文摘

互联网什么智能医疗系统获得的关注近年来改善医疗保健服务和减少数据管理成本。然而,有要求改善智能医疗系统的速度、精度和成本。一个智能和安全的计算框架与可穿戴设备和传感器提出了心律失常检测和急性中风的预测。减少延迟是高度重要的实时连续的评估,和分类精度提高急性中风预测。本文基于预处理和深度学习评估执行的计算层,和决定立即传达到个人。在这个工作中,急性中风预测是由深学习模型使用心率变异性特性和生理数据。分类精度提高在这种方法相比其他机器学习方法。云服务器用于存储个人医疗数据进行进一步分析。分析这些服务器的数据共享与医院、医疗中心、家庭成员,和医生。提出边缘计算可穿戴传感器方法优于现有的智能healthcare-based方法在执行速度方面,延迟时间和功耗。 The deep learning method combined with DWT performs better than other similar approaches in the assessment of cardiac arrhythmia and acute stroke prediction. The proposed classifier achieves a sensitivity of 99.4%, specificity of 99.1%, and accuracy of 99.3% when compared with other similar approaches.

1。介绍

基于边缘的东西——(测试结束)医疗引起巨大关注在过去的几年中由于可穿戴设备的广泛使用,5 g通信,边缘计算框架。无线医疗监测系统获得了巨大的关注最近在几乎所有的生物医学应用。基于物联网(物联网)的可穿戴计算设备产生大量的数据存储和分析得到重要的信息在许多实际应用(1]。尽管IoT-based医疗应用程序高度准确和及时的医学诊断所必需的,在适当的数据收集,有许多挑战需要计算设施,和数据存储2]。

在大多数现代数据分析应用程序中,应用机器学习算法来提高系统的精度和效率。甚至在一些应用程序中,这些智能算法执行错误的检测和系统输出。机器学习算法广泛流行于数据分类到不同的类中非常重要的生物医学数据分析(3]。生物医学信号监测和处理非常重要在几乎所有的医疗设备和先进的设备。近年来,可穿戴设备首选在许多医疗监测提供持续的监控,便于访问,灵活性,和疾病检测。可穿戴设备和传感器是最近流行的无线监控婴儿、老年人、残疾的人,和运动员。此外,老年人口的增加需要特别关注和持续的监控老年人的年龄60岁以上(4]。这些设备产生大量数据,存储和处理。然而,移动设备不仅能够存储大量的数据,他们不能够执行复杂计算涉及信号处理。为了克服这些问题,基于云的无线医疗系统近年来获得了巨大的关注。

物联网和云computing-based医疗系统开发的无线医疗监测与不同处理大量的数据。IoT-based医疗的主要目的是减少计算负担和存储需求的移动设备和健康生活为用户提供低成本的解决方案(5]。摘要edge-based医疗系统开发评估重要的健康参数如血压、温度、呼吸速率、心电图(ECG)和心率。医疗心电图监测心脏的健康状况进行评估是有用的。

测试结束了巨大的声望在无线医疗监控和各种处理大量的数据。这项工作的主要目的是减少计算负担和存储需求的移动设备和为用户提供低成本的解决方案与健康生活(6]。在这篇文章中,一个edge-based医疗系统开发评估重要的健康参数如血压、温度、呼吸速率、心电图(ECG)和心率。医疗心电图监测心脏的健康状况进行评估是有用的。

在无线监控,每个病人被认为是无线传感器网络的一个节点,这些节点连接到中央节点在医院。无线网络、移动计算和集群计算解决方案已用于医疗保健网络的性能改进。普适计算和无线传感器网络用于不同的可能的方法在医疗应用程序发送数据。在工作中,作者使用各种无线技术在生物医学领域监测生理信号。许多传感器利用了信号采集和信号处理器用于预处理获得的心电图信号。在这部作品中,医疗保健系统是简易的应用云计算在医疗监控框架。

在无线医疗监测、传感器与各种硬件和软件组件用于病人的有效监控。图1显示了简单的可穿戴计算框架与云或边缘计算层。收集到的数据预处理可穿戴设备提供相关数据计算层。预处理数据评估使用边缘计算设备在计算层,最后结果发送回用户。进行深入的分析和预测,各种机器学习和深入学习算法可以用于特征提取和分类。

无线医疗监测非常重要在评估慢性心律失常等疾病,糖尿病,高血压和心血管疾病。因为无线医疗监测面临一些严峻的挑战,可穿戴传感器与优势提出了本文计算方法。边缘computing-based智能医疗系统是由研究人员使用可穿戴设备(7- - - - - -9]。这些方法关注病人的生理参数和历史评价的人。现有几个问题工作如下:(i)可穿戴传感器和设备不能够执行任务和批判性分析的预测。(2)利用云计算框架为深上优于现有方法检测和预测需要密集型计算任务。(3)分类精度需要改进的致命的心脏病风险分析和急性中风的预测。

深上优于CNN模型来评估心脏病在雾环境(10]。然而,有一个要求改善心律失常的精度检测和急性中风的预测。优势与可穿戴设备计算框架提出了克服现有边缘computing-based方法的缺点,提高心律失常检测的准确性。简单的预处理任务进行用户的移动设备,而特征提取和基于深度学习在边缘设备进行评估。云服务器用于存储和分析大量的收集数据。医疗保健中心、应急服务、病人、家庭成员,和医生沟通通过云服务器。

在现有的作品中,心律失常的检测进行了用不同的方法和不同的风险因素。几个危险因素的二型糖尿病,高血压,吸烟,高胆固醇。特征选择技术是高度要求提高准确性和计算资源的有效利用在心脏疾病的评估使用机器学习的方法。一个人工神经网络(ANN)与多层感知器是用于心律失常检测和急性中风的预测。卷积神经网络(CNN)和支持向量机(SVM)结合光谱图分类心音的心脏疾病的诊断。是很重要的隔离异常心音和肺的声音在心音图(PCG)心律失常分析的基础上11]。

本文由五个部分组成。部分2回顾了相关文献计算框架,可穿戴计算,使检测到的心电信号预处理和基于机器学习的评估。部分3提出了边缘与必要的框图和计算框架的解释。结果讨论了部分4。最后,工作是结论部分5。

2。文献综述

在无线心电监测、可穿戴设备和传感器收集个人的各种生理参数。传感器是通过监测的无线传感器网络连接更多的病人。可以观察到高质量的信号通过microcontroller-based预处理电路。心电信号处理执行使用小波更好的光谱特征提取和提高信噪比。在线监测和高质量处理的结合使该系统的强大技术的无线监测系统。

CVD风险执行检测在许多作品运用机器学习的方法来识别心脏异常心跳检测和分类。一个人工神经网络用于心血管疾病风险检测在移动云计算方法12]。在他们的工作中,作者使用云中的虚拟机,其中ANN-based培训与学习完成,和处理数据发送回移动设备。然而,培训和学习导致的整个数据上进行大量的计算,和云计算设备的负担更多的用户的连续监测。

机器学习也被许多作者在心脏疾病检测。简称ANFIS被用于冠心病风险检测的云监控系统(13]。此外,决策树、朴素贝叶斯 - - - - - -最近邻(资讯)和支持向量(SVM)已经使用在许多作品在发展中更好的医疗监控系统。机器学习技术应用在数据分析和复杂的设计应用程序很难使用传统算法和技术(14]。在生物医学的应用,许多专家系统用于智能医疗监控设备,因此要处理大量的数据和分类妥善使用机器学习技术15]。

对心电图信号监测技术表明,有一个要求开发一个更好的评估和预处理技术(16]。数学morphology-based处理引入了扭曲的QRS波,的提取造成困难 - - - - - - 时间间隔(17]。因此,morphology-based分析不是有效的心电信号预处理和特征提取。在形态分析,克服困难 - - - - - -峰值检测技术是必需的。波的斜率在定位QRS波群检测是至关重要的ECG信号特征提取的应用程序。低波斜坡可能误导医生在ECG信号的诊断。因此,心电图信号的噪声去除是使用过滤算法更好的特征提取(18]。此外,当监测运动员的心率,老年人和婴儿需要一些可穿戴设备;传统的监测系统需要改进的无线监控和处理能力。

云计算和边缘计算被广泛部署在智能医疗系统。在云计算系统中,信号质量分析是在移动设备上执行。复杂计算转移到云服务器,和结果发送回移动设备显示。移动和可穿戴设备用于收集数据,和一个云服务器用于存储和计算。由于移动设备和可穿戴设备通过互联网连接到医院直接和路由器,可以轻易完成的数据传输(19]。合格的和处理的数据被发送到边缘设备可能在一个医疗中心或诊断实验室。预处理的数据被发送到边缘设备,KNN-based CVD风险进行检测。KNN-based为心律失常心电图击败分类执行检测。许多机器学习算法用于生物医学数据分析(20.]。

3所示。提出了边缘计算框架

心律失常的检测和急性中风预测的重点是在本工作使用可穿戴传感器和计算框架的优势。图2描述了流程流的边缘与传感器和云服务器计算框架。在拟议的框架中,预处理和特征提取是进行计算边缘层,和决策可以立即传达到个人。大量的收集的数据被发送到云服务器为存储和进一步分析改善急性中风风险预测的准确性。自几心律失常情况可能危及生命,急性中风预测的准确性需要改进从获得的数据可穿戴设备。为了提高预测的准确性,深度上优于CNN算法用于特征提取和分类。

几个重大贡献的工作如下:(我)时域和频域HRV特性用于心律失常的检测(2)各种生理数据与HRV特性应用于急性中风预测CNN(3)MIT-BIH和实时记录ECG信号都是用来预测急性中风使用深度学习模型(iv)深CNN-based多级分类执行在急性中风预测研究对象划分成正常,减少stroke-risky,中风的风险很高

3.1。预处理和特征提取

收集到的心电数据预处理在可穿戴设备,他们被发送到的图形处理单元(GPU)基于边缘计算设备深上优于急性中风的预测。血压、血糖水平和胆固醇水平可以发送没有任何预处理。然而,预处理和特征提取心电信号分析中发挥重要作用。一个完整的数据分析心率ECG信号是非常重要的特征提取(21]。小波变换用于心电信号预处理和特征提取。统计和频域分析是应用于提取心率变异性(HRV)的心电图信号。利用统计特性和频域特性获得实验结果。一些统计特征的均值间隔(RRmean),平均心率(HRmean)、心率(HR Std)的标准差,均方根标准差,甚低频权力和频域特性,低频功率(一份)、高频功率(一份),低频常态。

3.2。心律失常和急性中风的预测评估

收集到的数据被存储为训练数据和测试数据。通常,80%的数据可以被训练来获得良好的分类结果。心律失常的检测是由预处理、模型开发、测试模型和预测。CNN-based深上优于中风预测和风险分类在此阶段进行以下步骤:(i)从质量评估心电图信号特征提取,(2)应用各种生理数据和特征提取心电信号深度学习模型,和(3)心律失常检测是由测试开发模型。图3描述了检测深度学习基于模型的心律失常。

在这工作,深CNN与一个输入层,研究利用卷积两层,两层池,一个完全连接层,一个分类层。在这个工作中,两个卷积层和两层max-pooling用于更好的定位和特征映射。在卷积层特征图进行评估

是一维的内核呢^th特征映射的卷积层。偏差值^th过滤器和 。

池的功能映射层可以计算 在哪里 , ,和每个特性的元素是地图。

急性中风检测也集中在处理边缘计算框架提出的生理信号。心脏方面的慢性疾病主要是负责心脏骤停,心脏病发作和心脏猝死。因此,急性中风或缺血性中风检测非常重要在心脏方面的慢性疾病的评估。实时测试的产品使我们能够使它更好使用可穿戴设备中风的预测。慢性疾病风险的分类精度和急性中风预测是使用特异性、敏感性,和总分类精度。图4描述了过程参与急性中风的预测。

急性中风的深度学习模型预测使用多级CNN算法。深度学习的训练阶段和测试阶段模型如图5。深度学习模型提供了几个从MIT-BIH收集样本数据和实时数据。样本数据包含正常的主题数据和心脏与中风症状患者数据。输入数据包含许多生理数据,心率功能,和相应的结果。培训是对输入数据执行获得训练的深度学习模型。得到训练模型是用来测试从可穿戴设备输入新数据。预测从测试结果传达给医生、医疗中心、亲戚、和紧急服务。在高中风风险的情况下,它需要立即关注,信息发送给紧急医疗服务。

4所示。结果与讨论

实验结果得到了利用可穿戴设备收集的生理数据如温度、血压、心电图、呼吸率和胆固醇水平。心率变异性特征提取MIT-BIH数据和实时记录数据。使用Matlab软件仿真实验执行(2019版)的笔记本电脑(8 GB RAM DDR4和英特尔i7处理器,处理器速度4.6 GHz)。从心电信号特征提取使用国家仪器(NI)生物医学设备应用软件。的系统性能和电池性能移动边缘被传输数据观测设备和服务器。

仿真实验进行了使用MIT-BIH数据库和实时数据收集的可穿戴设备。从MIT-BIH数据库,心脏病患者应用了数据和健康的人记录。五十心脏病患者,他们招募了30个健康个体的实时可穿戴computing-based数据收集。尽管ECG信号振幅范围内,由于心电放大器获得振幅。获得心电图信号处理使用小波测量的生理参数。识别心电信号的QRS复合物后利用DWT,可以测量心率使用R峰之间的时间间隔(22]。

心率变异性特征和生理数据,如血压、呼吸速率、温度和胆固醇水平已经被送入CNN分类器。这些细节都包含在结果与讨论部分的第一段。此外,CNN数据讨论了图的参数6。在现有的作品中,利用机器学习算法的预处理和特征提取心脏心律失常分析和中风预测;然而,他们不能获得所需的分类精度。摘要CNN分类器是用于提高分类精度和三个输出层提供正常,低中风风险,和高中风风险。

统计的均值等特性间隔(RRmean),平均心率(HRmean)、心率(HR Std)的标准差,均方根标准差,和频域参数如甚低频(一份),低频(一份)、高频(一份),频率比低频/高频、低频标准和高频规范指出所有的科目。功率谱密度图与频域特性和光谱图块与小波系数使用NI观察生物医学设备。这些特性是非常必要的改善提出了深度学习模型的准确性。图6(一)描述了功率谱密度图的频域特性。图6 (b)显示心电图数据获得的谱图绘制的小波系数及其分布在规模上的值。对象的规模是不同的从0到59从7.1到36.6秒。观测值的评估是用于分析心脏心律失常和急性中风的预测。

时域特性,比如心率(HR)的平均值和标准偏差。阈值被分配到人力资源的意思是和人力资源标准偏差而分类数据正常和疾病的风险。共有512个训练数据(80%)的信号长度60秒被认为是包括MIT-BIH数据库样本。训练后,128(20%)使用测试数据来验证分类器的准确性。的 - - - - - -峰值检测信号是用来计算每分钟跳动。评价该方法的性能,灵敏度、特异性和计算精度。这些参数定义如下:

在拟议的工作,CNN分类器学习速率为0.1,25的时代,批处理大小为640已被选为培训和学习。训练的准确性,测试精度和训练误差测量和描绘在图7。

在边缘computing-based方法中,电池供电的要求是,从1到电池总数的1.5%。值得注意的是,移动方法消耗12 - 14%的电量。六到十倍的执行速度提高提出边缘计算方法与三刃设备相比,单刃设备。延迟分析也进行了研究框架的有效性能提出了优势。图8显示了延迟分析和比较边缘计算框架和计算框架的设备没有任何优势。大大减少延迟时间的计算框架边缘由于更少的依赖于云服务。

执行速度和延迟时间计算评估计算框架提出的性能优势。执行速度提高框架中由于本地处理和分析通过边缘设备。进一步提高速度增加边缘设备通过最小化的数量对云计算服务的依赖。表1比较提出了边缘的执行速度计算方法通过部署一个不同数量的边缘设备。除了执行精度的特异性和敏感性,电池是没有负担多而密集的计算操作computing-based边缘的方法。

在大多数的分类方法,有必要比较敏感性,特异性,不同方法和准确性的同时,又应用风险检测。在这个工作中,提取心率功能使用DWT和生理参数应用于深CNN的方法。这里,多引线与多个实例学习心电图(ML-ECG&MIL),形态学特征与资讯(MF-KNN)与支持向量机(EF-SVM)能量特性,多个基于CNN (MF-CNN)方法相比,提出的DWT与深CNN的方法。表2比较获得的值特异性、敏感性和准确性而考虑250病人的记录。数据9(一个)和9 (b)描述比较灵敏度分析和比较特异性分析,分别进行50,100年,150年、200年和250年病人记录。从这些数据观察,有轻微变化的性能。然而,拟议的DWT深CNN方法优于现有的其他方法由于其特性提取和训练有素的数据。

从表2,观察特异性、敏感性和准确性高的方法相比,类似的方法。敏感性、特异性和准确性进行分析与不同数量的记录。

5。结论

在这项工作中,一个边缘计算方法提出了改进评估的准确性和速度心律失常和急性中风的预测。深上优于CNN模型检测心律失常和预测急性中风。的生理数据和心率特性MIT-BIH和实时数据应用于深度学习模型。拟议中的DWT-based特征提取和深度CNN-based多级分类提供更多的准确性比许多现有特征提取和分类方法。该分类器实现的敏感性为99.4%,特异性99.1%,准确性99.3%,相比与其他类似的方法。六到十倍的执行速度提高提出边缘计算方法与三刃设备相比,单刃设备。

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

作者宣称没有利益冲突。