یک سیستم نظارت و تشخیص مراقبت های بهداشتی بر اساس اینترنت اشیاء و محاسبات مه با رویکرد یادگیری عمیق و الگوریتم بهینه سازی محاسبات ریاضی

امروزه تعداد زیادی از مرگ و میرها ناشی از بیماریهای قلبی و سکته قلبی است. تشخیص به موقع بیماری های قلبی و پیشبینی وقوع سکته قلبی می تواند آمار مرگ و میر ناشی از این بیماری را کاهش دهد. اینترنت اشیاء پزشکی در چند سال اخیر ارایه شدهاست و به کمک اینترنت اشیاء و فناوری های تحلیل داده ها میتواند جان افراد را نجات دهد. یک روش کار آمد برای پیش بینی وقوعسکته قلبی آن است که یک روش یادگیری ماشین یا یادگیری عمیق برای پیش بینی در لایه مه استقرار شود. برای کاهش دادنخطای پیش بینی در لایه مه و کاهش تاخیر محاسبات می توان از انتخاب ویژگی استفاده نمود. در این مقاله یک سیستم پیش بینیبیماری قلبی در لایه مه با یادگیری عمیق ارایه می شود. در روش پیشنهادی در ابتدا داده ها توسط روش SMOTE در لایه مهمتعادلسازی میشوند و سپس با الگوریتم انتخاب ویژگی AOA ویژگی های مهم داده های بیماران قلبی انتخاب می شود. داده هایانتخاب شده سپس به عنوان ورودی LSTM در نظر گرفته می شود تا یک مدل پیش بینی برای تشخیص بیماری قلبی ارایه گردد.روش پیشنهادی در مجموعه داده UCI پیاده سازی و تحلیل شده است. آزمایشات نشان داد که اگر متعادلسازی و انتخاب ویژگیهمزمان اجراء شود آنگاه دقت، حساسیت و صحت روش پیشنهادی به ترتیب برابر ۹۸.۶۴ ،% ۹۸.۵۷ % و ۹۸.۳۲ % است. آزمایشاتنشان میدهد روش پیشنهادی از الگوریتم های GWO ، WOA ، HHO و JSO در فاز انتخاب ویژگی موفق تر است. روشپیشنهادی در تشخیص و پیش بینی بیماری قلبی از روشهای یادگیری عمیق نظیر LSTM ، DNN و CNN دقت بیشتری دارد.

کلیدواژه ها:

اینترنت اشیاء ، مه محاسباتی ، بیماری قلبی ، یادگیری عمیق ، انتخاب ویژگی ، الگوریتم AOA