皮肤下层上皮的破裂，由损伤或疾病引起，称为伤口，可分为两类：急性和慢性伤口。急性伤口（如手术切口）通常在短时间内愈合，而慢性伤口（如糖尿病足溃疡、压疮等）则表现出愈合延迟，需要持续的临床监测[1]。全球范围内，慢性伤口的患病率为人口的1-2%，给医疗系统带来了巨大的负担[2]。在像印度这样的发展中国家，最近的研究表明，大约每1000人中有4-5人患有慢性伤口，由于获得及时治疗的机会有限，病情可能会恶化[3]。延迟的伤口护理可能导致坏疽、坏死、肢体截肢等并发症，这强调了早期评估和持续监测的必要性[4]。
传统上，医疗专家通过观察伤口的形状、组织颜色、深度等来进行伤口评估，以确定伤口的预后[5]。然而，由于基础设施和医疗人员的限制，偏远农村地区的患者很难获得医疗服务[6]。在这种情况下，只有可靠的自动化远程伤口监测系统（RWMS）[7],[8]才能支持及时的临床决策，同时减少频繁前往医院的需要。
计算机视觉和深度学习（DL）的最新进展使得伤口分析系统能够检测感兴趣区域（ROI）、进行组织分类和愈合状态估计[9],[10],[11],[12],[13],[14]。这些系统与物联网（IoT）相结合，构成了医疗物联网（IoMT）基础设施的基础，通过边缘设备实现远程数据收集、处理和临床决策支持[15],[16]。此外，基于图像的伤口监测解决方案结合了DL和IoMT，消除了对可穿戴传感器的依赖，从而大大提高了患者的舒适度和移动性。然而，在IoMT基础设施内部署基于DL的伤口监测系统面临重大挑战。大多数现有的DL模型计算成本较高，且专为高性能或云计算环境设计。这使得它们与通常用于IoMT部署的低功耗和资源受限的边缘设备不兼容[17],[18]。
此外，对于可能需要多个用户同时访问伤口评估服务的远程伤口监测应用来说，可扩展性和可靠性至关重要[19],[20]。单节点实例的架构容易出现延迟和故障[21]。此外，如果未考虑安全措施，通过公共网络传输的患者数据容易被未经授权的访问和修改。此外，应用程序的能效设计也非常重要，特别是对于持续运行的IoT设备而言，过度的CPU使用和热量应力可能导致硬件故障[22],[23]。最近的一些研究关注了IoMT中的安全通信、医疗数据异常检测以及边缘设备上的高效处理[24],[25],[26],[27]。这些研究强调了改进IoMT应用中的安全通信、可靠性和效率的重要性。
鉴于这些挑战，本研究提出了一个可扩展、安全且节能的IoMT边缘-云框架，用于近乎实时的慢性伤口监测。所提出的工作将一个轻量级的跨平台DL模型与可扩展的IoMT基础设施结合在一起进行部署。所使用的DL模型采用YOLOv8n进行伤口定位，然后使用支持ELU的紧凑型卷积视觉变换器（CCViT）进行组织分类。该DL模型具有高精度，并且训练参数数量较少，每秒浮点运算次数（FLOPS）也较低。与仅关注DL模型性能的最先进方法不同，这项工作主要考虑了IoMT部署的各个方面，包括安全的客户端-服务器通信、并发用户请求处理、会话持久性和能源优化。
伤口监测系统使用低成本边缘设备（Raspberry Pi）和近边缘设备PC进行部署，后者包含一个使用ip哈希算法的静态负载均衡服务器。这种负载均衡策略确保了对患者数据的并发、持久、高效和容错分析。通过安全的套接字层（SSL）/传输层安全（TLS）加密的超文本传输协议（HTTPS）连接来保证数据传输的安全性。此外，还采用了用户会话超时策略来减少CPU使用、功耗以及系统空闲时的热量应力。这种部署架构使得所提出的框架能够在现实世界的IoMT环境中可靠运行，同时处理多个用户请求，并且计算资源需求最低。
本工作的主要贡献总结如下：
- •
一个专为资源受限的边缘设备设计的轻量级、近乎实时的端到端IoMT伤口评估框架。
- •
CCViT中支持ELU的卷积层提高了组织分类的准确性，同时减少了过拟合。
- •
一个可扩展且容错的部署基础设施，使用基于ip哈希的静态负载均衡服务器来支持并发用户请求并保持会话持久性。
- •
采用SSL/TLS加密的HTTPS进行安全用户通信，以保护患者的敏感数据。
- •
通过用户会话超时策略实现节能系统设计，以减少功耗并降低IoT边缘设备的热量风险。
通过综合考虑DL模型的效率和IoT边缘设备的限制，本工作推进了远程伤口监测解决方案的部署，并为安全、可扩展和节能的IoMT医疗系统做出了贡献。
