ارائه یک مدل جدید برای سیستم پایش سلامت با استفاده از الگوریتم های هوش مصنوعی

مقدمه: پایش پیوسته بیماران نارسایی قلبی با استفاده از حسگرهای پوشیدنی متصل به اینترنت اشیا می تواند تشخیص به موقع را افزایش دهد؛ اما نامتوازن بودن داده های بالینی و تنظیم ناقص مدل ها مانع عملکرد عملی می شود. در این مقاله یک مدل نوین و کارآمد برای سیستم پایش سلامت بیماران مبتلابه نارسایی قلبی پیشنهاد شد که از یک شبکه عصبی کانولوشن عمیق تطبیقی با وز ن های بهینه شده توسط الگوریتم گرگ خاکستری اصلاح شده ( LF-GWO) همراه با SMOTE جهت متعادل سازی کلاس ها بهره میبرد تا تشخیص و پیش بینی خطر نارسایی قلبی را بهبود بخشد. مواد و روش ها: روش پیشنهادی شامل چهار فاز؛ کسب داده از حسگرهای پوشیدنی، پیش پردازش لبه/ابر، استخراج ویژگی و طبقه بندی با ADCNN+LF-GWO و تولید هشدار است. آزمایش ها با مجموعه داده Heart-Failure Clinical Records از مخزن UCI شامل داده های بالینی ۲۹۹ بیمار با ۱۳ ویژگی فیزیولوژیکی انجام شد و معیارهای سنجش شامل؛ دقت، دقت مثبت، حساسیت و ماتریس اغتشاش بودند. یافته ها: نتایج نشان داد که مدل پیشنهادی در ارزیابی روی مجموعه آزمایش عملکرد بالایی دارد و دقت کلی (%۹۲.۰۸) و حساسیت در برخی آزمایش ها تا حدود ۹۷ % گزارش شده است. تحلیل ماتریس اغتشاش روی ۷۵ نمونه آزمون، ۶۹ پیش بینی صحیح را نشان داد. لازم به ذکر است که در یک تکرار گزارش شده، پیک دقت (%۹۹/۶) مشاهده شد که احتمالا نشان دهنده بیش برازش یا عدم پایداری نتایج در آن تکرار خاص است. نتیجه گیری: ترکیب ADCNN با LF-GWO و SMOTE عملکرد پیش بینی را در مجموعه داده مورد بررسی بهبود میبخشد و نسبت به برخی روش های پایه ای ML حساسیت بالاتری نشان می دهد.

کلیدواژه ها:

Monitoring ، Health ، Heart Failure ، Algorithms ، Artificial intelligent (AI) ، Internet of Things (IOT). ، پایش ، سلامت ، نارسایی قلبی ، الگوریتم ، هوش مصنوعی ، اینترنت اشیا.