文摘
互联网医疗(IoMT)使数字设备来收集,推断,健康数据通过云平台播出。IoMT的显著增长是受许多因素,包括衣物的广泛和不断增长的可用性和基于传感器技术的成本不断下降。有关医疗保健的成本将上升随着老年人的全球人口增长与整体寿命要求负担得起的医疗服务,解决方案,和发展。IoMT可能带来医学科学革命的老年人的医疗保健质量而纠结机器学习(ML)算法。智能医疗的有效性(自燃)模型来监测老人被IoMT数据集上执行测试观察。评价的精度,还记得,fscore,准确性,民国值计算。作者还比较的结果自燃模型与不同的传统流行毫升技术,例如,支持向量机(SVM),再(资讯),和决策树(DT),分析结果的有效性。
1。介绍
物联网(物联网)是一个系统的相关计算设备提供惟一标识符(uid)和通过网络传输数据的能力而不需要人与人之间或质量高交互。物联网的实际应用与医疗技术用于医疗设备是IoMT。物联网有助于转移医疗在医疗设备和应用程序的数据服务器进行远程分析。IoMT允许医务人员访问病人的远程医疗数据通过网络平台或任何移动应用程序实时处理病人的医疗问题,帮助他们避免任何未来严重的情况。这种技术相互连接的医疗设备允许病人监控他们的健康状况后,医生的治疗建议从事智能设备和应用程序在创建缓解医生了解病史的患者检查前通过实时数据的收集使用IoMT [1]。
简而言之,医疗加上IoMT提高了生活质量,给了优越的护理管理,可以更具成本效益的框架。IoMT,支持机制之间的传感器、通信模块,用户需要高效、安全地提供医疗服务。IoMT技术被认为是有助于加强医疗保健提供了自我保健和早期诊断功能使用远程监控系统。人们越来越忙碌,意识到自己的健康医疗创新进步。在这种情况下,远程治疗的需要比以往任何时候都要高。然而,现有的医疗系统需要技术改造病人护理病人通过提供实时信息和鼓励医生采取实用的治疗措施(2]。
卫生设施是无法访问或负担得起的,尽管有良好的基础设施和尖端技术。智能医疗(自燃)旨在帮助用户通过告知他们关于他们的医疗条件和让他们了解自己的健康。人体自燃允许人们处理自己特定的突发事件。自燃采用现代信息技术,如物联网、大数据、云计算和人工智能(AI),彻底改变当前医疗系统更加有效和方便的一个3]。
人体自燃促进医疗行业的所有利益相关者之间的相互作用。它可以确保用户得到他们需要的服务,协助当事人做出明智的决定和促进资源分布。自燃技术提高疾病诊断,病人治疗,和整体生活质量。自燃系统基于物联网和大数据可以联系供应商在不同患者医疗体系效率。人体自燃系统也越来越与不同的可穿戴设备用于通过互联网实时医疗监测。在自燃,穿戴式医疗设备(如血压监视器、葡萄糖测定仪、smartwatches,等等)结合物联网设备允许连续监测和治疗病人即使在家里。世界卫生组织(世卫组织)预测,到2050年,老年人的数量将上升到约15亿”(4]。大于60岁的老年人口(包括人)需要最重要的医疗保健需求。老年人更容易受到慢性疾病,因为减少免疫系统,需要定期的医疗设施和更多的住院治疗。
治疗老年人从一个水平到另一个时代。这些病人,另一方面,缺乏专门的高级保健设施。一个多方面的策略是至关重要的,以避免在老年人口的健康问题。一个很好的预防系统,包括常规医疗检查允许早期疾病检测和最佳的治疗。此外,老年人和他们的家人应该意识到潜在的疾病识别他们,尽快开始治疗(5]。
许多国家建造技术和通信网络更有效地帮助人们生活和简单。许多行业驱动技术的发展,改变人们的生活方式。相关的角度对技术和衰老之间的联系是技术转型和消费,强调老年人活跃用户和创造。智能家居(合成)、智能城市和移动应用是发展和创新的例子协助高级人口的福利通过通用设计。对于老年人,IoMT-enabled自燃是一个新兴解决方案提供恒定的和全面的监控,减少人类的护理工作,协助临床决策。而不是住院,老年人可以支持使用各种“智能”设备在自己家里(6]。SH的想法是可行的和具有成本效益的方法,提高非侵入性的治疗老年人,使更大的独立性,确保身体健康,和避免社会隔离。根据(7],SH解决方案被视为信息化技术,用户数据收集和传播与居民家庭成员和初级保健医生以被动的方式。SH解决方案也指使用基本和辅助工具来创建一个环境,许多房子功能是自动化和设备连接。她帮助老年人在家中。传感器和执行器集成到房地产基础设施跟踪居住者的身体信号,环境条件、日常行为模式和睡眠模式,等等。她也有一个角色在提高人们的生活质量。卫生和健康跟踪技术包括使用加速度计和传感器可穿戴活动追踪器。还包括non-wearable、嵌入式传感器活动监视器来跟踪日常活动。
紧急医疗服务(ems)是一个完整的系统,组织个人、设施和设备,为患者提供健康和安全服务意想不到的疾病或损伤的快速、有效、协调的方式。ems旨在提供及时的治疗患者的意外和致命的事故,以避免不必要的死亡或长期发病率。使用先进的信息和通讯技术,ems可以提供服务,解决老年人的需求(8]。
老年人有一个弱免疫系统需要日常检查维护自己的健康。为了这个目的,他们需要去医院或诊所,这是主要的问题,因为老年人面临的流动性问题(9]。人体自燃现象在这种情况下,可以为老年人提供设备通过持续的监控他们的健康没有去医院,帮助医学专家对病人健康做出有效的决定。尽管这种技术存在一些挑战,限制人体自燃现象的使用对老年人的健康监测。许多老年人不愿采用这种技术。
许多老年人不熟悉当前的技术(10),它的优点,以及如何使用小工具和应用程序。此外,许多人缺乏培训和技术援助,以及他们的能力利用和管理技术系统是一个让人担忧的。其他问题包括隐私问题、保护和可靠性。的成本和使用通信技术是至关重要的元素在扩大医疗机构为老年人应对技术挑战。设备设计和可用性是重要的需求,应优先使软件易于理解和使用。
ML,人工智能的应用程序,使系统能够自动从数据和决策都不需要人的帮助。毫升是让机器学习的研究和建立他们的程序,使它们更接近人类的行为和决定。毫升允许系统来提高他们从经验中没有显式地编程。它还使机器或软件分析,预测,海量数据排序。在未来做出更好的决策,学习过程开始于数据、指令,和观察。ML算法使用统计数据来识别模式的大量的数据,例如,数字,文字,图片,等毫升分为监督,无监督,semisupervised,强化毫升,使用不同类型的数据和产生特定的结果11]。
2。文献综述
许多研究已经完成名为IoMT的新兴技术。研究人员从不同的角度发表了许多论文,专注于特定的问题和挑战。
艾耶[12)提出了一个框架和协议有关一个IoT-based病人监护系统,建议病人的健康可以通过物联网监控设备和传感器连接到互联网。基于物联网的医疗护理系统(MNS)设计,使用不同的通信传输数据的方法,例如,传感器,无线保真(wi - fi),射频识别(RFID),蓝牙13]。在[14),作者提出了病人监护系统的帮助下,病人体重。提出了另一个IoT-based系统(15)监视和跟踪传感器的帮助自闭症患者通过收集从大脑的信号。
提出了一种基于物联网的新计划(16)将旧医院转化为智能医院,这将有助于在一个先进的方式管理信息。另一个设计使用物联网作为后端平台提出了在17)监测老年患者的健康方法的端到端医疗保健系统。一个印度研究员(18)模型提出了一个基于物联网的电子医疗单位使用射频识别技术和有经验的医疗体系霉菌素(一种基于ai系统识别细菌导致不同的感染)。
平托(19)在有氧运动信号提出了一种新颖的观点,提出了技术对心脏病人叫便宜的心律失常管理(iCarMa)将显示心脏病人的严重程度及其及时检测和诊断。研究进行了连续监测病人的健康使用一个精确的算法检测病人的事件,例如,计算步骤、静止、下降等。
一个迷人的想法呈现在20.非专业人士)是帮助了解疾病在机器人的帮助下。这个机器人可以与各种传感器在智能手机上提供更灵活的服务利用IoMT。强调它的使用在21),它将是非常有益的病人如果能早期预测重大疾病。可以借助物联网促进病人域的远程医疗系统。
Papageorgiou [22]提出的IoT-based生活帮助老年人。它跟踪并存储患者采用云腕带的关键细节。这个方案引发警报在紧急情况下帮助提醒病人的医疗专家采取适当的措施和决策。得福(23)提出了一个医疗监测系统提供紧急援助的病人通过评估他们的紧急情况根据他们的运动监测。
本文报告一个实际的密码系统安全的医学图像的传播在互联网医疗保健(IoHT)环境的东西。创建2 d三角图的动态利用各种著名的地图,如logistic-sine-cosine地图,进行实验研究。地图上有无数的解决方案,根据稳定性研究。地图的复杂动态演示了使用李雅普诺夫指数,分岔图和相图。一个强大的密码系统是使用地图的序列。首先,新开发的三角地图生成三个关键流结合图片机制(R, G, B)计算的汉明距离。输出距离向量,符合每个部分,然后用每个Bit-XORed临界流。随后打乱向量然后Bit-XORed(扩散)保存输出的早期阶段,最后,图像向量加入创建加密的图像。存储在系统中的数据必须被加密或匿名使用加密和数据匿名化技术(24]。
防干扰的隐写术包括有效的程序在移植之前加密图像或隐瞒消息。量子激发了异体控制替代量子行走(CAQWs)用于确定秘密的像素/隐藏在载体图像。设计采用我们的方法防止前或post-encryption承运人和秘密图像。同时,我们的设计可以缩短删除隐藏的材料因为只有隐藏图像,需要运行CAQWs主要条件。设计协议表现出了非凡的结果的安全性,良好的视觉质量,高阻数据丢失发作,较高的嵌入容量(25]。
在量子计算、量子算法是一种算法,量子计算的运行在一个现实的模型,最常用的模型的量子电路模型计算。量子走建立通用量子计算模型广泛用于密码学。本研究设计了一种新的加密设备保护隐私IoT-based医疗计划来保护病人的隐私。加密/解密过程是基于测量替代量子行走。仿真结果表明,图像加密协议是健康和保护病人的隐私保护组织良好(26]。提出了另一个医疗监测系统(27)基于轻量级sensor-enabled可穿戴设备。这些设备收集、分析和共享实时病人医疗信息。在这个模型中,数据收集使用的“样子可穿戴系统”的身体传感器网络。同时,“虚拟仪器”是与这个系统集成,允许远程病人监测。
在[28),提出物联网系统包括可行的可穿戴设备来收集病人的健康相关信息。它使用不同的ML-based分类方法,如“DT,逻辑回归(LR),和图书馆的支持向量机(LibSVM)”来预测疾病的发生。最后,利用“数学模型”为每个场景提出个性化的物联网解决方案。
Ghose用(29日)提出了ML算法使用朴素贝叶斯(NB)算法和支持向量机来检测和分析心脏疾病。预测冠心病,使用支持向量机和贝叶斯网络算法(30.,31日]。
各种毫升方法用于改善糖尿病疾病检查的准确性。作者建议使用NB的ML算法(32DT]和[33)来预测糖尿病疾病。Otoom [34)使用ML算法分类和回归树(CART)来帮助诊断糖尿病。
毫升的方法也被用来预测甲状腺疾病。SVM和DT是用作分类算法,与来自UCI数据集库。甲状腺疾病诊断提出了先进的方法(35使用模糊映射和数据挖掘算法。
无线身体传感器网络(WBSN)使物联网医疗解决方案提出了在36,37]。它使用一个无线身体网络组成的小型轻量的传感器节点跟踪病人。这个解决方案使用各种毫升技术来提高安全保护WBSN免受黑客的攻击。
3所示。有效性的比较IoMT-Enabled智能医疗模式
在本研究工作中,开发一个模型来监测老人的活动,在需要的时候提供自动化的援助。IoMT有监测老年人的重要作用。在这个模型中,一个人工神经网络(ANN)方法是用于监控老年人智能和高效。
图1人体自燃现象证明了IoMT-enabled模型,它取决于两个阶段:训练和验证。云是用于两个阶段之间的通信。训练阶段由三层:感知层,预处理层和应用程序层。感官层包含各种输入参数,得到人体的价值观,这些价值观通过IoMT存储在数据库中。接收到的数据通过IoMT可能保存缺失或嘈杂的数据。因此,他们被称为原始数据。下一层是预处理层。它是一个重要的层处理缺失值规范化移动平均和删除的数据。在这个过程中,预处理层的输出被发送到应用程序层。应用程序层进一步分为两层,即预测层和表现层。
在预测层,安是进一步利用预测疾病。它由三层命名为输入,隐藏层和输出层。反向传播算法涉及几个步骤:体重初始化、前馈、反馈误差传播,重量和偏见的更新。在隐藏层,每个神经元激活函数f(j)=乙状结肠(j)。
的乙状结肠函数输入和模型的隐层可以写成
所示输入取自输出层以下方程:
输出层的激活函数如下所示的方程
误差反向传播可以写成 在哪里代表和所需的输出是计算输出。
在方程(5),层是写成输出的重量变化的速率。
链式法则的方法是写如下:
体重改变的值可以找到插入的值方程(6),结果见以下方程: 在哪里 在哪里
输出和隐藏层方程所示(10)它们之间的重量和偏见的更新:
更新过程中重量和偏见在输入层和隐层之间所示以下方程: 在哪里的学习速率IoMT-enabled智能模型。模型的收敛性取决于谨慎的选择 。上面的方程是用于更新隐藏的重量和输入层。
预测层后,预测的输出层将被发送到性能层预测医疗问题基于精度和速度小姐是否学习条件满足。在“没有”,预测层将被更新,但在“是的,”输出的情况下将存储在云上的数据库。在验证阶段,输入将从输入层参数并送往感觉到安来确定是否发现医疗问题。在“没有”,这个过程会被丢弃,和对于“是的,”消息将显示医疗问题发现。
4所示。仿真结果
人体自燃现象提出了一种系统,可以使远程医疗咨询、老年管理和家庭护理在全球广泛的区域网络和异构平台。仿真结果的研究如下所述。
表1和2显示训练和验证准确性和错过率。ANN算法实现数据集的4848套的记录;此外,3393个样本(70%)和1455个样本(30%)用于训练和验证目的,分别。在绩效评估层,各种统计指标是用来衡量该系统性能见方程(12)。导出的参数由以下公式:
IoMT-enabled自燃模型估计预期的输出为负(−1)和积极的(1)。随之而来的负面价值的输出(−1)表明,找到健康问题,而积极的(1)表明你没有健康问题。
表1人体自燃现象显示IoMT-enabled模型监测老年人在训练阶段。tranining期间,积极的(健康)和1871 - 1522(不健康)样品使用。很明显观察到1422个样本正确预测在健康的情况下样本。,while 100 records are wrongly predicted as negative, implying that there is a healthcare issue. Similarly, a total of 1871 samples were picked, with negative indicating the presence of a healthcare issue. 1754 samples are correctly predicted as negative, indicating the presence of a healthcare issue. 117 samples are incorrectly predicted as positive, indicating the absence of a healthcare issue, although a healthcare issue exists.
表2显示模型的预测验证阶段期间的健康状况。利用验证期间,共有1455个样本中,686年是积极的(健康)和769是消极的(不健康)样品使用。发现626个样本包含真实准确地预测的优点,也没有发现医疗问题,而60记录错误地预测为负数,这意味着一个医疗问题是发现。同样,769样本选择,消极指示存在健康问题。710个样本准确预测为负,表明存在一个医疗问题。59个样本作为积极的正确预测,表明没有一个医疗问题,尽管医疗存在的问题。
表3显示了模型的准确性、敏感性,特异性,错过率和精确度在训练和验证阶段。模型在训练精度,敏感性,特异性,错过率,和精密的0.936,0.934,0.937,0.064,和0.924,分别。在验证过程中,模型精度,敏感性,特异性,错过率,和精密的0.918,0.912,0.923,0.082,和0.913,分别。
此外,具体统计模型的措施包括预测值在训练,例如,影响,LR +, LR−, NPV给的结果0.062,15.064,0.068,和0.946,在验证,他们是0.076,0.088,和0.922,分别。
根据表中所示的结果4,IoMT-enabled自燃模型比传统的更有效毫升像SVM基于分类方法,然而,DT虽然IoMT分析数据。
先前发表的比较方法,该模型监控老年人如表所示5。该模型实现0.936精度监测老年人的医疗保健的有效方法比以前的方法。
5。结论
研究负责克服老年护理服务的挑战。研究实现老年人医疗保健系统的需要。在本研究工作中,创新医疗服务为老年人进行比较的基础上,老人和照顾者的需求和挑战。满足老年人医疗保健的基本需求,研究人员用毫升技术获得更好的结果。后仿真结果,研究结论进行了总结:老年人医疗服务接口的IoMT验证时具有更高的精度,使精度、灵敏度、特异性、小姐,和精密的0.918,0.912,0.923,0.082,和0.913,分别。建议的方法的系统也许在将来会得到改善通过使用fusion-based机器学习方法和联合学习方法。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有利益冲突有关的出版。