Гібридна архітектура Edge-cloud для обробки часових рядів у телемедичних IoT-пристроях

Abstract

This paper proposes a hybrid edge-cloud architecture for processing time series data in telemedicine IoT systems based on wearable devices. The relevance of the study is driven by the need to ensure efficient, low-latency, energy-efficient, and scalable analysis of large volumes of biomedical data generated in real time. The proposed architecture enables the distribution of computational tasks between the edge layer and cloud infrastructure, taking into account signal characteristics. At the edge level, preliminary data processing is performed, including signal filtering using a Kalman filter, dimensionality reduction via Piecewise Aggregate Approximation (PAA), and anomaly detection using the Isolation Forest algorithm. In addition, an adaptive data transmission policy is implemented, based on signal variability estimation, which allows dynamic selection between transmitting full data segments or aggregated features to the cloud. At the cloud level, in-depth analysis of temporal dependencies is carried out using a hybrid CNN-LSTM model that combines the advantages of convolutional and recurrent neural networks for effective extraction of complex patterns in the data. Simulation results on publicly available datasets demonstrate that the proposed approach reduces processing latency to 120 ms, decreases network traffic by approximately 65 %, and achieves anomaly detection accuracy of 91 %. The obtained results confirm the effectiveness of adaptive workload distribution between edge and cloud layers, ensuring a balance between system responsiveness, analytical accuracy, and energy efficiency. The proposed architecture can be applied in modern telemedicine monitoring systems, particularly under conditions of limited network resources and strict real-time processing requirements.

У даній роботі запропоновано гібридну архітектуру edge-cloud для обробки часових рядів у телемедичних IoT-системах, що базуються на використанні носимих пристроїв. Актуальність дослідження зумовлена необхідністю забезпечення оперативного, енергоефективного та масштабованого аналізу великих обсягів біомедичних даних, які генеруються в режимі реального часу. Запропонована архітектура передбачає розподіл обчислювальних задач між edge-рівнем та хмарною інфраструктурою з урахуванням характеристик сигналу. На edge-рівні реалізовано попередню обробку даних, що включає фільтрацію сигналів за допомогою фільтра Калмана, зменшення розмірності методом Piecewise Aggregate Approximation (PAA), а також виявлення аномалій із використанням алгоритму Isolation Forest. Додатково впроваджено адаптивну політику передачі даних, яка базується на оцінці варіабельності сигналу та дозволяє динамічно визначати доцільність передачі повних даних або лише агрегованих ознак до cloud-рівня. На хмарному рівні здійснюється глибокий аналіз часових залежностей із використанням гібридної моделі CNN–LSTM, що поєднує переваги згорткових та рекурентних нейронних мереж для ефективного виявлення складних патернів у даних. Проведене моделювання на відкритих наборах даних показало, що запропонований підхід дозволяє зменшити затримку обробки даних до 120 мс, скоротити мережевий трафік приблизно на 65 % та досягти точності класифікації аномалій на рівні 91 %. Отримані результати підтверджують ефективність адаптивного розподілу обчислювального навантаження між edge- та cloud-рівнями, що забезпечує баланс між швидкодією, точністю аналізу та енергоефективністю системи. Запропонована архітектура може бути використана для побудови сучасних телемедичних систем моніторингу стану здоров’я, особливо в умовах обмежених мережевих ресурсів та високих вимог до обробки даних у реальному часі.