文摘

无线传感器的发展和可穿戴设备导致医疗服务新派拉蒙。传感器的广泛使用、节点和设备在卫生保健服务生成大量的健康数据,通常是结构化和异构。许多慷慨的方法和框架已经开发了高效的数据交换框架、数据安全和隐私安全协议。然而,非常少的重点一直致力于构建和解释健康数据的模糊逻辑系统。无线传感器和设备性能的影响剩余电池/能源,导致不确定性,噪音,和错误。分类、噪声去除和准确的健康数据互操作准确诊断和决策至关重要。模糊逻辑系统和算法是有效和能源高效处理原始医疗数据的不确定性的挑战和数据管理。模糊逻辑的整合是基于人工智能、神经网络和优化技术。目前工作需要各种作品的评论整合模糊逻辑系统和算法提高医药相关应用程序和框架的性能的准确性、精密、训练和测试数据的能力。未来的研究应该集中精力扩大适应性的推理组件将其他功能合并到当前的云架构和尝试各种机器学习方法。

1。介绍

人工智能(AI)的发展作为改善医疗工具提供了巨大的前景改善临床结果和手术效果,降低成本,影响社区卫生。A1健康检查执行某些基本的监视工作可以照顾和清理数据的推荐规则存储库不用于管理资产被称为很长一段时间删除和大公司的内容和资产难以保持服务器运行一天24小时,一周七天(1,2]。由于人口增长和多种疾病的出现,可用医护人员的数量来管理社区的卫生需求有时候是不够的,特别是在欠发达国家。模糊逻辑的形式逻辑理论和逻辑的真值可能被认为是一个实数的值在0和1之间。我们也可以说,它是一种人工智能。然而,神经模糊的结合人工智能和模糊逻辑领域的人工神经网络(ANN) [3]。这个词模糊逻辑是发现的科学家Lotfi陈守煜,在1965年,它由Lukasiewicz第一次注意到,好1920年无限值逻辑形式的基于决策的观察人非数值的形式的信息和可以表示成一组数学术语(4]。模糊模型能够识别、操作代表,解读和利用数据和信息。模糊模型是基于以下Mamdani基于规则的系统工作。(1)Fuzzify所有输入值为模糊隶属度函数。(2)执行所有适用的基于规则的规则来计算模糊输出功能。(3)Defuzzify fuzzified值的值。

模糊模型系统工作层形式称为模糊性。

模糊化是一个数值的转换过程输入系统模糊集隶属程度。描述这些模糊集的形式语言。这是在0和1之间。如果值是0,那么它不是属于模糊集,如果内的值是1,那么它属于模糊集。模糊集表示为三角形和梯形曲线的图形表示。它显示斜率值的位置发生变化。高峰值1,值降低时,斜率曲线显示了。图1显示了布尔的比较和模糊逻辑系统。

各种模糊逻辑模型和算法实现卫生领域的数据管理、安全协议,和决策过程5]。由于无线通信领域的快速发展,传感器技术5/6G和行业5.0,身体出现的无线区域网络(WBAN)传感器和设备使得实时监控和健康管理更简单6,7]。WBAN传感器不确定性的主要缺点和错误数据传感和数据交换当工作在低功耗(8]。基于逻辑的模糊模型的性能分析和系统是至关重要的。

自适应神经模糊模型是适用的,并提供的模型能够检测慢性疾病、神经退行性疾病、青光眼、帕金森病、致癌肿瘤如血液癌症,乳腺癌和肺癌更多等等。这些疾病的早期发现和治疗需要使用特定的设备,如计算机辅助诊断(CAD),这是最常应用的临床医生和医学专家通过引入医疗设备和传感器。应用CAD在做出重要决定之前治疗患者的重要条件。CAD系统是工作在两个主要部分,如特征提取和分类。常见的分类器在CAD系统中,使用决策树(DT),随机森林(RF)、支持向量机(SVM)和自适应神经模糊推理系统(简称ANFIS)。这可以提高了使用该算法修改萤虫群优化算法(M-GSO)。M-GSO算法的改进的差分进化(DE)算法。DE算法的证明的更好的结果,这样的结果是与传统的简称ANFIS模型相比,遗传算法,简称ANFIS,狮子优化算法简称ANFIS微分进化算法,和更多9]。

神经系统疾病包括癫痫、认知障碍、神经肌肉疾病,自闭症,添加、脑肿瘤,脑瘫,等等。一些先天性神经问题,这意味着他们在出生之前。其他问题可能出现由于肿瘤、变性、外伤、感染、和结构的缺点。所有神经赤字是由神经系统损害,无论来源。沟通的程度、视觉、听觉、运动和认知损害确定损伤的位置(10,11]。神经系统疾病是最常见的在每一个年龄的人因抑郁、焦虑等神经系统疾病相关的神经系统是帕金森病、阿尔茨海默病,脑肿瘤,癫痫、痴呆、记忆丧失、中风和脑。根据世界卫生组织(世卫组织),数亿人患有这些疾病和死亡率和疾病率增加一天,因为神经系统疾病。然而,我们知道,神经系统疾病不容易诊断由于诊断过程的复杂性。所有这些慢性疾病可以通过早期诊断和早期治疗和准确的管理在现代时间的使用现代审查设备(9,12]。准确的诊断和治疗,许多研究人员正在研究神经系统疾病的深度学习在人工智能的帮助(13,14]。计算系统的诊断和治疗起着重要的作用;最常见和流行的人工智能(AI)技术的神经模糊系统申请的有效分类和检测疾病(9,15]。该系统降低了工作人员的工作量。简而言之,模糊神经系统是一种机器学习系统升级使用机器学习算法(16]。模糊神经系统中扮演着重要的角色在医学线等慢性疾病的早期检测血液感染,阿尔茨海默氏症和心脏病。(17]。fn不仅提供了更高的能力和精度,还提供数据或信息的underexcretion;人工神经网络(ANN)的科学家(Fojnica)是人工智能,还提供设施的类型的物理问题的理解,帮助决策在临界情况下由于疾病的检测精度高(18]。准确性和改进的音乐会,NF合并执行系统的神经网络和模糊逻辑。安工作层的形式,如输入层、隐藏层和输出层。安正在像人造人类大脑,也用于制造人造动物大脑模式识别。nfs是重要的医学领域由于其有效性在改善诊断大约36 NF模型应用。图2显示了模糊逻辑系统在各领域的应用。NFS中扮演最重要的角色在糖尿病患者的治疗中,治疗糖尿病足溃疡的伤口上的属性,并提供设备,能够认识到糖尿病的早期症状。

各种模糊逻辑模型和算法实现卫生领域的数据管理、安全协议,和决策过程5]。由于无线通信领域的快速发展,传感器技术5/6G和行业5.0,身体出现的无线区域网络(WBAN)传感器和设备使得实时监控和健康管理更简单6,7]。WBAN传感器不确定性的主要缺点和错误数据传感和数据交换当工作在低功耗(8]。基于逻辑的模糊模型的性能分析和系统是至关重要的。

正如我们所看到的,随着无线通信技术的进步和工业5.0革命,指数增长WBAN传感器和可穿戴设备已被观察到19]。巨大的数据生成异构和非结构化。各种模型和算法已经提出的解释、分类和分析的数据,但缺乏一致性和可靠性(20.]。模糊逻辑的实现医疗数据管理、医疗应用、和医院管理系统已证明记录(21,22]。该模型的实用性是心脏疾病和糖尿病患者。老有所乐的卸载病人从医院服务和远程监控是另一个应用程序。FIS-driven模型可用于自动化健康数据,管理安全关键应用,更好的预测和预报的病人,准确的诊断,并有效帮助医生,科学家和研究人员。

实现的系统评价的模糊逻辑算法在医疗应用的性能参数和WBAN传感器性能缺乏。这激发了作者的模糊逻辑对健康数据管理框架的性能参数。

2。模糊逻辑系统集成

Haque et al。23]提出的精确值的准确性,特异性和灵敏度的帮助下DSPN糖尿病感觉运动的深入学习算法收集的数据在糖尿病患者足部溃疡和复杂性。远端对称多神经病是糖尿病常见的慢性并发症,影响神经系统的各个部分由于粗心或可怜的治疗;可能是神经系统的损害负责,和常见的周围神经系统损伤的症状在大约50%的糖尿病患者,和它的症状可能是个体因个人而异。根据第九届国际糖尿病联合会糖尿病(IDFD)阿特拉斯,大约4.63亿人口受到糖尿病的影响。根据一些大学,例如,美国糖尿病协会(ADA),大约50%的糖尿病患者不表现出任何症状;因此,它宣布为慢性疾病,因为它默默地,可能是致命的攻击。这种疾病的检测是非常困难的;因此,许多研究人员正致力于智能系统在医疗行业的进步。他们试图找到或发现他们很容易检查的设备糖尿病患者的并发症;,角膜共焦显微镜(CCM)系统强调DSPN的准确检测。 However, this method is very expensive; hence, it is difficult to find in regular clinics. At the initial stage of DSPN, the screening test by different tests, such as neuropathy disability score (NDS) and Michigan neuropathy screening instrumentation (MNSI), is based on the real-time condition of patients examines the pain, touch, vibrations, loss of sensation, and temperature. These diagnostic methods are working with artificial intelligence. The FIS method is the most common, easy, and very popular in decision-making methods; this is due to having the capability to diagnose the future condition on the basis of the present condition.

如图3,ANFSI分类及其收集的数据的人数(约100)显示的性能参数模型,记录使用的肌肉活动和肌电图诊断的严重性级别23]。

在医学领域也起到至关重要的作用[24]。它有助于改善卫生保健系统减少的时间,成本和不必要的访问的医院。也有能力识别的实时情况的帮助患者可穿戴设备或设备(智能手机iPhone,聪明的乐队,智能布料,智能住宅和智能床,地板,马桶座圈,等等)而实现的传感器能够识别条件的病人的日常生活活动,如散步、吃饭、洗澡,跑步,睡觉。整个这些设备采集的数据传输到医务人员的帮助下云网络的医生和其他医务人员认识到治疗和药物的条件和初始化。的也由三个基本层如感知层、网络层和应用程序层。第一层是能够收集整个数据或信息的帮助下各种类型的设备和方法。第二个层,网络层,有助于从设备收集到的数据传输到云系统;这是传输通过无线或有线连接。

无线连接对于病人是有益的,但它具有显著的缺点,包括安全问题。有时这是由于无线连接的薄弱能力和没有加密功能,它允许黑客可以很容易地访问数据。安全复合体可以克服通过应用各种算法和模糊逻辑系统,深度学习的混合方法。简称ANFIS也用于改善和识别的安全参数。模糊逻辑系统更适合安全数据由于其适应性和versability等合适的功能。模糊逻辑系统的最佳性能的证明图所示4。根据这个数字,第一个病人的健康数据进行分类过程的五种分类器(数据集分类器),如支持向量机(SVM),决策树(DT),随机森林(RF),朴素贝叶斯(NB)和再(资讯),每一个都是进一步划分为子类;分类数据也分为两类(0为正,1为负。在图4(X轴显示分类器和Y轴显示了没有。分类的实例),NB达到一个最高的敏感性为0.730,特异性为0.332,然而,达到最高的准确性为0.974%。我们可以说,支持向量机是最好的五分类器。然而,它是用来克服的帮助下安全问题(简称ANFIS参数25]。

3所示。模糊的潜在语义分析(《公平劳动标准法案》的规定)

物联网中扮演一个重要的角色在拯救全集相关的健康信息。大量的文档、医疗记录和电子健康记录的文本形式创造困难找到相关数据与健康有关,它可以自动存储系统。有很多方法,自动化市场的,但需要找到最好的和容易的方法。自动存储的,最好的方法是模糊的潜在语义分析(《公平劳动标准法案》的规定)。这个方法是最受欢迎和定性,使性能优越。根据国家科学基金会(NSF),有一个巨大的挑战对安全数据存储和将有一个伟大的需要收集的电子文档,数字存储,适当的浏览、组织、索引和搜索。第二个最受欢迎的数字分类方法是bag-of-words(鞠躬)。该方法用于计算机视觉。它包括词汇和语法的集合存在的数字文件。bag-of-words方法发现Zellig哈瑞斯在1954年。 The next popular method is the topic modelling method that includes the text analysis techniques in which objects are documented and features are in terms of frequency. In topic modelling method, it converts the words × documents into two metrics. As an example, 100 topics in corpus, 5000 documents, 10,000 words,W×D词与10000行、100列,和主题×文档矩阵100行和5000列。主题建模方法是一种非常有效的方法,但仍然有需要提高性能,和模糊潜在语义分析(《公平劳动标准法案》的规定)模型显示了更好的性能在nonredundant冗余以及。

在这种方法中,每一个集群都是话题作为模糊聚类和文档。它工作的形式模糊逻辑频谱与七个步骤。如图5相比之下,模糊潜在语义分析等各种类型的造型LDA-T数据集。最合适的方法是扭曲的吉布斯抽样。从图中,我们可以说《公平劳动标准法案》的规定(概率IDF)改善他们的表现优于LDA方法;这是由于增加的维护稳定的话题,避免负面话题,也适用于与消灭的合作和不间断的数据(8]。

当实际监测健康状况是通过一个智能医疗设备连接到一个移动应用程序,病人监控设备可以收集医疗和其他所需的健康数据和使用智能手机的数据连接将收集到的信息转移到医生或云平台。远程监测患者心脏衰竭患者在50%。这导致减少30天再入院率,根据一项由中心连接卫生政策。物联网设备收集和发送健康数据,如心率、氧含量,血糖水平,体重,和ecg。这些数据维护云,可能由一个授权的用户访问,比如医生,你的保险公司,合作医疗公司或外部顾问,不管位置,时间,或设备(21,22]。IoT-based健康监测系统的实时监控病人甚至从远程位置20.]。这是所有可能由于行业5.0和4 G / 5 G通信技术(26]。最近的健康监测的范式转变WBAN传感器和可穿戴设备是非凡的。数据管理的优势跟这样的伪装。这些传感器和设备产生的数据是巨大的和异构。大多数发达国家卫生保健系统和框架的实现1型模糊逻辑系统导致不一致性以及感觉到的不确定性数据27]。克服这些障碍的数据管理、Ullah et al。28]提出的数据融合方案通过合并2型模糊逻辑和Dempster-Shafer理论中提取精确的信息,并给予正确的结果。从不同传感器获得的数据连接到病人,和上下文从传感器获取的数据附加到病人的周围产生异构数据通常不精确和作假的迹象。因此,融合多源数据(节点/传感器)需要更好的服务质量和准确的交付结果。融合数据的各种方法,即概率、基于人工智能的,以证据为基础的融合1型模糊基于逻辑的决策成为数据时不准确的。二型模糊逻辑是发现合适的高不确定性决策的数据。提出了融合模型在两个阶段工作。病人收集的数据从传感器是由T2FL处理在第一阶段中提取精确的成员的价值。DST用于合成从多个节点/传感器收集的推论在第二阶段。推断的数据被送到病人和医生考虑和分析。敏感性、特异性和准确性的工作已经与类似的模型和提出的精度,精度和召回。 The proposed fusion method has been run for two folds of data sets. The comparative analysis of theF₁提出的模型与现有模型优于之间的分数。更精确,重复性和交叉验证的结果,模型运行10倍的数据集。该T2FLD优于COS和T1FL-COS 12%到19%。两个数据集在图所示6。

类似的方法已经被Sengan et al。14)开发医学信息检索系统从电子医疗记录由模糊逻辑的集成和机器学习。该系统集中和发达的医疗保健系统的复杂性,由人口老龄化负担过重,在医疗服务的标准连续垮台,增加了治疗费用。实现新技术利用和分析大量的数据存储在e-healthcare使用机器学习记录。这种集成将有助于开发智能决策支持结构,改善决策,并提供以证据为基础的治疗服务,从而准确地描绘病人状态的电子医疗记录(e-HCR)。e-HCR结合个人或独立的以证据为基础的信息所需的适当治疗的病人。e-HCR通常分为结构化和非结构化数据。模糊干扰系统(FIS)被用于拟议的呈现网络实时决策与人类专家信息。k-fold FIS已经完成的交叉验证的方法对理解预测和决策的能力。拟议的框架已被评估和比较不同数量的手工和机器模型组e-HCR预测测试病人的30天重新接纳如图7。

该模型优于类似的现有模型为不同组的e-HCR公平的保证金。精度、召回和f1评分模型的不同数量的组合e-HCR如图8。

4所示。模糊优化配置模型在卫生保健数据管理

模糊基于逻辑的动态时间槽机制开发了Sharavana et al。29日]。这种模糊优化配置模型在卫生保健数据管理为WBAN传感器和可穿戴设备被发现有效可靠通信的关键应用程序的情况下,最低成本能源数据包路由,提高整体性能。WBAN传感器和可穿戴设备使病人至关重要的身体信号的实时监控;然而,他们的表现是有限的小电池的大小和网络连接。自WBAN传感器是用于关键应用服务质量差的质量和性能可以为病人和卫生保健专业是灾难性的,因此,数据延迟、数据碰撞、数据加扰和增量在跳跃的一些主要挑战WBAN网络。许多数据传输协议(如MAC和IEEE协议用于在WBAN网络的数据交换和面临效率低下的挑战。启发式混合时间段模糊分配算法的集成在WBAN网络的节点之间的数据交换和中央协调器。该算法实现了一组50个病人配备传感器和可穿戴设备实时监控重要的身体信号。这导致了延迟的改善,能源消耗,包交货率如图9。该模型优于其他类似的模型。

CNN和模糊Sharma等人提出的基于逻辑的框架。30.)发现有效地预测风险和严重程度的推荐系统相连的卫生保健。CNN是使用所有的疾病分类机制的分析WBAN传感器数据。模糊干扰系统的集成有助于计算风险水平和严重程度条件的病人,其次是交换医学报告和以证据为基础的建议。健康的使用推荐系统(小时)帖子COVID-19全球大流行已经成为流行。可以使用几个小时条件逻辑数据建议,personal-contextual决策目的。最小时的挣扎对可靠性、质量和可靠性问题。然而,模糊的集成和深度学习能增强小时的服务质量。二型模糊逻辑系统干扰(T2FLIS)是用于该模型。检查模型的能力,1032名患者被认为是一个数据集,包括43属性和为每个病人分为3类。数据集的患者的心脏,肝脏和肾脏疾病被认为是。 The data set is utilized for training as well as testing purposes. The following Figure10显示的准确性、敏感性和特异性的各种组合训练和测试数据集。

在这些天,计算技术的要求,数字数据处理和数据存储增加一天。这是由于互联网的低价格供应,快速和转换,和移动应用程序的数量正在帮助在日常生活活动中最重要的卫生部门;有更多的应用程序帮助检测慢性以及其他一般的疾病,而这些应用程序消耗更少的手机等电子病人的记录(epr)即计算记录,分析大设备负责大数据的记录与患者个体和保持他们的严重或正常情况下有助于识别综合症的症状,使未来的药物和治疗。在电子商务的帮助下,我们可以看到,医务人员也变得比以前更活跃的时间。神往的数字存在的诊所、医院、和手机能够监测慢性疾病如子痫、溶血、肝酶升高,和低血小板计数(临床上妊娠)综合征;远程医疗中扮演着重要的角色在严重的情况下或在这种情况下,当病人不是来自医院孕妇等。远程医疗有助于减少不必要的访问和疼痛,它可以应用的帮助下算法。临床上妊娠综合症是怀孕的复杂的综合征,在初始阶段,很难诊断;因此,有时是孕妇的死亡负责。

这种综合症的主要诊断症状不计数的血小板计数,溶血性贫血;基本上,这是看到的女性患有子痫前期(孕期高血压)。根据世界卫生组织(世卫组织),约8%的女性与临床上妊娠子痫前期受到影响,大约0.2%至0.6%的女性患有这整个世界。直到现在这种综合症的原因是未知的。基本的诊断方法是实验室测试。综合症的诊断可以使简单的过程通过应用模糊逻辑算法等。有一些算法如图11。描绘了一个比较算法的诊断、治疗和更好的照顾孕妇。径向基函数网络(RBF)算法相比,似乎太好了。在图中,这表明RBF和神经模糊方法的真正积极率是高的比别人;这是由于降低了可靠性的随机性行为(31日]。

决策能力提高的帮助下他们的表演大数据分析算法和五vs问题(品种、数量、速度、有效性、波动性和真实性);大数据可以提供重要的结果如果是结合人工智能、机器学习、神经网络和软如模糊逻辑和神经网络。人工神经网络的局限性是,它只能处理输入的薯片,不能采取大数据的形式语言表达。模糊逻辑系统的明确的术语是Sugeno-like模糊系统(SFZ)在线性系统工作,以及工作输出是由张成泽发现1993年也被称为自适应神经模糊推理系统(简称ANFIS)。它有很好的品质,如强烈的普遍属性,简单地合并两种方法语言以及数字知识。简称ANFIS起着非常重要的作用在各个领域,如工程、经济、交通、特别是在医学领域。有一些使用简称ANFIS的挑战是其复杂的工作系统,在处理大量的计算成本问题,并发症的处理高维问题。为了减少这些问题,新的组合形式等其它算法应用在简称ANFIS和甲虫群优化(BSO)算法可以称之为BSO-ANFIS算法。该算法能够诊断典型的疾病和大医疗数据分析在此系统中,和金龟子天线搜索(BAS)和metaheuristic (MA)结合粒子群优化算法(PSO)的方法。BAS算法复杂比较少。 It can be a new combination of algorithm and is formed as BSO the combination of BAS and PSO algorithms. The modified algorithm modified crow search algorithms (MCSA) is also used for the diagnosis the typical diseases.

压印的简称ANFIS算法分析作为输入数据的诊断。有很多的医生更好的使用证明该算法同时辅助诊断模型(SADM)有助于ineasy诊断疾病。这个算法的证明,这是比别人更好的执行,这是与其他一些如支持向量机(SVM)和人工神经网络(ANN)的高血压疾病血液中脂质水平很高。它可以证明SADM方法提供了这种疾病的准确检测,但有时有些缺点即。精度是非常敏感的。该方法在深和机器学习的基础。图12显示了更好的性能的比较对心脏疾病之间的各种算法,神经网络,支持向量机,简称ANFIS和BSO-ANFIS。在图12,我们可以说BSO-ANFIS比别人好;它显示附近的准确度和精密度约96.08和98.63,分别,这是比别人更高。这些算法的帮助下,multidiseases可以被该领域的进步15]。

模糊逻辑技术在各领域的用于更好的性能;其中一个是在线监测电导率羊奶的医疗保健系统。为了更好的健康,健康的牛奶是有益的。免费、疾病和微生物的影响。微生物的攻击影响牛奶的质量和数量。有各种类型的细菌、病毒、原生动物的,寄生的疾病影响牛奶和奶制品的产量。常见的乳腺感染是乳房内的感染(IMI)影响的质量和数量的牛奶乳制品山羊。在这些日子里,山羊的奶在卫生保健系统中起着非常重要的作用;据一些研究人员,是最有益的血细胞数越少;因此,它需要更好的照顾。IMI是造成大量体细胞数的存在(SCC)。 The addition of somatic cell count is a very common method to increase the milk yielding, but the very much large amount of these cells cause infection in the mammary glands in cows and ruminants. The limit of somatic cells in the raw milk is 1,500,000 cells/ml, and the A grade milk of goats contains 1,00,000 cells/ml. Indirectly, the large number of somatic cells in the blood causes the ill effects on the human health. This type of milk contains the large number of pathogens which enter into the human body. These microbes cause the proteolysis of the milk products like [R] curd and cheese, which is responsible for ions balancing in the human body; hence, it is needed for the early detection; the electrolytical conductivity is introduced for the anions and cation balancing. This parameter is wrought in effective manner. The early detection may be preventing food spoilage and improving milk quality and quantity. The electrical conductivity of the milk is determined by the conductimetry which is present in the goat cluster. The identification of better milk is detected by comparison of readings in milk from intrinsic variation of animals and previous milk; the variated forms of animals may be developed by the use of fuzzy logic system, and this method is very easy and effective. This method helps in converting the general knowledge into computational mathematical values, in which the milk comparison between different diary milks with variable numbers of somatic cells. By the fuzzy logic system, we can increase the specificity and accuracy. Figure13介绍了准确性特异性截止水平;截止时增加或减少的水平,达到由模糊逻辑系统的精度水平。根据最近的研究,模糊逻辑模型有利于认识到乳制品山羊的健康状况,也有助于增进健康的动物32]。

5。结论和未来的范围

目前的工作评价的不确定性挑战健康数据管理。规定对准确诊断和治疗是一个医生,准确和某些数据是必需的。目前WBAN传感器,可穿戴设备,数据采集和传输功能受制于有限的能源。当电源消失时,传感和交换数据的不确定性降低。这妨碍了医生的诊断和处方精确治疗的正确决策。决策是一个直观和理性过程难以实现的机器。使用人工智能和模糊基于逻辑框架实现数据管理在医疗数据异构性,不确定性,噪声高于允许的水平。实现模糊逻辑的医疗健康数据管理没有达到其全部潜力;但是,它能够协助决策。模糊逻辑模型和算法在近几年内的发展一直吸引着研究人员探索其健康数据管理的全部潜力的领域。 To precisely understand the loopholes and unexplored areas of health data management, a strong and fundamental review of the recent work is lacking and there is a need to present in the public domain. The comparative study of performance parameters of fuzzy logic-based models in the recent time has been thoroughly reviewed in the present work. This review work lays a foundation for further research in the domain of fuzzy logic models in health data management based on loopholes and unexplored areas to provide better quality of management and quality of service.

数据可用性

与这篇文章有关的所有数据在本文给出本身。

的利益冲突

作者宣称没有利益冲突。