文摘

最近,物联网(物联网)和云计算环境成为普遍采用在几个医疗应用程序的集成监控诸如传感器和医疗设备远程病人观察。改善医疗保健服务的主张,所产生的巨大数量的数据来自药用领域的物联网产品可以调查CC环境而不是依靠有限的处理和存储资源。同时,慢性肾脏疾病(CKD)的早期识别变得显著降低死亡率的关键。本研究发展一个基于深度学习的临床决策支持系统(EDL-CDSS)慢性肾病诊断在物联网环境中。EDL-CDSS技术的目标检测和分类的不同阶段CKD使用医疗物联网设备采集的数据和基准库。此外,EDL-CDSS技术涉及的设计自适应合成(ADASYN)技术孤立点检测的过程。此外,合奏的三种模式,即深度信念网(DBN),内核极端学习机(凯尔姆经常),和卷积神经网络与封闭的复发性单位(CNN-GRU)。最后,quasi-oppositional蝴蝶优化算法(QOBOA)用于hyperparameter DBN的调优和CNN-GRU模型。广泛的模拟和研究结果进行了不同的措施。简要分析结果突出显示的霸权EDL-CDSS技术在退出方法。

1。介绍

物联网(物联网)的目标是互连和开发计算机网络的连接情况。而不是利用手机之类的高能源消耗,标签,和机器1),目前,一些对象像房间空调和新鲜单位由单片机计算利用传感装置,并提供实验结果几乎嵌入到常规设备。物联网与云计算集成(CC)方法是非常有益的,而开发应用程序。监测技术可以将云计算和物联网监控开发的感染者即使它们距离高度受雇于医学考试(2]。一般来说,物联网技术继续使用云平台增强效果在数据存储方面,编程能力,计算和有效地利用资源。云计算(CC)系统,达到卓越的经验从物联网通过扩展范围动态实时管理和提供不同的服务。集成的云平台和物联网服务更高的效率相比其他基于云的方法。一些地区这种公司雇佣军队,好客,银行业和家用电器。在不同的应用程序之间、医疗保健和药用的刺激的研究帮助快速增长在药用和传感设备(3]。

CC旨在利用物联网设备传输病人数据(结构化的、结构化和半结构式医疗信息)在云平台上配置大数据的患者(4]。因此,CC技术在医疗服务帮助利益相关者管理病人的医疗记录,获取大数据的患者,应用疾病预测、远程医疗等。5]。最近,整个世界将面临困难的公共卫生问题的慢性疾病,如慢性肾病,随后增加医疗成本(6]。基于威胁和慢性肾病治疗的成本的增加,特别是在发展中国家,CKD早些时候预测成为一个主要的挑战在这个国家保健中心和医生。目前,网络技术和生物医学传感器提供了一个广泛的领域的发展物联网(7),作为一个计划的智能医疗设备具有独特的标识符可以沟通和连接接收和发送基本医疗多媒体数据检测早些时候在严重的情况下,例如,威胁着慢性疾病如慢性肾病(8]。

有效和准确的重读病人的医疗状态,每个基本卫生保健服务参数和物联网传感器收集的数据可以通过ML方法分析预测模型中证明是一种有效的解决方案在早些时候医学检测。数据挖掘分类方法等方法有效的工具被广泛应用于异常检测和疾病预测在广泛研究作为一种有效的方法9]。基于利用当前物联网设备的发展和生物医学传感器,介绍了几个健康跟踪和智能医疗计划(10]。大多数情况下,本研究旨在早期检测的一些慢性疾病,包括糖尿病,心脏病和慢性肾病,有几个因素影响慢性疾病已经被使用。但是,考虑每个预测疾病所需的基本特点,性能预测方法,执行时间仍然是一个挑战(11]。

本研究提出了一个基于深度学习的临床决策支持系统(EDL-CDSS)慢性肾病诊断在物联网环境中。EDL-CDSS技术涉及的设计自适应合成(ADASYN)技术孤立点检测的过程。此外,一个等三种模式的深层信念网络(DBN),内核极端学习机(凯尔姆经常),和卷积神经网络与封闭的复发性单位(CNN-GRU)发生。此外,quasi-oppositional蝴蝶优化算法(QOBOA)用于hyperparameter DBN的调优和CNN-GRU模型。检查提高CKD EDL-CDSS技术的检测结果,一个广泛的实验分析。

2。文献综述

本节提供了一个简短的调查最近开发的CKD分类模型。Arulanthu和Perumal12)提出了一个最佳的基于云计算和物联网的DSS CKD检测。提出技术利用基于SA RMSProp FS方法优化器LR方法命名SA-RMSPO-LR从医疗信息分类CKD的存在。努尔et al。13)引入了一个初级保健方案治疗慢性肾脏疾病/ CKD患者物联网的概念,包括食物的营养主要关注的盐摄入量水平,病人记录,活动水平,水的摄入量,监测睡眠模式等提供必要的改进需要医疗的进步状态。

Arulanthu和Perumal14]介绍了一个在线医学决策支持系统(OMDSS)预测慢性肾病。该算法包括一组阶段,即。,classification, data gathering, and preprocessing of healthcare information for CKD prediction. Additionally, the parameters of adaptive learning rate optimization, LR, and Adaptive Moment Estimation (Adam) methods were employed. Bhaskar and Manikandan [15)提出了一种新颖的CKD的自动诊断的传感方法。唾液尿素浓度检测观察到疾病。提出了一种新的传感方法监测尿素阶段的唾液样本。此外,分析了原始信号从传感器获得,他们执行1 d-dl-cnn方法集成的一个支持向量机分类。作为礼尚往来et al。16CKD)设计了一种混合智能方法预测基于cloud-IoT利用NN和LR 2智能技术。神经网络用于预测慢性肾病。LR是用于确定关键因素,慢性肾病的影响。

马等。17)提出了一种异构修改人工神经网络(HMANN)早些时候分割、诊断和检测IoMT CKD失败的环境。此外,该方法作为SVM分类和简要BP方法。在Hosseinzadeh et al。18),慢性肾病的诊断预测方法及其严重性提出雇佣了物联网多媒体数据集。因为CKD非常大影响因素和物联网多媒体信息的数量一般大,选择不同的功能根据医生的医疗经验和观察以及早期慢性肾病的研究各种类型的多媒体数据集执行评估CKD预测的性能指标及其测定水平通过不同的分类方法。

3所示。该模型

的常见结构方法已经显示在图1。方法中的主要成分是CKD基准数据集,物联网设备嵌入到病人,病人的医疗记录,云数据库服务器(CDS),安全系统,数据采集模块,疾病预测模块和慢性肾病的诊断。可穿戴物联网医疗设备被认为是物联网设备,位于人的身体。CKD从UCI数据集标准库使用。病人的医疗数据集包含前信息收集从诊所的细节。这个数据集存储在cd。安全系统追溯数据采集的信息模型。这些信息将存储在一个私人的方式通过使用不同的格式转换阶段,信息检索,数据集成。安全信息将存储在cd和它将在需要时进行检索。疾病预测模块和慢性肾病诊断采用合奏DL CKD的检测分类器。 In the training stage, the medical information from the CKD dataset and patient healthcare records are utilized for training the EDL-CDSS technique.


图1
EDL-CDSS技术的整体过程。
3.1。数据采集

提出的体系结构有3种不同的类型的信息。在此阶段,病人的医疗信息收集通过使用可穿戴传感器节点工作的物联网设备。可穿戴设备位于病人的身体经常收集某些病人的病历数据在一个特定的时期内。一般来说,人体的物联网设备检查每个感觉到医疗信息要么是很正常的。方法采用4 g移动网络将感觉到医疗信息传输到cd。此外,CKD来自UCI数据集的存储库是申请映射创建的实际数据使用物联网设备。此外,病人的医疗细节申请映射使用个别病人信息创建的真实信息。

3.2。数据预处理

提供有效的数据挖掘效率和最低成本的过程,数据的质量是最优的。缺失值从数据库中已经充满了整个CKD的数据集。在一些情况下,如果连续特性存在,这些技术构建离散特征都是同步的。有任何噪音和缺失值的样本。为了提高药用的性能信息,一种新颖的数据预处理。

3.3。ADASYN基于孤立点检测的

在这项研究中,ADASYN用于删除离群值,击杀的延伸。ADASYN被发现是有用的在医疗成像应用中检测早产,视网膜健康诊断,肝脏局灶性病变的诊断。即使ADASYN依赖击杀,borderline-SMOTE相比,ADASYN生成不同的合成少数类实例基于边缘的分布和样本。除此之外,击杀为所有少数实例提供了平等机会当选而ADASYN选择过程是根据少数类分布。生成的合成实例根据大多数最近的邻国通过资讯的过程。方法采用加权传播不同的少数类样本按的复杂性水平培训(19]。它生成附加的合成实例为少数类样本艰苦的训练相比,这些情况下容易训练。类的方法提升者通过评估水平不平衡。然后,它评估合成实例的数量需要为少数类生成通过检测资讯在n维空间按照欧氏距离。根据密度分布的比例,估计所需的合成数据实例的技术为少数类生成。

3.4。系综分类

在这个阶段,离群值删除数据被送入系综分类模型,它包括三种模式,即凯尔姆经常,DBN, CNN-GRU。这三个特征向量可以定义如下:

此外,派生特征被组合到一个向量,使用以下方程: 在哪里 代表融合向量 。

3.4.1。凯尔姆经常模型

榆树的输出函数的一个输出节点 在哪里 表示输出权向量。 表明i个隐层的输出,以及节点变量,任意创建。 代表隐藏层的输出向量的输入。之后可以由内核函数

榆树分类器的输出函数表达 在这 代表单位矩阵, 表示归一化系数, 意味着训练集标签(20.]。使用这个模型之后,我们并不想知道某些形式的特征映射 但利用核函数合成计算。因此,任意产生偏见和权重是逃避,没有必要设置隐藏层的数量 。

3.4.2。DBN模型

辛顿在2006年发展以来,DBN部署由堆叠遏制。首先,网络使用对比差异(CD)方法堆叠遏制非监督训练,后来应用BP方法调整节点参数在整个DBN网络。主要包括微调和pretraining DBN培训。pretraining阶段使用的所有层元来实现无监督培训未标记示例数据,同时适用于CD方法对于遏制所有层的调优参数。后来,pretraining DBN估计所有层的网络错误使用BP方法和调整参数的所有层利用BP方法,实现全球微调整个DBN网络的节点的重量。无向图的方法包括隐藏层和视觉层。所有的层都有多个节点。疟疾是一种基于能量的方法,能量函数可以确定隐层 和可见的层 : 在哪里 代表的偏见我神经元可见图层 显示的偏差jth神经元隐层; 意味着遏制方法的参数; 显示隐藏层之间的连接权重 和可见的层 ; 表示隐藏层和 的可见层。

其中, 代表了标准化因素如下:

一旦 国家对可见神经元层(提供21),j神经元的概率 从隐藏层开始(1)的概率

一旦 隐层神经元的状态,的概率我th神经元 从可见层已开始(1)的概率是多少 在这, 代表激活函数,而 在0和1的范围。

3.4.3。CNN-GRU模型

CNN是一个多层神经网络,是由多个池,完全连接,和卷积层,池和卷积层。此外,FC层用于分类的CKD提取特征映射。所有层输入相互连接前一层的输出,和输出传递给下面层。网络的参数是由BP训练和共享技术。LSTM包含更新输入,和忘记盖茨。同时,格勒乌简单相比LSTM因为它只有2门,更新和复位。这门是用于确定数据是否有益。在格勒乌, ,和 意味着更新,重启门,和候选人数据,相应。除了完全与神经元前隐藏神经元 ,从格勒乌隐藏层神经元为每个神经元FC在当前时刻隐藏层 。的 隐层输出计算如下: 在哪里 代表一个更新门, 内存数据表明候选人。此外, 由方程(12)控制多少数据前和现在的内存会被添加/遗忘。

候选数据值 估计是 在这 由方程(15)是格勒乌重置门口,有效复位内存中的数据(22]。

乙状结肠和 代表激活函数如下:

CNN-FC层相比,估计格勒乌由历史数据的状态,其中神经元在时间的值 可以在前面所描述的信息层在时间吗 ,它被定义为信息存储在格勒乌细胞在时间tl(方程(11))。

格勒乌网络取代CNN-FC层分类过程转换为连续的任务,所有的特征图的分类结果中包含以下特性映射分类在CNN的类似的隐层提高检测精度。提出CNN-GRU框架被显示在图2。在CNN-GRU体系结构中,池、原始CNN输入,和卷积层参数与尺寸没有改变来实现特征提取。所有的输出特征图 卷积计算了层 在这 代表了我在整个特征图谱特征图 的 前一层, 代表了 内核层。在的位置的值 卷积的过程中确定 在哪里 表示卷积核宽度。在汇聚层,所有地图的输出特性值的位置 估计利用平均池技术如下,在吗 表示 特征的地图 卷积层, 表示内核池宽度:


图2
CNN-GRU模型的框架。

接下来,每个特性的所有特征图在最后CNN池层是相互联系各自的格勒乌法。这意味着有整体十二格勒乌网络,和所有的格勒乌网络集3层,包括一个输出神经元的十层,一个输入神经元的25层,和一个隐藏的五十层的神经元。最后,格勒乌输出被激活使用softmax函数确定方程(19CKD)来分类。在测试阶段,每个格勒乌输出选择寻找最终的检测结果。

3.5。基于QOBOA Hyperparameter优化

优化调整hyperparameter参与DBN和CNN-GRU模型,QOBOA利用,从而促进整个CKD的分类性能。美国银行(23)是一个基于人口自然模拟优化方法,根据食物的狩猎系统的蝴蝶。一旦蝴蝶从一个地方移动到另一个,它会释放一种香味与强度,即。距离、转让。其他的蝴蝶能找到这个香味,被吸引到它香味的强度水平。一旦蝴蝶蝴蝶感觉最佳的香味开始走向它。这个过程称为本地搜索。它产生香味强度一旦它开始移动。另一个蝴蝶是按其水平的香味所吸引。它可以由 在哪里 代表一个传感器模式, 表明香味水平, 表示程度的香味吸收。2流程给出了以下的主要阶段。每只蝴蝶释放香味一旦它开始移动,另一只蝴蝶吸引按其香气强度水平。这个过程描述如下:

而 表示一个向量表示蝴蝶(解决方案)迭代 代表了最优解, 显示了一个任意值 ,和 代表一个香 蝴蝶。一旦蝴蝶无法找到另一个蝴蝶的香水,它可以任意移动搜索空间。描述的过程如下:

的方程, 显示2向量显示两个不同的蝴蝶在类似的人口。一个 交换概率在美国银行利用交换从通用全球搜索强化本地搜索。

为提高基于最优解的效率模型和收敛的概念基础学习提出了反对美国银行(24]。一个变量准候选人的相对价值的解决方案是随机参数的镜像点和搜索空间的中点。它可以表现在以下方程:

在这里, 表示 维度的 候选解决方案; 表示的最小和最大价值 和 代表quasi-opposite的价值 。

4所示。结果与讨论

EDL-CDSS技术模拟使用Python 3.6.5工具和结果检查使用基准CKD的数据集,这是公开可用https://archive.ics.uci.edu/ml/datasets/chronic_kidney_disease。数据集包括400个样本25属性。可用的样本中,250个样本属于CKD一类的剩余150个样本受到Not-CKD类别。参与CKD的特性数据集在图3。


图3
数据集属性参与慢性肾病。

图4显示的混淆矩阵测试CKD EDL-CDSS技术获得的数据在五分。结果表明,EDL-CDSS技术分类正确CKD和Not-CKD实例。例如,1,EDL-CDSS技术已发现240例成CKD和241实例Not-CKD实例。同时,使用2,EDL-CDSS方式已经确定在Not-CKD 244实例为CKD和240实例。最终,跑3,EDL-CDSS方法已经确定了244个实例为CKD和在Not-CKD 238实例。此外,随着跑步4,EDL-CDSS系统已发现242例成CKD和241实例Not-CKD实例。此外,运行5个,EDL-CDSS方式已经确定240年进入CKD和243实例Not-CKD实例。


图4
混淆矩阵分析EDL-CDSS技术具有不同的运行。

表1提供整体CKD EDL-CDSS技术五岁以下的分类性能。图5展示了 和 5岁以下分析EDL-CDSS技术测试运行。这个数字报道,EDL-CDSS技术获得的值增加 和 。例如,1,EDL-CDSS技术已经达到 和 分别为0.9600和0.9718。此外,运行3,EDL-CDSS技术导致了 和 分别为0.9760和0.9597。最后,运行5个,EDL-CDSS技术所取得的成就 和 分别为0.9600和0.9797。

表1
结果分析EDL-CDSS技术与五分不同的措施。

图5
敏感性和特异性分析EDL-CDSS与不同的运行方法。

图6决定了 和卡巴分析五岁以下EDL-CDSS系统的测试运行。图表示,EDL-CDSS方法已经达到了改进的值 和卡巴。例如,1,EDL-CDSS技术了 相应地和卡巴0.9658和0.9545。同时,跑3,EDL-CDSS系统导致了 和 相应的0.9683和0.9568。最后,运行5个,EDL-CDSS方法所取得的成就 和k分别为0.9697和0.9600。


图6
f值和kappa EDL-CDSS分析方法不同。

图7检查 分析EDL-CDSS技术的测试数据集。结果表明,EDL-CDSS技术取得了提高CKD和最大的分类性能 0.9659,0.9719,0.9679,0.9699,和0.9699五岁以下测试运行,分别。


图7
与不同的运行EDL-CDSS方法的精度分析。

中华民国EDL-CDSS分析技术在测试数据集显示在图8。图显然表明EDL-CDSS方式有能力完成增加分类性能最大中华民国为99.7260。


图8
中华民国EDL-CDSS方法的分析。

图9描述了EDL-CDSS方法的精度分析测试数据集。结果显示EDL-CDSS算法完成了改进的性能,增加培训和验证的准确性。它可以注意到EDL-CDSS技术已达到增加验证准确性的训练精度。


图9
EDL-CDSS方法的精度图分析。

图10展示EDL-CDSS损失分析的方法对测试数据集。EDL-CDSS系统建立的结果导致了熟练使用最低的培训和验证结果的损失。它可以表示EDL-CDSS系统验证低损失提供了许多培训损失。


图10
损失EDL-CDSS图分析方法。

最后,详细比较结果分析EDL-CDSS方式与最近发生在表的方法2(25]。一个简单的比较 和 分析EDL-CDSS方法与现有的图提供11。图报道,DT模型取得了至少与性能 和 0.9060和0.8944。随着,延时系统已达到稍微增强的结果 和 0.9251和0.9305。符合,ACO, FNC凯尔姆经常,CNN-GRU和D-ACO模型得到适度加强CKD分类性能接近的值 和 。尽管DBN模型产生了接近最优的结果 和 0.9618和0.9686,提出EDL-CDSS方法描述的其他方法优越 和 0.9680和0.9702。

表2
比较分析各种分类器对CKD的数据集。

图11
EDL-CDSS技术与现有方法的比较分析。

一个详细的比较 和 分析EDL-CDSS算法与现有的图12。这个数字表示,ACO方法达到性能下降了 和 0.8778和0.9073。此外,DT技术成果有所增加了 和 0.9026和0.9241。FNC,同样,延时,D-ACO凯尔姆经常,CNN-GRU方法已经达到中度CKD密切值的分类性能 和 。但DBN技术导致了接近最优的结果 和 0.9643和0.9651;预计EDL-CDSS系统有较高的其他方法 和 0.9691和0.9692。


图12
准确性和f值EDL-CDSS技术与现有的分析方法。

在检查上面提到的表和数据,它可以确保EDL-CDSS方法有过硬的能力检测CKD在物联网环境下的存在。增强模型的性能是由于夹杂物系综分类和基于QOBOA hyperparameter调优。

5。结论

在这项研究中,一种新型EDL-CDSS CKD检测和分类的方法是派生的物联网云环境中启用。拟议中的EDL-CDSS技术包含不同的操作阶段,即数据采集预处理、基于ADASYN异常值检测、系综分类,基于QOBOA hyperparameter调优。分类过程,凯尔姆经常DBN, CNN-GRU模型的hyperparameters DBN和CNN-GRU模型被使用QOBOA经过调优。检查提高CKD EDL-CDSS方法的检测结果,大量的模拟实现,研究结果对各种措施。详细的比较结果分析强调了霸权的EDL-CDSS方式现有的方法。因此,提出EDL-CDSS技术可以利用慢性肾病的诊断是一种有效的工具。在未来,该模型可用于检测其他疾病如心脏病、糖尿病等。

数据可用性

本文使用的数据集是公开通过以下链接:https://archive.ics.uci.edu/ml/datasets/chronic_kidney_disease。

伦理批准

这篇文章不包含任何研究与人类参与者由作者。

不适用。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

手稿是通过贡献的作者写的。所有的作者都批准的最终版本的手稿。

确认

这个项目是由院长以来科研(域),阿卜杜拉国王大学,吉达,沙特阿拉伯,在批准号凯普-博士- 48 - 130 - 38。作者因此域的技术和财政支持,谢谢。