文摘
据世界卫生组织统计,心脏病是全球死亡的最大原因。它可能会降低个体的总体死亡率如果可以检测到心血管疾病的早期阶段。如果检测到心脏疾病在早期阶段,有一个更大的可能性,它可能成功在医生的指导下治疗和管理。近年来物联网等领域的进步,云存储,和机器学习上升到新的乐观情绪的能力技术在全球范围内带来一种范式变革。在床边,使用传感器来获取生命体征近年来已经越来越普遍。病人是手动监控使用监视器位于病人的床边;没有自动数据处理。这些结果来自一项调查心血管疾病进行的大量的医院,已经使用在早期的协议的发展,自动化,智能识别心脏疾病。帕斯卡的数据集是由收集数据从不同的医院使用数码听诊器。这些数据集是公开的,它被许多世界各地的研究人员在实验工作。 The proposed strategy for doing research includes three steps. The first stage is known as the data collection phase, the data is collected using biosensors and IoT devices through wireless sensor networks. In the second step, all of the information pertaining to healthcare is uploaded to the cloud so that it may be analyzed. The last step in the process is training the model using data taken from already-existing medical records. Deep learning strategies are used in order to classify the sound that is produced by the heart. The deep CNN algorithm is used for sound feature extraction and classification. The PASCAL data set is essential to the functioning of the experimental environment. The deep CNN model is performing most accurately.
1。介绍
不断增加的人口比例在他们的晚年提供远程健康监控绝对需要。领域的健康监测、恢复和支持老年人生活和治疗测试人,最紧迫的挑战之一是保持一致的个人之间的系统管理,各种医疗设备,和专业组织(1]。由于这个原因,有需要可穿戴,低控制,便宜,可靠的医疗技术,有可能提高生活质量的具体患有某些疾病的人。此外,它提供了一个潜在的改变游戏规则的技术创新能力,实现上述利益在人类服务和提高医疗管理结构。这种进步可能意识到潜在的改变游戏规则的技术。物联网平台,可以穿有可能被利用在数据的远程采集和传输客户端以及他们所在的地方。之后,数据可能被评估,在以后使用,如果必要的。这种可访问性与外部设备和服务要么占早期预防(例如,在即将到来的心脏病)的预测也将提供快速治疗(例如,当一个客户端翻滚下来,需要帮助)。近年来,大量的物联网框架开发了用于物联网应用与辅助生活和医疗相关服务(2]。
近几十年来,心血管疾病已经取代所有其他原因的死亡率成为死亡的主要原因在美国。是极具挑战性的医务人员及时做出正确的诊断(3]。由于这个原因,计算机专业知识的整合到这个研究是至关重要的,如果它是帮助卫生保健从业者提供及时、正确的诊断。图1显示动脉阻塞。
在过去的几十年里,心脏病是视为一个只有老年人面临的问题。然而,这些天盛典,这是死亡的主要原因之一为个人所有年龄段的。已经表明,印度有两倍的心脏病患病率高于世界其他国家的平均水平。尽管心脏疾病变得越来越盛行,大量印第安人继续无知的症状可能陪它。即使有心脏病史的家庭是一个重要的危险因素的就其本身而言,大多数的心脏方面的疾病是由因素引起的,如高血糖、高胆固醇、高血压、不健康饮食、吸烟、久坐不动的生活方式,压力,和肥胖。在这个时间点上,一个人的生活方式是最重要的因素在决定他们是否会获得心脏病(4]。
最有前途的技术之一的疗法,现在发展解决全球健康股权空隙是远程病人监控基于物联网技术(物联网)(5]。这种特定的物联网技术也被项物联网医疗(IoMT),这是物联网的另一个名字6]。在整个论文,我们要利用这句话“物联网”和“物联网医疗”互换,尽管我们的主要集中将在医学领域。由于IoMT技术,电生理信号,如心电图,英国石油(BP)动脉血氧饱和度,和葡萄糖水平,除了用户行为如坐着,站着,和散步,可能被发现和实时远程监控。这是一个很大的进步。利用自动决策支持系统,考虑数据从许多不同的监测指标获得允许早期预测。这将是一个重大转变的开始从传统的诊断和治疗疾病的实践走向一种健康管理在本质上是更多的预防和基于预测(7]。
使用机器学习算法(8)可以发现先前未被发现的信息模式的形式隐藏在历史记录的数据库。对数据挖掘系统的一个重大挑战是正确诊断疾病在早期阶段的能力(9]。为了到达的准确诊断病人的病情,需要大量昂贵的测试调查不同光谱的症状以及可能的原因。另一方面,数据挖掘和机器学习算法可以显著减少患者需要测试的数量。因此,必要的测试的总数可能会减少,这不仅有有利影响的时间做出预测,也在这样的预测的准确性。尽管有各种数据挖掘算法,已经在医疗行业中使用,进一步研究这种分类的绩效评估技术是必需的,为了得到更高层次的结果精度(10]。
本文包含一个智能e-health心脏病检测系统使用人工智能和物联网。生物传感器启用听诊器收集病人的心声。无线传感器网络是用于连接传感器和物联网设备。物联网设备与一个集中的云服务器建立一个连接,所有心声音文件都是累积的。心音信号是分开其他噪音使用盲源分离算法。帕斯卡数据集用于深卷积神经网络训练和测试。
2。文献调查
2016年,叶提出(11)建立一个身体传感器网络(BSN)利用一个平台,是由物联网(物联网)。他们提出构建两种通信方式利用复杂cryptoprimitives为了保障数据传输的隐私和验证实体智能对象的内部网络。这些技术将用于验证实体。中央处理单元(CPU)和后端BSN服务器属于这个类别的方法。实体的身份验证的目标是这两个方法。他们已经证明可以执行方法的方式表示利用覆盆子π平台。他们构造了一个物联网(物联网)试验台,配备不同的安全措施。在这种特殊情况下,树莓π平台模拟LRU充当替身,这是一个智能移动物体的另一个名称(LPU)。
使用嵌入式系统心率传感器节点分析与切实的援助工程是在2017年由福,法鲁克12]。健康、安全、复苏病人的家里,评估治疗的疗效,早期疾病检测都关注的重要领域。
使用一个三层的物联网体系结构和一种机器学习算法,Kumar和甘地13)开发了一种用于心脏疾病的早期识别的技术。该系统能够检测这种疾病的早期阶段。他们建议设计,由三个层次来存储和处理大量的数据,是由可穿戴设备。这样做是为了使数据更易于管理。数据的收集是一级的主要目的。存储大量数据的云是由二级通过Apache FIBase的利用率。的发展是建立在逻辑回归预测模型是由三线与Apache Mahout的援助。利用ROC分析最终结果生产节点分析心脏条件。
2016年,公园等。14)创建了一个智能系统记录的椅子上,生动地描绘了通过使用智能手机应用程序用户的姿势。这个系统的目的是协助治疗不平等的姿态。他们发送数据使用压力等低功耗传感器和倾角传感器,和他们建立了连接使用蓝牙等无线技术和iBeacons。压力和倾角传感器是这些类型的传感器的两个例子。这个Arduino实现了主要的目的确定用户所使用的各种姿势。这种技术帮助用户坐直,认清自己的现状和传达信息的方式是通过使用简单的理解和审美吸引力的应用程序的智能手机。图形描绘了一个比较实际用户的姿势和理想的姿势在左右,的压力由各种颜色的圆圈(红、黄、绿、橙)。这是一个很好的例子,物联网技术如何可能投入使用。
研究可能的传感器网络技术在医疗中的应用研究,克服各种挑战和病人监护由Alemdar Ersoy [15]。作者传播各种各样的信息子集内的医疗行业,如处理长期患病的人,老人,新生儿和青少年,他们的父母对他们负责。
赖et al。16)进行了一次评估对身体传感器网络为了编译当前的列表在许多不同的学科发展和持续的挑战。我们还谈到身体传感器网络的许多应用程序。作者们希望他们的深入研究能够帮助解决的问题仍然存在与现有的框架。
1980年,Sneha和Varshney17)提出的建议,一个框架应该为手机开发的病人监控。这个框架的主要目标是解决这一问题的高费用与底层基础设施相关的无线传感器网络,同时提高病人和医护人员之间存在的沟通渠道。研究人员的贡献不同的特性和概念框架,比如电源管理和系统的设计。许多潜在的途径的调查作为研究项目的动力。
尼噶et al。18)提出了一个策略来减轻缺乏医学专家在他们的论文发表。的工作计划的基本目标是通过远程连接发送心电图传感器值。提供医疗服务主要是局限于都市地区。此外,心脏报告编译和转发到专家作进一步的检验。
移动健康应用程序进行一个全面的分析,是由Mosa et al。19]。后考试超过2800学术出版物,共有88个潜在的应用在医学领域被发现。这些项目有各种各样的用途,包括提供的一些药物的建议,健康监测计算器、通信工具、医疗机构的数据库和工具诊断疾病。此外,作者指出无处不在的智能手机的可用性以及其潜在有用性作为远程监控工具。
Appelboom et al。20.]研究不久前他们收集的数据智能可穿戴式生物传感器的发展,以及这些生物传感器的临床疗效。本文收集利用广泛的方法论领域,其中一些包括但不限于连接设备,生物传感器,远程控制,无线技术,实时回家观察设备,等等。根据这个研究的发现,传感器在医疗保健行业的使用是有益的和可靠的。此外,传感器的全部功能并没有以任何方式使用。
七巧板等。21]研究了无线传感器的使用在医疗推广,因为他们的独特品质,如低成本数据处理,可用性增长,和其他类似的属性。无线传感器网络最初只是用于武装部队的成员,但后来开放民用部门的成员。根据这个研究的发现,生物传感器是一种有效的方法来监控范围广泛的疾病。此外,一些挑战与采用了网络在医疗设置。
可穿戴设备的功能是提高Azariadi et al。22]这样研究人员就能有一个更好的了解心电图数据和心跳。利用可穿戴技术已经证明是非常有利于研究和开发更有效的监控工具对各种领域内的医疗保健业务。ECV和病人的平均心率在过去的24小时都是考虑在进行诊断时使用的诊断工具,它的目的是帮助医务人员的诊断病人。现在比以往任何时候都更重要的是远程监控病人,医疗服务提供者可能为患者位于的地方同时也降低了他们的成本。
3所示。方法
本节包含一个智能e-health心脏病检测系统使用人工智能和物联网。生物传感器启用听诊器收集病人的心声。无线传感器网络是用于连接传感器和物联网设备。物联网设备与acentralized云服务器建立一个连接,所有心声音文件都是累积的。心音信号是分开其他噪音使用盲源分离算法。帕斯卡数据集用于深卷积神经网络训练和测试。图2显示了心脏疾病检测的智能e-health系统使用人工智能和物联网。
连续监测病人的健康,以及他们的健康水平和活动,可以极大地帮助下利用可穿戴传感器技术(16]。保存数据的一个持续的过程,是由这种疾病患者为了帮助各种各样的医疗治疗和提高整体健康的社区作为一个整体。这样做是为了帮助对抗疾病的影响。可靠的健康数据也可能被利用的过程中定义的日常规范和个人进行体格检查。许多的设备连接到互联网的事情(物联网)创建一个人的生命体征监测的目的,如血压、心率、血糖水平和程度的疼痛。这些监控手术放置在病人的身体,跟踪的生命体征在整个实验过程。
“无线传感器网络(WSN)”是指在距离和系统功能由分散、自主设备使用传感器来监测环境或物理参数。这种网络也被称为“分布式传感器网络。“这些独立的节点,它有时也被称为中心有时是什么构成的传感器网络系统(15)与开关和一个渠道。传感器系统的手段是聪明的情况下可能成为社会所需的数据分布。这是真的不管聪明的情况是在一个建筑,一个工具,一个公司,一个房子,一艘船,或者交通基础设施的自动化。我们需要自适应传感器系统能够扩大和配置以当代心理压迫者和游击战士战斗。在这些类型的环境中,安装电线或电缆通常是不切实际的。我们需要一个传感器网络,它的安装和持续维护简单。照明段落的目的是简化的基于互联网的网络之间的通信和开源网络技术。
因为这个原因,云计算(13e-health框架的)是一个重要的推动者,因为它可以提供计算和存储基础设施所需解决的问题e-health信息管理。因此,护理人员有机会使用这些数据来他们的利益重新分配到不同的云服务。不仅使他们维护和保持数据的加载最新的既有效和具有成本效益的方式。
是非常具有挑战性的重组整个音频信号从一个损坏的观察。分离高速钢的环境噪声是必须克服的障碍之一。盲源分离是一个可能的解决方案应用到这个问题,这是许多可能的方法之一。传感器阵列的BSS的一部分被认为是最关键的。梁创建使用multisignal数据数组的BSS(传感器是不可分割的一部分23]。束前负责收集信号从几个来源提供指导的反应。感兴趣的信号将改善结果无关的干扰来源显著减少(24]。这些BSS算法得到他们从独立分量分析(ICA)的基本思想,作为其基础。相比之下,ICA实时处理混合信号的能力。一个可以推断利用模式的到达时间的来源是由分离矩阵。
深卷积神经网络是一种最先进的人工智能方法,专门解决困难的问题,出现在计算机视觉(CNN)。CNN深处,一种深度学习由前馈人工神经网络表示,一直被应用在很多的文章处理农业照片的分类。这些作品可能会发现在以下:重要深CNN是一层称为卷积层,使用过滤器来提取属性从照片发送到该网络。有可能增加训练数据的总量可能会使深CNN更加成功。使用深CNN的一个最重要的好处的图像分类是它可能会大大减少工程所需的特性。
深CNN网络是由许多层,每个人负责一个单独的卷积。分层架构的一个实例,可以通过使用深CNN方法如图3。
每一层的网络训练数据的创建一个新的表示,与更普遍的表现出现在最外层和更具体的表象深入网络。训练数据的维数下降了卷积层,作为特征提取器,和汇聚层负责减少数量的维度。卷积层是层,底层输入和把它变成高级属性可能用于分类。进一步一件事要记住的是,卷积层是任何深CNN系统的重要组成部分。
功能的过程工程深度学习区别于其他更传统的机器学习类型。池层负责将采样的过程发生在空间维度。它有助于减少选择的总数。实现的方法称为maxpooling池层的推荐模型。最大池执行比平均池深CNN模型。删除节点从一个网络的过程是一个额外的层,在整体结构中扮演一个重要组成部分。是一种正则化,用于减少过度拟合的影响。下一层,称为致密层,负责分类。这一层被输入的卷积和池层之前。深CNN涉及大量的迭代中除了几个模型的训练,以达到最好的结果。 The basic optimization method known as gradient descent, which is often referred to as batch gradient descent, is used in gradient descent. In this approach, the gradient steps are carried out using full training data on each step. When dealing with a large training set, the gradient descent algorithm may be difficult to implement.
4所示。结果分析和讨论
帕斯卡数据集(25)包含的心音样本。它有449条记录,五类。类是正常的,嘈杂的正常、期外收缩杂音和噪音杂音。心音信号是分开其他噪音使用盲源分离算法。帕斯卡数据集用于深卷积神经网络训练和测试。300图片用于火车深CNN模型,和149年的图像是用来测试CNN模型。结果如图所示4。不同的参数是用来观察深CNN的性能和比较的结果深CNN与其他分类支持向量机模型,安,和逻辑回归。框架中实现Jupyter工具。这是一个面向工具。I5第七代和3.2 GHz处理器与8 gb RAM用于实验装置。
从图4,很明显,深CNN的准确性为98.4%。它高于SVM、LR和ANN算法。深CNN的精度是99%,超过2.6%的精度ANN算法。回忆和深度CNN的F1得分也高于其他分类器中使用的实验工作。
最基本的性能度量的分类准确性分数,精度得分,回忆分数,F1的分数(26,27]。使用混淆矩阵的常用做法是为了演示如何执行测试数据的模型。混淆矩阵是一个有用的工具,可以用来提供一个可视化表示的各种机器学习方法的有效性。混淆矩阵考虑四个不同的价值观:真阳性(TP),假阴性(FN),真正的负面(TN),假阳性(FP)。这是显示在表1。
分类方法可以评估的准确性基于给定的百分比群测试文件被正确地分配到各自的类别。
总数的事件模型正确分类数据作为正面被称为真正的正面。如果一个号码被描述为真阴性,这意味着它已经明确确立为负的值范围。精心设计,假阳性假阳性的发生分类当底层数据是负的。这被称为假阳性的分类。假阳性通常被称为1型错误。假阴性错误的是一个数字被错误地贴上有负面价值,无论物质多少时间到达这一结论。这种现象也会由2型的名称错误,通常也称为假阴性。这些参数是定义分类精度,精度,召回,F1的深卷积神经网络和其他现代机器学习和转移学习方法。
5。结论
的主要原因是心脏疾病的死亡率在全球范围内。如果心血管疾病可以被处于初期阶段,但它可能是可行的减少的总死亡率。如果心脏病诊断在较早的阶段,有一个更大的可能性,它可能有效治疗,在医生的指导下进行管理。尤其如此,如果早期检查出患疾病的进展。最近的事态发展在物联网、云存储、机器学习引发了重新点燃的乐观情绪潜在的技术在全球范围内迎来一个范式转变。本文包含一个尖端e-health系统,利用人工智能和物联网检测心脏病患者。收集患者的心脏的声音通过听诊器配备生物传感器。为了连接传感器和其他所有的物联网设备,使用的是无线传感器网络。物联网(物联网)设备与一个集中的云服务器创建一个链接,这是心脏录音都聚集的地方。利用盲源分离技术,心音信号是独立于周围的背景噪音。 In order to train and validate the deep convolutional neural network, the PASCAL data set is used. When training the deep CNN model, 300 photos are utilized, but just 149 images are used when testing the CNN model. Several distinct factors are used in order to evaluate how well deep CNN performs in comparison to other classification models and to monitor the performance of deep CNN itself. Logistic regression, support vector machine, and artificial neural networks deep CNN are doing much better than other models across all parameters.
数据可用性
数据可以根据要求提供相应的作者。
的利益冲突
所有作者宣称他们没有任何利益冲突。