文摘
物联网(物联网)已经证明在过去的几十年里成为一个强大的工具与内置传感器连接各种医疗设备和医疗保健专业人士提供优质医疗服务及偏远地区。除了降低医疗成本,提高临床服务,医疗行业,提高作战效能,同时也增强了患者的健康安全。最近的研究集中于使用脑电图协助和理解大脑的变化在康复设施。这些技术可以发现波动脑电图约束治疗期间,这可能导致更有效的治疗和更好的功能结果。因此,我们试图使用一个IoT-based实时监控系统的约束。另一个未知的患有急性缺血性中风患者可能经历stroke-in-evolution或神经系统症状的早期恶化,这是经常与贫穷相关的临床结果。正因为如此,管理急性中风需要及早发现这些迹象。目前调查工作将作为标准参考学术研究者,医疗专业人员,其他人参与IoMT的使用。本研究旨在提前预测中风和防止其后果通过早期干预使用一个物联网(物联网)的系统。同时,本研究提出的使用可穿戴设备,可以监视和分析大脑信号改进治疗和预防中风相关的并发症。
1。介绍
一样重要的持续的技术创新对提高医疗和降低成本,同时也为将新技术融入到临床治疗提供一个障碍(1- - - - - -3]。为了解决传统医疗的缺点,满足日益增长的需求高质量的医疗保健、大量的研究目前集中在智能医疗。传统的医疗保健,可穿戴技术、生物传感器和智能快速行动服务是所有实体,可以包括在智能医疗保健的概念。对大多数人来说,药用植物经常唯一现成替代传统药物,继续是我们整体卫生系统的重要组成部分。土著人民展示了历史连续性材料使用,同时有很强的理解复杂的生物系统,围绕着他们的环境。因为提供持续的能力,今天的研究信息在各种医药相关应用程序通过动态、非侵入式测量biofluids化学标记的可穿戴式生物传感器产生了极大的兴趣。早在这一领域的研究集中于使用物理传感器跟踪运动和生命体征。专家们现在关注克服重大障碍在医疗应用程序中,远离监测身体活动通过可穿戴设备。IoMT,一群医疗应用程序和设备,医疗信息技术系统通过网络链接,作为创新医疗的基础(4,5]。智能医疗的一个例子是癫痫发作的自动识别。
复发性自发性癫痫特征称为癫痫神经条件。癫痫是大脑活动的突然中断,仅仅持续很短的时间内,可能伴有抽搐,意识丧失6]。癫痫患者的生活质量存在显著的结果。不明原因猝死(癫痫)癫痫患者中更为普遍比一般人群(7,8),最大限度地减少这种疾病的严重程度。癫痫可以控制使用抗癫痫药物(aed),尽管30%的癫痫患者抗aed [9- - - - - -11]。只有很小比例的难治性癫痫患者从手术中获益。在大脑中植入技术为癫痫管理有很大潜力。预测和检测癫痫是至关重要的,因为早期识别和预警可以导致及时的治疗(12- - - - - -14]。
大众消费电子技术(CE)商品是本文中给出一种感觉神经的这套智能生物医学系统。神经紊乱相关疾病的医疗级手表提醒看护人当病人正在经历一个癫痫发作的一个例子是一个可穿戴的CE设备(15,16]。预计570亿美元将被用于物联网的医疗(IoMT)简况智能医疗行业17]。CE的研究已经进行了有效的先进的这篇文章。应该提到这篇文章介绍了CE技术的记录和样品验证,使用医疗信息访问和使用医学院校。理解大脑功能和功能障碍需要知识的大脑的许多生理状态,脑电图包含丰富的。目视检查可以确定癫痫发作,但它需要大量的时间和精力18]。之间发作的两个阶段(癫痫)和猝发的(癫痫)在癫痫的主要领域关注。分类的准确性可以显著影响特定信息被提取的特征(19,20.]。这些信息对微分动态脑电图是至关重要的。因此,特征提取是必不可少的分类。以下是几个实例:Chesti侯赛因的智能物联网和Android医疗监视解决方案。上述项目是IoT-based系统(21)监测人们的心率、体温,心脏病发作(22]目的是监测和提高防护质量提供给落后地区的人口和健康维护提供信息的选择在严重不利的条件。
在这项研究中,我们打算在神经科学研究领域的显著贡献。
物联网的体系结构和基本组件系统图中描述1。远程健康监测系统的拓扑包含三层:医疗产业的命脉的收集数据的层,传输层,该层进行分析。收集层构造的身体区域网络(禁止)传感器。传感器采集的数据传输到网关节点的禁令。保存的数据传输层,和阈值水平是用来分析和报告任何违规行为。还有一种可能性的数据处理和存储在云端。一个智能系统可以探测违规行为和预测病人的健康使用机器学习和数据挖掘等技术。在最后一步中,数据分析是上传到服务器位于云。一个基于web的接口允许医护人员检查诊断和采取正确的行动取决于他们的发现。软件行业目前对人工智能发展。 Every industry now relies on machine learning to give machines intelligence. Machine learning, to put it simply, is a group of algorithms that analyze data, gain knowledge from it, and then use what they have learned to make wise decisions. Traditional machine learning algorithms have the drawback of remaining machine-like despite their apparent complexity. They are only able to perform what they are created for; nothing more, nothing less; they require a lot of domain expertise and human intervention.
图2描述了系统,使通信跨系统、应用程序和设备都连接到同一个网络。在这个系统的帮助下,病人和他们的医生就会有一段轻松的时间跟踪和记录与病人有关的非常重要的医学信息。各种各种各样的商品现在包括各种不同类型的产品,比如积极跟踪指标,可穿戴健康乐队,运动鞋子,手表基于射频识别技术和高端摄像机。应用程序创建专为移动设备,如智能手机,使它更简单的病历,配有紧急服务和定期警告。产生的大量的数据,这些相互关联的物联网设备必须是成功管理的服务提供者,这可能会被证明是一个非常具有挑战性的任务。存储过程和评估重大卷被称为物联网的数据分析(粒子)实现。这是进行这样的问题可以得到解决。未加工的数据转换成信息不仅有用而且恢复重要通过信息提取等方面的应用方法和信息分析。以下是本文的主要贡献:(我)目的、限制和未来应用的研究强调了在本文的早期研究的概述,在医疗物联网使用。(2)本研究也表明策略实时监控病人的设置。(3)本研究着重于使用IOMT更容易持续监测潜在的病人的健康。(iv)通过提供见解或解决几个调查,这项研究提供了一个调查策略。(v)目前的调查文章概述了IoMT所面临的障碍。(vi)目前调查工作将作为标准参考学术研究者,医疗专业人员,其他人参与IoMT的使用。(七)提前预测中风早期干预和阻止他们的后果,我们尝试建立一些指标实时监控使用物联网(物联网)的系统。(八)目前的研究旨在提出可穿戴设备,可以监视和分析大脑信号改进治疗和预防中风相关的并发症。
本文的其余部分安排如下:最近癫痫检测的研究中描述的部分2和提出研究方法用于选择文章总结了部分3。架构评审提出的建议提供的部分4。文章的讨论部分5。结论和建议在第六节提出了进一步的研究。
2。文献综述
王妃等人提出了一个独特的时频谱估计方法对多通道数据(25]。此外,它适用于癫痫的脑电图(EEG)类型。光滑局部复指数(SLEX)函数,这是傅里叶函数的时频局部变量,用于构造方法。结果,他们尤其适应研究的非平稳信号的频谱特性转变。因为输入信号生成使用投影算符而不是窗口或锥形,SLEX函数是正交的,同时在时间和频率26]。
域的图像增强数字图像处理是一种最简单和愉快的工作。目的是突出图像中的具体细节或某些有吸引力的特征(Pandey et al。27])。变形图像的质量可以提高通过调整亮度的骨头或脑组织在输入图像28]。这种增强方法使用一种二元论的子图象的直方图均衡化方法。分割方法基于定向同质性和创建了使用一种改进的指标。两个种子模板必须为这个过程一致朝向相反的方向。有几个方向可以寻找哪一个像素。大脑图像像素的生产自八方向被认为是迅速和准确。一种技术,它需要更少的电脑使用效率比较图片部分的模板(29日]。安德森是作者的一些研究做出贡献。可穿戴头盔对人类可能是一个重要的工具来监控员工的健康在采矿业。然而,识别人类情感在敌对环境中几乎没有受到什么研究[30.]。使用这种技术的另一个好处是,焦虑水平的混合模型一个适当的后续作用不愉快的心理转变31日]。这种方法可以用来测量多少一个人经历的焦虑。因此这种方法可以提高运营安全,防止不正确的矿工操作。现在可以收集行为、生理和社会活动指标,由于集成智能传感器的爆炸性扩张,在移动设备和可穿戴技术(32]。自助应用,电子认知行为疗法(33),放松艾滋病、视频教学(34),虚拟现实(35),脑机接口(BCI)技术和其他方法都被用来提供这些治疗电子(36,37]。关键元素完美的传感器的选择性、线性度、灵敏度、精度、重复和再现性,校准,漂移和快速响应38]。机器学习方法可以帮助创建一个积极的反馈回路,可以不断提高病人治疗干预对于一个给定的(39]。任何数字项,包括衣物和硬件,各种应用程序跨社会的许多方面都可以一个物联网设备(40]。医疗保健行业正迅速采用IoT-based解决方案。此外,IoMT估计2020年已准备。到2022年,预计市场连接设备用于病人护理、监视和诊断将从149亿美元增加到522亿美元(41]。IoMT安全变得非常困难因为新的安全问题是新兴而古老的安全问题加剧及其快速增长和多样化的自然。以确保完整性、有效性和数据隐私,数据必须存储和传输,没有任何多余的访问(42]。
3所示。出版物的相关研究
可评论的研究出版物,强调在医疗物联网的集成已经包括在内。系统回顾和荟萃分析的首选报告项目(棱镜)标准被用来确定调查的出版物。
使用流程图如图3棱镜,一个广泛的选择的研究文章是由在不同的阶段。(我)包容性检查的研究文章免费搜索引擎像谷歌这样的学者,PubMed、网络科学,科学直接和斯高帕斯是在2022年6月,。此外,一些文章短上市用手动搜索。(2)使用的关键词选择的文章“IoMT”,“大脑信号,”“中风预测”和“可穿戴传感器”。
类似的文章都是消除在第一步中,只留下研究工作发表在2010年之后的后续筛选阶段。选择包括或省略研究文章研究出版物遭到拒绝后已经取得了在后期根据标题、文摘和全文阅读资格阶段。最后一个和包容步骤时选择的研究文章进行当前的研究考虑所有的入选标准。
通过病人的行为和健康状况的实时修改,IoMT桥梁数字世界和现实世界之间的差距来改善病人的健康。IoMT是一组相互关联的设备,提供在线健康服务。IoMT连接卫生系统基础设施,包括医疗工具,软件程序,和服务,并致力于给患者和那些发展中重大健康问题的风险更好的个性化和定制的护理。更准确地说,连接设备和传感器使医疗行业为了提高工作流管理和临床操作效率,同时也使远程病人健康监测。患者和临床医生都极大地影响了医学上重要的连接设备。IoMT-based远程健康监测的主要好处之一是患者执行常规任务的能力而不断监视他们的健康。另一个重要的好处是降低医院成本。传统的远程监控系统是不舒服的病人由于模块的大小与身体和频繁的充电或更换电池。深入学习算法不执行也没有数据。这是因为深学习算法需要大量的数据才能完全理解它。 With each idea established in connection to simple ideas and much more complex depictions computed in terms of less abstraction ones, deep learning, a type of machine learning, learns to depict the world as a layered network of ideas. Many people believe that deep neural networks are the be all and end all and that they should completely replace existing methods. Before abandoning conventional algorithms, it is critical to comprehend how to combine the two to get forecasts that are more accurate. The IoT revolution tackles the aforementioned issues by creating compact, low-power sensor hardware and streamlining communication methods. The sensors and electronic circuits in the portable patient monitoring device can collect vital signs. Figure4描绘了一个示意图说明IoMT在生活环境中。医生使用一个交互式的界面,可以看到病人的病情。远程健康监测系统由便携式监测设备对病人和实时监控系统在医院帮助做出决策。
最重要的监控是心脏,因为它能揭示自然伪装的许多疾病,如心律失常。为了进一步的研究,给患者新的治疗方案,IoMT-based设备正在开发监控精神病人的行为。textile-based自主神经系统的一个关键参数收集工具用于神经和脑部疾病的远程监控。此外,它提供了糖尿病患者远程监控工具。IoMT的关键区域的识别是落在老人被实时监控。各种传感器,包括陀螺仪传感器、加速度计、和呼吸率传感器,包括在数据采集系统中。多个系统,尤其是对老年病人,用不同的传感器节点安排找出当病人跌倒。在一些医院,实时生成统计数据,共享一个公共分类帐和检查的医疗专业。医生一直关注病人使用一些可穿戴的跟踪设备。可穿戴技术检测病人的身体变化和发送医生的实时数据。 The patient is then given advice by the doctor based on their health. The patient’s caregivers can also see the patient history. Every node in the patient network can see the reports and therapy for the patient that are shared on the public ledger. Table1提出了一系列有效IOT-based传感器对大脑和健身。
4所示。讨论
到2025年,预计IoT-based智能医疗市场价值3500亿美元。聪明的橱柜和药品纳入医疗保健行业的物联网框架越来越多的关注。几个CE系统提出了老年医疗保健(43,44]。从相应的传感器数据传输心电图(ECG),测量(EEG)和肌电图(EMG)已建议(45]。持续的老年监控,无线传感器网络(WSN)提供。CE自动化癫痫检测解决方案仍然需要物联网框架为了提高先进的智能医疗保健。建议的方法,从而提高CE包括癫痫发作诊断和远程健康分析。
癫痫发作检测进行了使用几种不同的技术。近似熵(ApEn)值大大降低癫痫活动期间,根据癫痫检测算法研究基于ApEn [46]。根据相关维度(CD)的技术,病灶CD较低的值。对于识别癫痫,分类器基于人工神经网络(ANN)已经提出47,48),有更好的分类精度。癫痫检测使用多层感知神经网络(MLPNN) [49)提高了检测性能。区分发作和nonseizure模式,安和小波transform-based特征提取(49)是应用。smoothed-pseudo-Wigner-Ville分布分析的特征提取短时傅里叶变换(STFT)的技术(50]。一个多层感知网络(MLP)和径向基函数(RBF)网络都被用来分类发作(51]。根据排列entropy-based分类,相当排列熵减少癫痫发作时(52]。癫痫检测与基于svm技术已得到改进,提出了在引用(53,54]。癫痫检测精度是通过信号增加,能耗减少拒绝算法发作探测器(55,56]。
图5提供了一个系统的基本概述。疾病与压力和焦虑在当今社会越来越普遍。正因为如此,管理不当的压力可能导致压力障碍,情感上的痛苦,和身体疾病。作者创造了一个IoMT-powered边缘设备与深度学习压力管理算法。生理数据是用来检测边缘压力和转移到云深学习分析。科学家发明了一种腕带与传感器(接触温度、湿度、加速度计)来检测应力模式的用户。使用深神经网络(款)算法,Stress-Lysis传感器数据生成离散压力值(低,正常和高)。作者他们的算法适用于不同的数据集和测试效率使用实时指标来验证该系统的准确性。他们的调查表明,他们建议的方法是98.3% - -99.7%准确的识别用户的压力。食品的分类是由机器学习模型称为单发射击MultiBox MobileNet。 To calculate calories, researchers first compare the data they acquire to a nutrition database. User stress is detected by the extraction and analysis of many features. Meal details, such as kind, quantity, timing, and user sex, are all included. Table2说明了监测系统压力和焦虑的结果在当前的技术发展水平的技术。
文献[58)建议开发一个物联网(物联网)的低成本焦虑症的班长。这个监视器将从生理指标推断情绪方面semi-immersive环境。物联网节点收集数据在用户的心率以及他们的身体活动水平。这些信息然后传输到覆盆子π3,在预处理之前发送到物联网云。这个系统的验证的结果显示有90%的准确率时识别焦虑症。拟议的分类系统是选举采取这种技术(59为了提高其整体精度。这种整体策略检测用户的情绪提高了分类精度emotion-aware IoMT-based架构由7 - 9%,根据验证结果的系统。一个独特IoMT-based战略管理慢性压力对女性和老年人提出了(60]。
毫升背后的基本概念是,你创建一个数据集,给ML算法学习,和后来的ML算法使用数据分析预测或建议。影响之一就是机器可能学会偏见或少数人的利益基于输入的数据。结果从一个机器算法,包括偏见可能不符合社会道德规范。长离线/批培训是必要的,以避免实时交互式或进步学习,可怜的集成、可重用性和可转移性的学习。系统是透明的,这使得它们很难解决。作为机器学习的一个例子(ML)的智能设备,可以实现在智能城市和企业,作者建议iMirror [61年]。因为这个工具可以降低压力,它能帮助人们与压力相关的慢性疾病。Mirror-mounted相机可用于人脸识别,压力研究,应用程序更新。当用户需要一幅画时,设备自动识别他们,扫描的图像提取信息,ML模式,可以分类用户的压力水平取决于图像。我们算出了红眼睛的病例数,浮肿的眼睛,瞳孔放大,皱着眉头,脸上的汗水。毫升模型(一个轻量级和优化版本的SSD Mobilenet)喂养这些特性来描述压力和更新移动应用。该技术是有用的,因为它对个人)的治疗方法。模型准确率97%和81.2%的精度,由实验。为了确定如果一个人有压力的问题,重要的是要跟踪他们的消费和他们吃的次数。自动跟踪用户的饮食摄入量,然后转换成他们的压力水平的估计62年)利用智能手机或相机的单板计算机配备了照相机。边缘计算设备可以使用iLog深学习模式识别和测量数量的食物在盘子里。使用板数据,iLog可以确定用户的压力水平(63年- - - - - -65年]。前沿方法开发的人员立即计算卡路里,认识到食物,饮食和焦虑之间建立一个连接。该方法使用IoMT发送图像捕捉到iLog眼镜设备在网络的边缘。图像分解的计算设备,和TensorFlow对象检测API用于识别图像中的对象(66年,67年]。
5。结论
几个物理项目也已配备了物联网设备(传感器、执行器等),使实时监控和数据传输在不同的通信协议,包括蓝牙和无线网络。病人的脑电图(EEG)、心率、心电图(ECG)只是几个例子的关键生理数据,这些传感器用于收集在医疗保健行业。这些传感器可以戴在身体或嵌入在衣服。此外,环境信息,如温度、湿度、时间和日期,也可以分析。这说明了物联网的潜力和效用,特别是有关智能健康产业。每个人都在社会上目前专注于获得通过,忽视了自己的健康。随着智能传感器的发展,现在可以持续监测一个人的行为,记录数据,甚至预测心脏病的发作前病人感觉的影响。因此,它是至关重要的选择和应用适当的传感器。另一个分散的方法称为“车链存储”还独立开发生产不同种类的数据称为“块。“因此,网络由病人而不是创建一个第三方。虽然仍处于初级阶段,使用云边缘和区块链在医疗行业发展作为研究的新课题。
数据可用性
本文中使用的数据将被要求提供相应的作者。
的利益冲突
作者宣称没有利益冲突。