5–1.5 THz. Cuando comparamos la Figs. 5b con la 7b vemos que no hay mucha diferencia entre los modelos de canal de una y varias rutas. Solo en el modelo de canal multivía, la distancia de transmisión disminuye alrededor de 1 mm a 0,5 THz.

Figura 7
figura 7

BER versus distancia para 0.5–1.5THz en el modelo de canal multi-ruta. a BER versus distancia, b BER para sangre

La Figura 8 muestra la capacidad frente a la distancia y la profundidad para frecuencias de funcionamiento de 0,5 a 1,5 THz para el modelo de canal de múltiples rutas. La Figura 8a proporciona valores de capacidad de acuerdo con la distancia a − 5 dBm de potencia de transmisión. La Figura 8b proporciona valores de capacidad de acuerdo con la profundidad a − 5 dBm de potencia de transmisión. La Figura 8c da valores de capacidad según la distancia a − 15 a 5 dBm de 0,5 a 1,5 THz. De la Fig. 8a podemos entender que la capacidad y la pérdida de trayectoria son inversamente proporcionales entre sí como se esperaba. La Figura 8b muestra la capacidad de transmisión a − 5 dBm de potencia de transmisión según la profundidad. Las fluctuaciones en la Fig. 8b disminuyen cuando la profundidad aumenta y casi desaparece después de la distancia alrededor de 0,2 mm como en la Fig. 6b. La Figura 8c da valores de capacidad de acuerdo con la distancia a − 15 a 5 dBm de potencia de transmisión en la sangre. La Figura 8c también muestra que la frecuencia y la capacidad inversamente proporcionales entre sí y la potencia de transmisión aumenta la capacidad como se esperaba.

Figura 8
figura 8

Capacidad frente a distancia y profundidad para 0,5 a 1,5 THz en el modelo de canal multivía. a Capacidad frente a distancia. b Capacidad frente a profundidad. c Capacidad en la sangre

La Figura 9 muestra SNR frente a distancia y profundidad para frecuencias de funcionamiento de 0,5 a 1,5 THz para el modelo de canal de múltiples rutas. La Figura 8a da valores SNR de acuerdo con la distancia a − 5 dBm de potencia de transmisión. La Figura 8b da valores SNR de acuerdo con la profundidad a − 5 dBm de potencia de transmisión. La Figura 8c da los valores de SNR de acuerdo con la distancia a − 15 a 5 dBm de 0.5 a 1.5 THz. De la Fig. 9a podemos entender que SNR y la pérdida de trayectoria son inversamente proporcionales entre sí como se esperaba. La Figura 9b muestra el SNR a − 5 dBm de potencia de transmisión según la profundidad. Las fluctuaciones en la Fig. 8b disminuyen cuando la profundidad aumenta y casi desaparece después de la distancia alrededor de 0,4 mm, pero ve el efecto en la capacidad y la pérdida de trayectoria hasta 0,2 mm. La Figura 9c da valores SNR de acuerdo con la distancia a − 15 a 5 dBm de potencia de transmisión. La Figura 9c también muestra que la frecuencia y el SNR inversamente proporcionales entre sí y la potencia de transmisión aumenta la capacidad como se esperaba. En la Fig. 9c los valores SNR de 1 THz y 1,5 THz no se dan porque están alrededor del nivel cero. Los valores de SNR pueden ayudar a otros investigadores que están trabajando en redes intracorporales de terahercios. SNR también se ve afectado por la distancia, la profundidad de la frecuencia y la potencia de transmisión. La Figura 9 también nos recuerda que el SNR es proporcional indirecto a la frecuencia y proporcional directo a la potencia de transmisión.

Figura 9
figura 9

SNR versus distancia y profundidad para 0.5 a 1.5THz en el modelo de canal multi-ruta. un SNR versus distancia. b SNR versus profundidad. c SNR en la sangre

Conclusión

Debido al pequeño rango de comunicación dentro del cuerpo humano, las ondas EM no se propagan fácilmente, especialmente en las bandas THz. Este artículo examina la pérdida de trayectoria, BER, capacidad de canal y SNR de nanosensores que propagan ondas EM de THz dentro de la sangre, la piel y la grasa de acuerdo con la potencia de transmisión y el tipo de canal. Brevemente, el documento establece los antecedentes teóricos para la propagación de las ondas EM de THz en sangre, piel y grasa en el rango de THz y determina la pérdida de trayectoria incurrida, BER, capacidad y SNR de nanosensores en un solo canal y multicanal. El documento también muestra las razones por las que el modelo de canal de múltiples rutas tiene una distancia de comunicación más pequeña que un modelo de canal de ruta. Las evaluaciones numéricas muestran que la comunicación de datos es posible en la banda de 0,01 a 1,5 THz a una potencia de transmisión de 15 a 5 dBm, pero para alcanzar una mayor distancia de comunicación, es necesario investigar un nuevo modelo de comunicación. Los resultados teóricos muestran que el nanosensor inalámbrico puede comunicarse a través del cuerpo humano, pero el ruido térmico es demasiado alto para usar las ondas THz dentro del cuerpo humano. Es por eso que se deben desarrollar nuevas técnicas para no dañar el cuerpo en el rango de THz. Los resultados de este trabajo también tienen como objetivo guiar a otros investigadores que trabajarán en el área de las nanoredes intracorporales. En el futuro, los experimentos se pueden hacer mediante el uso de espectroscopia en el rango de THz para validar los hallazgos numéricos.

Referencias

  1. Akyildiz, I. F., & Jornet, J.M. (2010). Redes de nanosensores inalámbricos electromagnéticos. Nano Communication Networks, 1(1), 3–19.

    Artículo Google Académico 

  2. Akyildiz, I. F., Brunetti, F., & Blázquez, C. (2008). Nanoredes: Un nuevo paradigma de comunicación. Redes de computadoras, 52(12), 2260–2279.

    Artículo Google Académico 

  3. Chopra, N., et al. (2014). Comprensión y caracterización de nanoredes para aplicaciones de monitoreo de atención médica. En 2014, la serie internacional de talleres de microondas IEEE MTT-S sobre RF y tecnologías inalámbricas para aplicaciones biomédicas y de atención médica (IMWS-Bio). IEEE.

  4. Feynman, R. P. (1992). Hay mucho espacio en la parte inferior [almacenamiento de datos]. Revista de Sistemas Microelectromecánicos, 1(1), 60–66.

    Artículo Google Académico 

  5. Abdelaziz, A. F., et al. (2015) Análisis de propagación de señales de terahercios dentro de la piel humana. En 2015 IEEE 11th International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob). IEEE.

  6. Bush, S. F. (2010). Redes de comunicación a nanoescala. Norwood: Casa Artech.

    Google Académico 

  7. Dressler, F., & Fischer, S. (2015). Conectando la nanocomunicación en el cuerpo con las redes de área corporal: Desafíos y oportunidades del Internet de nano cosas. Nano Communication Networks, 6(2), 29–38.

    Artículo Google Académico 

  8. Singh, S. P., Singh, S., Guo, W., Mishra, S. y Kumar, S. (2020). Ruido de absorción de radiación para la transferencia de información molecular. Acceso IEEE, 8, 6379–6387.

    Artículo Google Académico 

  9. Pierobon, M., & Akyildiz, I. F. (2010). Un modelo físico de extremo a extremo para la comunicación molecular en nanoredes. IEEE Journal on Selected Areas in Communications, 28(4), 602–611.

    Artículo Google Académico 

  10. Lee, S. J., et al. (2015). Diseño de redes inalámbricas de nanosensores para aplicación intracorporal. Revista Internacional de Redes de Sensores Distribuidos, 2015, 90.

    Artículo Google Académico 

  11. Akkaş, M. A. (2016). Una revisión comparativa del tamaño de la mota y el método de comunicación para la red de sensores inalámbricos. En Mecánica aplicada y materiales (Vol. 850). Publicaciones Trans Tech.

  12. Akkaş, M. A. (2016). Capacidad de nanosensores y cálculo de SNR de acuerdo con la estimación de potencia de transmisión para nanocomunicaciones centradas en el cuerpo. En 2016 3er simposio internacional sobre sistemas inalámbricos dentro de las conferencias sobre adquisición inteligente de datos y sistemas informáticos avanzados (IDAACS-SWS).. IEEE.

  13. Akyildiz, I. F., Jornet, J.M., & Pierobon, M. (2011). Nanoredes: una nueva frontera en las comunicaciones. Comunicaciones de la ACM, 54(11), 84–89.

    Artículo Google Académico 

  14. Yang, K., et al. (2015). Análisis numérico y caracterización del canal de propagación de THz para nanocomunicaciones centradas en el cuerpo. IEEE Transactions on Terahertz Science and Technology, 5(3), 419–426.

    Artículo Google Académico 

  15. Singh, S. P., Kumar, A., & Kumar, S. (2017). Expresiones novedosas para CEP/BEP bajo ruido GGD para sistema de nano comunicación. Revista Internacional de Cartas Electrónicas, 5(4), 463–474.

    Artículo Google Académico 

  16. Elayan, H., Johari, P., Shubair, R.M., & Jornet, J.M. (2017). «Modelado fototérmico y análisis de la comunicación intracorporal a nanoescala de terahercios. Ieee Transactions on NanoBioscience, 16(8), 755–763.

    Artículo Google Académico 

  17. Zhang, R., Yang, K., Abbasi, Q. H., Qaraqe, K. A. y Alomainy, A. (2018). Modelización analítica del efecto del ruido en el canal de comunicación in vivo de terahercios para nanoredes centradas en el cuerpo. Nano Communication Networks, 15, 59–68.

    Artículo Google Académico 

  18. Piro, G., et al. (2015). Comunicaciones de terahercios en tejidos humanos a nanoescala para aplicaciones sanitarias. IEEE Transactions on Nanotechnology, 14(3), 404–406.

    Artículo Google Académico 

  19. Piro, G., et al. (2016). Propagación del campo electromagnético de terahercios en tejidos humanos: un estudio sobre las capacidades de comunicación. Redes de nanocomunicación, 10, 51–59.

    Artículo Google Académico 

  20. Friis, H. T. (1946). Una nota sobre una fórmula de transmisión simple. Actas de IRE, 34, 254–256. https://doi.org/10.1109/jrproc.

    Artículo Google Académico 

  21. Akkaş, M. A. (2018). Uso de redes inalámbricas de sensores subterráneos para la seguridad de minas y mineros. Redes inalámbricas, 24, 1–10.

    Artículo Google Académico 

  22. Vuran, M.C., & Silva, A. R. (2010) Comunicación a través del suelo en redes inalámbricas de sensores subterráneos: teoría y práctica. En redes de sensores (309–347). Berlín: Springer.

  23. Akyildiz, I. F., Sun, Z., & Vuran, M.C. (2009). Técnicas de propagación de señales para redes inalámbricas de comunicación subterránea. Comunicación física, 2(3), 167–183.

    Artículo Google Académico 

  24. Couch, I. I., & Leon, W. (1994). Sistemas de comunicación modernos: Principios y aplicaciones. Río Upper Saddle: Prentice Hall.

    MATEMÁTICA Google Académico 

  25. Pethig, R., & Kell, D.B. (1987). Las propiedades eléctricas pasivas de los sistemas biológicos: Su importancia en fisiología, biofísica y biotecnología. Física en Medicina y Biología, 32(8), 933.

    Artículo Google Académico 

  26. Collins, C.M., et al. (2002). Cálculos numéricos del campo magnético estático en modelos tridimensionales multitesulares de la cabeza humana. Imágenes por resonancia magnética, 20(5), 413–424.

    Artículo Google Académico 

  27. Li, L., Vuran, M.C., & Akyildiz, I. F. (2007). Características del canal subterráneo para redes inalámbricas de sensores subterráneos. En Proceedings of Med-Hoc-Net’07.

  28. Akkaş, M. A., & Sokullu, R. (2015). Modelado y análisis de canales para redes inalámbricas de sensores subterráneos en medio acuático utilizando ondas electromagnéticas en el rango de 300-700 MHz. Comunicaciones personales inalámbricas, 84(2), 1449–1468.

    Artículo Google Académico 

  29. Akkaş, M. A., Akyildiz, I. F., & Sokullu, R. (2012). Modelado de canales de terahercios de redes de sensores subterráneos en yacimientos de petróleo. En Global communications conference (GLOBECOM), 2012 IEEE. IEEE.

  30. Akkaş, M. A. (2019). Comunicación inalámbrica de datos de terahercios. Redes inalámbricas, 25, 1–11.

    Artículo Google Académico 

Traducción: Terraindomita