文摘
随着技术的兴起和发展,早期发现和参与health-associated监控通过控制增长与人口老龄化。健康生活的扩张预期逐步重要是因为世界人口的迅速老化。病人需要和以家庭为基础的治疗早期检测和预防疾病在时间和更少的努力。家庭健康监视一直被视为一个智能家居的需要。健康监测的服务可以促进病人通过收集和分析数据的健康卫生应对各种复杂的问题。健康监测是一个可持续发展的临床试验,以确保健康监测根据定义的协议和标准操作程序。可以考虑各种场景监控执行健康和该领域的专家。医疗系统正在大规模基础设施的电子设备,医疗信息系统、便携式智能设备,医疗记录,手持设备。增长的医疗基础设施,结合计算方法的发展医疗、已授权的从业人员和研究人员设计一个新颖的解决方案创新的光谱。现有文献的详细报告的深度学习和转移学习是现代医疗的迫切需要和促进。 To overcome these limitations, therefore, the proposed study presents a comprehensive review of the existing approaches, techniques, and methods associated with deep learning and transfer learning for health monitoring. This review will help researchers to formulate new ideas for facilitating healthcare based on the existing evidence.
1。介绍
技术曾经发挥了重要作用在医疗保健和提供设施的数字化转化。医疗电子设备的系统有巨大的基础设施、医疗信息系统、便携式智能设备,医疗记录,手持设备。增长的医疗基础设施,结合计算方法的发展在医疗、已授权的实践者和研究者设计新颖的解决方案创新的频谱。这项研究旨在确定关键因素影响个人的意图采用可穿戴设备在医疗保健1]。最近的研究提出了一个详细的概述现有文献对促进工业物联网的健康(2]。系统的文献综述报告研究的帮助下移动计算在医疗保健3]。研究报告文学和提出了一个系统的文献回顾医疗大数据管理、分析和科学编程。报告已经确定127给定的研究相关的文章,2015年至2019年(4]。病人的数据和信息都储存在一个一致的模式,当然存储、访问和检索相关的重要信息。智能IoT-based应用,如电子医疗报告生成器,可穿戴设备和智能手机医疗系统改变了传统的系统数字化医疗的医疗保健系统。医疗的进步使得绝对有可能上升为临床医师查看和监控病人的疾病,可以为他们提供简单而有效的治疗方法包括在偏远地区。移动健康(移动医疗)过程有自己的观点,包括可怕的临床管理和一致出来许多机会来表达非常的有才干的行业专家。
帮助减少资产预订问题,移动医疗程序需要技术,如5克、触觉,互联网,和人工智能(AI)。自动化远程医疗的创新调查取决于5 g触觉互联网就像人工智能。远程医疗面临的困难和问题,因此,一个fog-assisted直观的模型介绍了远程医疗的帮助和最小化不活动经验丰富,从而将协助fog-assisted智能模型和减少懒惰的周期5]。通过各种传感器检测活动和分类模式集成作为革新的技术自主和实时行为分析、监测、日常生活的活动,环境辅助生活,康复、老年保健、智能家居监控,和娱乐。智能手机、可穿戴设备和周围环境设备集成智能传感器的变化如磁强计、心率、加速计、压力和可穿戴相机检测和监测活动(6]。这些传感器预处理,各种特性集像频域、时间域和小波变换提取,通过机器学习算法转化为人类活动的监控和分类。深度学习的应用提出了自动功能描述为减少依赖手工的复杂性特性和提高性能的准确性。
现代医疗主要取决于使用的人工智能,如深度学习和数据的科学,是该领域的研究进展。的支持下这些早期检测、分析、管理和显示。物联网等智能设备的使用,边缘设备,无人机,机器人,摄像头,智能医疗设备是有用的在大流行性流感的情况7]。转移学习领域适应问题提出了一个新的解决方案通过促进地图功能和标签结构分布(8,9]。
现有的研究在该领域需要一个详细的报告当前文学的深度学习和转移学习促进现代医疗保健。为了克服这些限制,因此,该研究旨在提供一个广泛的审查现有的技术,方法和方法与深度学习和转移学习健康监测。本文将受益人员表达小说概念简化医疗基于现有证据。
本文给出的组织如下:部分2代表了文学研究的相关研究。部分3讨论了雾computing-based物联网健康监测。深度学习和转移学习方法健康监测方法简要给出部分4。部分5讨论了DL和TL健康监测分析。部分6总结了纸。
2。文学研究
几个现有的方法分析、监视和管理医疗的人类活动。这些方法从不同的角度提供解决方案。库雷希et al。10)提出了一个系统的文献综述描述综合文学环境支持生活解决方案和艾滋病了解环境支持激励并帮助心脏病患者生活在自我管理减少相关的死亡率和发病率。研究分为四个关键主题,如自我监控、可穿戴系统,临床管理系统、环境支持老年人口的生活,和深度上优于系统诊断心脏疾病。Motwani et al。11)最初提出了一个广泛的调查在无处不在的网络和系统的智能医疗监测患者的生活方式疾病和慢性疾病。提出了一个聪明的病人监控的方法和建议作为一个新的框架基于云计算分析和深度学习。一个案例研究,提出了在不平衡数据集聚集在障碍患者慢性血压,观察病人状态。研究显示方法基于实验结果的有效性。姚明et al。(12]介绍了深度学习在医疗中的应用。七个领域深度学习的专注。这些区域心电描记法、电子健康记录、社区医疗、脑电图,基因组学分析和药物分析,从可穿戴设备和数据。现有研究的优点和缺点进行了分析,并研究的挑战和未来趋势进行了讨论。Ainapure et al。13]提出了基于深度学习crossmachine健康鉴定方法为工业真空泵,它还获得了更多的意义在工业和在研究中没有得到更多的关注。这项研究是通过一个真实的数据集真空泵,结果显示是有前途的。赵et al。14)提出了一个全面审查的综合研究工作的深度学习机械健康监测。各种观点被认为是在审查过程中如autoencoder及其变种,CNN和复发性神经网络,限制玻耳兹曼机,和它的变体。绩效评估,进行实验研究。这项研究还讨论了DL-based机械健康监测的方法。
根据Hariharan和拉库马15),我们相信健康数据准备访问大量的信息收集可用的web设计使用医疗服务行业和500亿(物联网)设备使用过程中专家和周期;医疗服务行业开发了一种以技术为中心的人机结合的创新和医疗服务。这刺激一个精明的临床设备的增加和扩展总使用的照顾病人的旷日持久的管理客户或病人附近。这项研究提供了一个分析阴沉招收和分散处理的工作;更重要的是,物联网为终端客户提供一致的设置精心组织和无法与巨大的带宽谈判数据由于其不作为和体积,此外,在必要时移动速度雾当前云计算模型计算的目的是解决问题,分布式计算范式考察。Debauche et al。16)提出了一个基于云的健康监测框架雾物联网通过使用生理和自然迹象提供相关信息作为日常生活活动而言。这个系统使医疗保健提供商跟踪健康的状态和调整旧的或单一的人。此外,该方法在本文中提供了一个审查的临床实践和恢复时间。Fog-IoT工程远程传感器由一个组织,一个附近的局部,迅速把信息输入,和数据处理和电力云工程λ。这个测试提供了临床工作人员能够查看细节容易,帮助他们通过自然观察到的违规行为。最后,如果一个远程信息处理发生分裂,通过继续收集数据分析时。临床工作者与患者有时从智能通道发送匿名信息云备案和审核。
3所示。雾Computing-Based物联网健康监测
雾computing-based物联网促进了医疗分析、管理和监控人类活动和为护理和治疗的患者提供了更好的解决方案。Dhingra et al。17)提出了一个研究的分析结合雾和分布式计算结构熟悉推翻限制的持续调查,惰性和组织交通堵塞基本云管理检查。该方法是实现交通敏锐的观察框架模型。拟议的堵塞观察框架的目的是检查和交通信号管理。这也可以调整来检测交通事件妨碍期间需要及时的援助。一个小电脑模块填写作为这个方案云中心收集连续从地理上分散的传感器和传输信息容量和处理到云上。结果显示雾网络的生产力在提高云阶段表示减少反应时间和延长移动数据的能力。此外,计划用高音内置的烟雾和云系统界面的客户带来混乱的警告消息。物联网和光纤陀螺仪的医疗保健系统识别和调节基孔肯雅病毒(CHV)。模糊 - - - - - -方法是用来评估可能污染客户和向客户提供从雾层反射和灾难的担忧迅速。从社会网络分析图表,计算冲突的工作列表,这说明任何客户端感染或传播疾病的风险。它还生成警报为政府和医疗服务机构监控CHV集地区危险的倾向或污染。审判的结果特性使用云的有利情况下测量和分布式计算政府一起来实现网络传输速度、效率更高的操作量,最小响应时间常数警报时代相比,单个模型的云(18]。识别、组织、和屏幕客户蚊媒疾病污染(MBDs),故事结构基于物联网传感器、分布式计算、云计算提出了注册。这个系统的目的是监控MBD集处于初期阶段。在拟议的框架中,识别因素区分MBDs计算,然后,J-48选项树分类器是用于每个客户机的污染分类进行分类。预防措施是在一瞬间创建和发送到移动客户端从雾层如果出现任何异常。无线电频率识别附近用于识别客户的亲密关系。短暂的网络分析使用距离信息屏幕和交谈的当前状态MBDs的冲突。识别MBDs,探索性提出了系统的评估结果准确度高和低误码率和生产安排的准确性(94%19]。
完整的拓扑控制技术用于构建和安排处理提出了一个巨大的精明的物联网城市网络的范围。创建一个精明的物联网网络组成的雾门在施工过程中,使用资产,加强系统维护阶段。了解目标,提出熟练计算在每一个阶段和基于真正的拥有大量繁殖和检查物联网知识索引和充足的计算证明了对比和现有的计算。在施工过程中,相比当前新物联网系统的计算,选择,Hungarian-based拓扑控制分别计算性能更好的总体框架成本和必要的段落的数量。在维护过程中,vacation-based资源分配的估计会增加资产的使用安排而不影响应用程序的活动需求(20.]。另一个处理的世界观,遵循一个云计算策略,名叫雾注册,似乎是一个强大的云系统通过扩大资产网络的边缘来满足不断的先决条件和不敏感的应用程序在医疗服务。本文认为奉献的雾计算的范式应用于医疗、缺乏关键优势的活动,利用网络,使用武力。fog-helping观测系统建议针对这些边界,及其展览评估,此外,就完成了。结果表明,这种技术可以升级到限制信息流动的中心企业,本地信息分解和数据保护,可以保存在本地升级,病人的信息安全地位得到加强,提供更好的意识(21]。
溃疡性结肠炎是一种真正的正常、持续感染导致病情加重的消化系统。介绍了一种新型物联网帮助网络物理系统的结论和舞台的溃疡性结肠炎利用朴素贝叶斯分类器和神经网络分别深处。本文的一个基本目的是年龄在雾层正在进行准备的机会,客户需求危机处理和只是碰碰运气,他/她现在分析。的检查结果和临床资料收集每一个客户都把云。提出了结构的使用效果演示的能力分析和后续步骤的溃疡性结肠炎与霾层分组连续订单部分。此外,警告年龄增加系统的可行性建议(22]。提供注册的见解、储备和协调政府的边缘企业计算促进分布式计算的好处。这有助于减少休眠云交付,通过最小化需要continuous-discontinuous网络管理,提高安全性和支持巨大的机器通信。这样,感觉登记的一个可行选择,物联网应用程序的开发(23]。在云结构的各个部分,意识的方法,和一些特殊变量。没有良心的方法出现在雾登记的详细审查,无论在雾中生产的重要性。因此审计动量分析用于确保云的图。本文探讨了保证的方法分为三个分类:管理/资产,信件,和高管,也应用程序。选择方法,本文说优点,不好的标志,工具,评估类型和因素。最后,考官调查的基础上,提出了一些未解决的问题和困难值得进一步考虑,此外,注意调查方法在云计算(24]。
商业周期模型建议,本文文档增加了使物联网演示一个有意识的业务步骤。提出增加考虑了异构物联网和non-IoT资产,资产限制和管理需求的存在。第二,它提供了另一种基于云计算的智能家居工程,巩固分散埋葬和intralayer信件就像不断快速处理物联网数据处理也增强了系统的总体坚定的一致性,使执行multiapplication云服务架构中使用单点登录协议,以确保数据体面在云服务环境中,依赖于公司和联盟经理运输石油到所需的烟雾或潜在的云属性。第三,一个模型,介绍了心理不平衡的精明的孩子和COVID-19检查系统通过使用提出了增加。在这一点上,提出模型这两个敏锐的框架做一堆广泛研究概述了这项工作的技能,而且,更重要的是,生存能力(25]。Karatas和Korpeoglu26)提出了一个从地形上流传多个云在本文中被夷为平地,雾须就产权证物联网架构,并提出程序设置提出的物联网信息部分工程。在各种信息被认为是,不同的应用程序可以包含各种信息。问题的模型信息的情况是一个问题的改进,并提出了计算有效,可行情况的信息生成和被从地形上相关的物联网中心。数据用于不同的应用程序打包在一个环境,本质上是使用这种类型的信息访问应用程序只有一个时期。测试计划,综合娱乐进行试验,结果表明,该设计和情况技术可以有效位置和存储信息,同时提供很好的执行应用程序和组织访问惰性和数据传输能力投入。
Bandopadhaya et al。27)提出了一个结构化的医疗检查响应使用物联网数据传输勇士表达对立的生态环境。e-care每个单独的边界应该定期监控这些军官和数据集的后续调查与最低的延迟开始呈现适当的临床援助。本文提出了一个物联网的架构安排三层管理,所有层之间的计算功能的拨款。2度的过滤重复的数据和安全官员职位提出的循环已经完成的注册系统。的过滤板测量导致减少数据溢出和云计算重量,从而增加反应时间以适应危机的应用程序的框架。通过适当的安排,已经开发了一个模型。Bharathi et al。28)提出了一个聚类策略专注于节能粒子群优化的竞争日记之前组头中各种物联网设备的选择。物联网设备用于检测医疗知识聚集成束,和使用节能的粒子群优化(PSO)基于集群(EEPSOC)将选择一个集群头(CH)。CH选择将推进数据到云工人。在这一点上,通过云产品,CH负责物联网通信设备信息云工人。附近,一个假冒分组模型基于神经组织是用来评估云计算工人的医疗数据区分疾病的严重程度。使用UCI数据集和恢复装置预测疾病的各种替补水平强度,一个重要替补的观点医疗服务信息生成的实验。一个明确的进行相关的调查,繁殖的结果保证,从不同的观点,EEPSOC-ANN的可信度模型检查技术。各种其他维度的医疗研究等研究工作的研究提出了一个混合的多准则决策方法采用轻量级加密密码IoHT [29日)和安全的评估IoHT AHP-TOPSIS的方法(30.]。
4所示。深度学习和转移学习健康监测的方法
提出了各种方法来克服医疗监测的不同问题。Rokni et al。31日)提出了一个框架的深度学习减少昂贵的过程工程的特性,数据标签,并通过一个可伸缩的算法重新装备公司,这是一种计算方法。方法学习常见的和可重用的功能框架底层和快速重新配置的基本模型从一个轻微的数量标注实例在新的领域。crosssubject中获得88.1%的平均精度的方法学习的情况下通过一个标记为个人活动实例类,这性能提高92.7%的准确性有5个标签实例。
穆罕默迪et al。32]提出了设计和实施非接触的睡眠监测系统分析人体的运动和姿态。监督机器学习算法被用于noncontract应用红外摄像机数据通过转移学习策略。方法有效地计算参与者的睡眠姿势包围一条毯子。手动的方法评估得分睡眠姿势通过临床多导睡眠图测量技术。实验结果表明,该方法是有效的现有方法相比,基于视频的方法测量睡眠姿势和生成高性能的临床标准相比,通过多导睡眠图位置传感器测量姿势。施等。33)提供了一个系统,包括透析大数据深度学习分析crossplatform生理传感。及时预警透析不适包括高血压、低血压和抽筋正是解决。布里格姆et al。34)提出了一个神经网络的方法预测未来通风的参数由于高的通风措施关心的非线性行为和神经网络建模复杂非线性函数的能力。神经网络的实验结果提出了在其承诺能力预测即将到来的反应不同通风模式。康和茶35)提出了一个自主无人机方法通过超声波信号取代GPS的作用;检测损失,深卷积神经网络,对损伤定位,使用地理标记的方法。显示其有效性的方法灵敏度特异性为97.7%和91.9%。
阿兹米和Pekcan36]提出了卷积神经网络结构健康监测的利用一种评价压缩响应数据通过转让的方式学习。就业的建议的方法将允许损伤的识别和定位在一个具有代表性的大型系统。这种方法是由一个熟悉的基准模型仿真验证。直方图的帮助下,CNN模型训练和CNN的强度评估方法。然后pretrained CNN调整是与三个参数可调,极大地压缩响应数据,基于响应的标准差的意思是,和一个比例因子。结果表明,转移学习可以有效地实现不同传感器的结构健康监测系统。朱et al。37)提供了一个深入学习算法自动识别管区域的原始红外图像通过相机的图像数据的温度。借助这种方法,精确的温度和热解管的形状。最终得出通过控制限制 - - - - - -神经网络算法,提高故障警报。Kesavan和Arumugam38)提供了一个方法,包括四个不同的阶段如数据采集阶段、决策阶段,雾云阶段和执行阶段将数据转移到云通过雾层。数据存储和收集过程是在第一阶段完成。第二阶段由两层不同层,雾和云的安全公司铸造是证明。特征提取和分类的过程是在第三阶段完成的。发送信息和通知医生在最后阶段。的效率提出了方法与现有方法相比,和提供的结果提出研究更好的效率、准确性、计算成本和响应时间。Garcia-Ceja et al。39)设计了预测模型来测试用户自适应模型,适应个人用户行为和特征与浓缩的训练数据。方法是通过数据增大和深度转移训练学习和测试在两个数据集;一个是活动识别数据集,另一种是情感复合数据集。方法的结果表明,它增加了意义相比,识别性能和压缩数据的通用模型。
Nweke et al。40)提出了一个详细的审查深度学习的方法可穿戴传感器和手机识别人类的活动。研究已经证明方法,其贡献,优点和缺点。这项研究被分为生殖,混合,和歧视的方法和它们的重要性。这项研究也提出了评价和分类的过程,展示了数据集公开用于识别移动传感器的人类活动。一些研究的挑战和问题进行了讨论。Nweke et al。6)提出了数据融合和各种分类器系统的综合分析方法识别的人类活动集中在可穿戴和移动设备。研究初步阐述了数据融合的方法,形式和功能融合深度学习融合等进行批判性的分析。应用程序、挑战和优势进行了探讨。各种分类器系统和方法融合的文学进行了讨论。服等。7)研究的挑战和提出的问题大流行的潜力。研究已经证明的技术背景和审查相关的现有文献。
5。分析了DL和健康监测TL
研究人员正在试图遇到不同的方法和机制,监测health-associated活动。Zhang et al。41)提出了一个创新的调查预测和健康管理方法通过识别研究深度学习机会和推荐的进一步发展。彻底的各种深度学习模型的基本知识,研究回顾和分析应用程序的诊断,故障检测,通过深度学习和预后。深度学习的研究验证了应用等各种各样的物理加工的输入图像、振动、结构化数据和时间序列。各种研究潜力,也提出了挑战。卡洛斯et al。42)提供了一个新的在线方法基于深度学习的工具,呈现的想法转移学习计算智能的生成一个框架使用IoHT的设备。框架可以允许用户添加自己的图片和完成的培训平台容易产生文件夹和使用云存储服务的文件。方法已经显示出其鲁棒性的人没有编程和图像处理的知识。通过医学数据库的方法验证。实验结果显示该方法的效率和可靠性有91.6%的准确度在中风和肺结节图像数据库和皮肤图像数据库中92%的准确率。当前的研究分析了各种库包括ACM, IEEE, ScienceDirect,施普林格识别研究与深度学习和转移学习健康监测。图1代表了总出版物提到库。
在这些库整体出版之后,个人库进行了研究来识别出版物上发表各种类型。图2描述了ACM的出版物在图书馆的内容。
IEEE图书馆搜索和细节图3。
ScienceDirect图书馆与细节图中描述4。
出版物的数量在给定的年发现,如图5。
图6图形化地显示了出版物的内容在图书馆施普林格。图中显示许多出版物类型包括文章和纪律。
6。结论
在医疗技术曾经发挥了重要作用和提供设施数字化转化。医疗系统与电子和智能设备的大型基础设施,促进医疗信息系统、便携式智能设备,医疗记录,手持设备。医疗基础设施的发展,结合计算方法的发展医疗、允许从业人员和研究人员开发新颖的解决方案在先进的光谱。病人的数据和信息都储存在一个一致的模式,当然存储、访问和检索相关的重要信息。智能IoT-based应用,如电子医疗报告生成器,可穿戴设备和智能手机医疗系统改变了传统的系统数字化医疗的医疗保健系统。不断上升的医疗保健的进步已使它肯定临床医生可以查看和监控病人的疾病,可以为他们提供简单而有效的治疗方法包括在偏远地区。健康监测的服务可以促进病人通过收集和分析数据的健康卫生应对各种复杂的问题。健康监测是确保临床试验支持发展健康监测根据定义的协议和标准操作程序。可以考虑各种场景监控执行健康和通过该领域的专家。现有文献的详细报告的深度学习和转移学习是现代医疗的迫切需要。 Therefore, the proposed study presents a comprehensive review of the existing approaches, techniques, and methods associated with deep learning and transfer learning for health monitoring. This comprehensive report will be used as evidence for devising new solutions for health monitoring.
的利益冲突
作者宣称没有利益冲突。
确认
这项工作的部分赞助由湖南省自然科学基金(2020 jj4121)。