توسعه مدل پیش بینی حمله قلبی در بستر محاسبات مه

مقدمه: مطالعات مختلف مزایای استفاده از محاسبات توزیع شده مه برای شبکه های اینترنت اشیاء را به اثبات رسانده اند؛ زیرا قابلیت های رایانش ابری همچون محاسبات، ذخیره سازی و پردازش را به گره های اینترنت اشیاء نزدیک تر کرده است. الگوی جدید محاسبات مه و محاسبات لبه با نزدیک کردن منابع به کاربران در مقایسه با محاسبات ابری، تاخیر کمتری برای پردازش داده ها ارائه داده است که این امر برای کاربردهای حساس به تاخیر همچون حوزه مراقبت سلامت از راه دور ضروری است و ارائه خدمات قابل اعتماد تر را فراهم می کند. در این پژوهش جهت پایش وضعیت بیماران قلبی یک سیستم مبتنی بر مه ارائه شده است. روش: این پژوهش از نوع توسعه ای- کاربردی است. به منظور ارزیابی ، از مجموعه داده بیماران عروق کرونر قلبی موجود در مخزن داده یادگیری ماشین دانشگاه ارواین استفاده شد. در این سیستم، هر یک از علامت های بیمار قلبی بر اساس محدوده نرمال در لایه مه ارزیابی و وخامت حال بیمار بررسی می گردد. در این لایه، تقاضاها بر اساس تعداد علائمی که خارج از محدوده نرمال هستند، اولویت بندی می شوند. کارایی سیستم پیشنهادی از نظر مصرف پهنای باند، تاخیر و زمان پاسخ مورد ارزیابی قرار گرفت. نتایج: سیستم ارائه شده در این پژوهش منجر به بهبود پهنای باند به میزان ۲۳/۷۷%، کاهش زمان تاخیر به میزان ۲۳/۷۱% و بهبود زمان پاسخ به میزان ۳۲/۹۵%  گردید. نتیجه گیری: بهره گیری از صف اولویت به منظور اولویت بندی تقاضاها در لایه مه، زمان پاسخ دهی به درخواست های اورژانسی را کاهش می دهد.

کلیدواژه ها:

Fog Computing ، Internet of Things (IoT) ، Telemonitoring ، Cloud Computing ، محاسبات مه ، اینترنت اشیاء ، نظارت از راه دور ، محاسبات ابری