由数据分析辅助智能医疗系统和移动计算

文摘

它正在进入一个大数据的时代,促进各领域巨大的改善。特别是,借助无线通信和移动计算、移动设备出现更新医疗行业有巨大的潜力。尽管先进的技术将有可能更深入地理解正在发生的事情在我们的身体,它很难处理和过程随时随地大健康数据。因此,数据分析和移动计算是重要的医疗保健系统,以满足许多技术上的挑战和需要解决的问题,意识到这种潜力。此外,先进的医疗系统需要升级的机器学习等新功能,数据分析,认知能力为人类提供更聪明和专业医疗服务。探索的最新进展和传播先进的技术与数据分析和移动计算设计,建筑,和部署新技术,使智能医疗服务和应用,介绍了详细设计开发智能医疗系统辅助数据分析和移动计算。此外,一些代表讨论了智能医疗应用显示,数据分析和移动计算可用来提高医疗服务的性能。

1。介绍

在过去的二十年中,先进的信息技术,如移动通信系统(1),大数据(2),物联网(物联网)3),和可穿戴计算(4),已广泛用于卫生保健的领域(5]。尤其是各种新颖卫生保健系统的帮助下大数据和移动计算为提供智能开发和专业服务6]。然而,医疗数据的爆炸式增长带来以下挑战数据管理、存储、和处理:(我)大规模的。electromedical和可穿戴设备的改善,医疗系统已经广泛的数据量增加(7]。(2)在高。一般来说,主要electromedical和可穿戴设备可以不断表现健康数据,而这些数据需要处理迅速及时应对紧急情况(8]。(3)各种形式。有各种医疗数据生成和存储在医疗保健系统中,如医疗记录、住院记录、医学成像、手术数据。这些多源数据,包括文本、图像、音频和视频(9]。更重要的是,同一类别的医疗数据通过不同的设备可能遵循不同的标准定义的数据提供者。(iv)深度价值。挖掘单个源医疗数据的价值是有限的。因此,更多的研究试图开发基于数据融合的方法来发现更多的知识从不同的数据提供更多有价值的服务,如个性化健康指导和公共健康警告(10]。

先进技术的协助下,幸运的是,越来越多的智能医疗服务支持的数据分析,虽然变得更加方便用户访问这些小说服务(11]。例如,m . Pramanik等人提出一个大数据启用智能医疗系统框架提供一个内部和企业间的商业模式的理论表示在医疗环境12]。m·拉索尔教授等人开发了一个Hadoop-based智能医疗系统演示IoT-based协作上下文之间的大数据共享所有的设备在医疗保健系统(13]。美国Peddia等人设计了一个基于云计算的移动e-health热量系统,可以进一步分类食品板块中的对象和计算每一种食物的总热量对象与精度高(14]。

虽然伟大的创新发生在卫生保健领域,有几个问题需要解决,特别是异构数据融合,移动数据传输和分析等。15- - - - - -17]。在[18],讨论清楚的动机和多传感器数据融合的优点和特别关注身体活动识别,旨在提供一个系统的分类和共同比较框架的文献,通过识别独特的属性和参数影响数据融合设计选择各级(数据、特征和决策)。在[19),它提出了电子健康记录大精密医学数据分析,包括数据预处理、挖掘和建模。

如今,大量的研究集中在数据分析和数据挖掘为医疗数据(10,20.]在部署和实施移动计算技术细节(21,22),但最大的挑战之一是如何开发一个全面的医疗保健系统有效地管理多源异构医疗数据与特定的技术特点。因此,本文提出一种由数据分析辅助智能医疗系统的详细设计和移动计算,作出以下贡献:它提出了一个统一的数据采集层整合医疗数据从公共资源和个人设备。它建立了一个云计算和数据驱动平台,以多源异构医疗数据存储和分析。它设计医疗应用服务层提供统一的应用程序编程接口(API)为开发人员和为用户的统一接口。

2。相关技术

2.1。移动计算

移动计算是一种新兴的技术在许多领域涉及多个学科和相关;这也是计算机技术研究的一个热点问题。移动计算的关注如何提供高质量的信息服务(信息存储、查询、计算等)移动用户(包括用户笔记本电脑、手机和寻呼机)分布在不同的地方。移动计算是一种新型的技术,使计算机和其他信息设备传输数据而不被连接到一个固定的物理连接设备(23]。移动设备使用的增加,移动计算正在蓬勃发展,并已开始应用于不同的领域。在教育领域相关工作已经完成(24]。

在医学领域,移动计算不仅起着重要的作用,而且是一个非常有意义的支持移动医疗技术应用方向。医务人员正在使用移动设备来改变临床实践。目前,许多医疗应用软件可以帮助人们完成护理任务,从临床决策信息和时间管理25]。

移动设备的使用,卫生保健专业人士(学校),由医务工作者已经在许多方面改变了临床实践,这在医疗环境中已经成为一种普遍现象,导致医疗应用的快速发展。许多应用程序现在可以帮助医疗专业人士在许多重要的任务,包括信息和时间管理、健康记录维护和访问、交流和咨询,信息参考和收集、病人管理和监控、临床决策、医学教育和培训。当前移动设备和应用程序提供很多好处的学校,最重要的好处是,人们可以更好的照顾,因为他们支持临床决策和帮助病人恢复健康。在[25),下面总结了移动设备在医疗保健的好处:方便,更好的临床决策,提高准确性。移动计算不仅可以提高识别相关信息的准确性和度量的准确性还提高效率和生产力。

一个有效的移动计算平台必须能够有效地使用语义丰富和医学上合理的推断生理学、生理、和心理感应传感器信息和行为状态和连接这些推断与环境、社会和其他因素(26]。移动计算面临的挑战是能源消耗的问题,尤其是在医学领域,通常需要长期监测时间和冗长的危险生理指标的测试。在[27),花王等人研究了能源消耗和移动计算的性能,其中开发任务分配问题,提供一个动态规划算法。爱马仕是平衡的最优策略问题的解决方案的问题提高移动设备的延迟和能量消耗。

移动计算与正在执行的越来越深入的研究,将在医学领域有一个美好的未来。

2.2。大数据

海量数据生成在医学领域,每天都在迅速增加,特别是在移动医疗。正常的移动设备和可穿戴设备通常需要很长时间来检测人体相关的生理指标,但移动医学使获得病人的生理数据更方便和准确,而且极大地促进了医学的发展大数据。

大数据也提供了额外的数据支持治疗,如在医学成像和处理、电子健康记录、流行病学、和其他更高层次的医疗数据的分析,可以发挥辅助作用在医学诊断28]。在[29日],Viceconti等人提出,大数据分析可以成功地结合VPH技术来创建新的电子医疗解决方案,都是有效的和鲁棒性。

在移动医疗、移动计算技术可以利用大数据技术进行相关的分析和处理来获取相关数据及时、方便地提供更好的医疗服务。Lv et al。30.]介绍了两个移动医疗应用程序基于大数据可以作为卫生服务。一方面,大数据可以扮演一个角色在电子病历收集终端;另一方面,大数据发展康复为医生提供解决方案的工具。

在[31日),大数据分析的效果和效益医疗插图,这表明大数据分析可能改变卫生保健专业人士从他们的临床和其他数据存储库中获得的见解并使用尖端技术做出明智的决定。

然而,大数据技术在医疗行业也面临许多挑战。美女et al。32]讨论了三个重要的积极进取的和重要的医学研究领域:图像、信号和genomic-based分析。在医学领域,使用大量的医学数据及相关分析技术可以提供一个积极的影响。

2.3。云计算

云计算是增加、使用和交付基于互联网的服务,经常通过互联网提供了动态可伸缩和虚拟化资源(33]。云计算的发展并不局限于个人电脑;移动互联网的蓬勃发展和各种移动终端设备的出现,移动云计算服务已经出现。云计算和大数据技术是分不开的,往往是结合使用(34]。在[35),网络物理系统提出了基于以病人为中心的医疗保健应用程序和服务,健康CPS。它构建在云计算和大数据分析。他们的研究结果表明,云计算和大数据技术可用于改善医疗系统的性能,让人们享受各种各样的智能医疗应用程序和服务。

通过结合这两种技术的优势,移动云计算可以更好地应用于移动医疗。如果某些局限性,如有限的内存、CPU能力,和电池寿命,是可以克服的,移动云计算可以大大提高移动和云计算的能力和效果。

Loai a . et al。36]提出网络医疗系统的设计使用大数据和移动云计算技术。Wan et al。37]研究了云计算WBAN在普及卫生保健系统体系结构及其应用。使用节能的路由、云资源分配,语义交互和数据安全机制,系统关键信号数据传送到云,为卫生保健系统提供了巨大的机会。

云计算带来的一定的福利,如可伸缩性提供的用户(即“潜在的”。,pay-as-you-go users) and software and virtual hardware services being delivered online (for example, collaborative planning, virtual servers, and virtual storage devices), will ensure that organizations do not have to maintain and update their software and hardware facilities by themselves. The flexibility of this emerging computing service can create many possibilities for organizations that currently do not exist [38]。

2.4。可穿戴计算

近年来,出现了各种各样的移动设备,包括医疗和医疗设备(如运动腕带,手表,和智能手机)。这些可穿戴设备计算能力为用户记录或检测相关数据。可穿戴计算技术极大地促进了移动医疗、尽可能多的可穿戴设备提出了与疾病监测和身体感知能力(39,40]。

可穿戴计算的发展涉及到更多的方面,陈et al。41)提出了一种新的架构可穿戴计算基于情感互动和云技术设计机制;然后探讨当前问题展示潜在的研究新方向。可穿戴设备的发展,可穿戴计算能力需要进一步提高更好地协助医疗和医疗保健。相关的研究,如计算能力、连接方法,和功耗进行了(42- - - - - -44]。移动云计算、大数据和其他技术也促进可穿戴计算的发展对移动医疗提供更好的技术支持。

2.5。物联网

可穿戴设备和移动终端设备都离不开互联网的东西。物联网技术的关键技术之一,这些设备传输数据和检索和信息。其智能传感技术提供了重要的支持移动医疗数据传输和采集45]。Catarinucci et al。46)提出了一个智能医院系统(合成),依赖于不同但互补的技术,特别是无线传感器网络、射频识别、智能手机,和互操作性。她可以收集实时的环境条件和病人生理参数。

物联网技术、大数据技术,云计算是流行和广泛使用的技术,通常是相互依存的。先进的终端技术(例如,智能服装)和先进的云计算技术(例如,大数据分析和云认知计算)预计将为人们提供更可靠和智能服务。

在[4),陈等人提出了一个可穿戴式医疗2.0系统提高体验质量和QoS下一代的医疗保健系统。在此系统中,可洗的智能服装,包括传感器、电极,和领导,是云分析的重要组成部分,为用户提供他们的生理数据和接收基于机器的健康和情绪状态,聪明的用户。在紧急服务,物联网可以收集、集成和互操作物联网数据灵活支持紧急医疗服务。的结果(47]表明,基于资源的物联网数据访问方法的有效性在分布式和异构数据环境和可以访问数据在云计算和移动计算平台及时。

物联网技术也常用在家里,通常是与家庭医疗保健(48]。物联网设备的无缝融合在各种平台(如传感器和嵌入式智能医学装备)改善家庭医疗保健服务的用户体验和服务效率(如远程医疗)。

2.6。网络物理系统

作为一个统一的计算过程和物理过程,网络物理系统(独立主办)代表了新一代的智能系统,其中积分计算、通信和控制49]。信息物理系统与物理过程通过人机交互接口,使网络空间操纵一个物理实体在一个偏远的、可靠、实时、安全、和协作方式。

物理系统的信息包括未来的无处不在的环境意识,嵌入式计算、网络通信、网络控制,和其他类型的系统工程;它还提供了函数的计算、通信、精确控制、远程协作、和自治。此外,这样一个系统侧重于计算的密切结合和协调资源和物理资源。它主要用于某些智能系统等设备互连,物联网传感器、智能家居、机器人、智能导航系统。

作为一个著名的网络物理系统的子类别,生成一个方便有效的平台,促进复杂和无处不在的移动传感应用人类和周围的物质世界,移动设备,如智能手机,广泛应用于移动网络物理系统50]。

在[51),使用等人提出了一个灵活的和可靠的监控系统基于嵌入式系统和可穿戴设备,允许医生和家庭成员监控病人的距离使用手机。在紧急情况下,适当的与急救中心的电话沟通需要及时抢救病人。因此,该系统可以有效地监测老年人的健康。

IT系统的快速发展,嵌入式软件取代了监测和诊断的病人。然而,这些系统有限制在范围广泛的设备互操作性和数据聚合方面。要解决这些问题,医疗网络物理系统(MCP系统)已逐渐成为医疗系统的新范式。

范式引入了移动网络物理系统(兆赫)和时间(TI)的干预措施超越了传统医学环境的监测、诊断、治疗和管理病人的健康。这些模式可以为患者提供医疗服务在任何地方,在任何时候。其中,MCP提供了必要的技术支持系统,促进集体在一个自治的方式工作。

3所示。智能医疗系统架构

3.1。设计问题

与医疗服务和医疗保险费用增加,人们需要更积极的健康和健康监测。在医疗行业,大数据和云计算逐渐成为医疗创新的趋势。结果,医疗行业正在经历产生的数据量的增加的复杂性、多样性、及时性;这个行业越来越依赖数据的收集和分析。因此,为了做出更好的决策,我们需要收集数据,进行有效的分析。云存储是一个不错的选择,按需服务,处理和分析数据。医疗数据发布和共享通过云很受欢迎在实践中,信息和知识通过云基地可以丰富和共享。

革命提出的云计算和大数据可以在医疗行业产生巨大影响,和一个新的医疗系统进化。图1显示了一个扩展医疗系统,包括传统角色(如病人和卫生保健提供者)和其他新成员。这就是为什么我们需要设计一个更合适的医疗系统以满足这场革命提出的挑战。(我)数据来源的多样性需要统一标准的异构数据管理。一方面,由于医疗设备的多元化,所产生的数据格式和数据量的各种设备可能完全不同,这就需要系统支持数据访问的各种医疗设备,以确保高可伸缩性和满足实际的医疗需求。另一方面,系统需要将接收到的数据转换成一个统一的标准来提高数据存储的效率,查询、检索、处理和分析。(2)数据内容的多样性,需要一个统一的编程接口的多个数据分析模块。分析技术也已扩展到需要复杂分析的四个特征(4对)医学领域由于大数据的不一致性的来源,结构,功能场景,和健康数据的性质:体积,速度,准确性,和各种31日]。日子一去不复返了收集数据的电子健康记录和其他结构化格式。多元化的医疗数据,包括结构化、半结构式和其他非结构化数据,代表一个方面使医疗数据有趣和具有挑战性。基于不同的数据结构,系统可以有效地部署和在线或离线分析数据,如通过流处理,批处理,迭代处理,和交互式查询,其中降低系统复杂性和提高开发和访问效率。(3)服务对象的多样性需要一个统一的标准服务平台接口。医疗数据,以前被处理也有不同的数据内容、数据格式、数据量等对不同的服务目标;也就是说,系统可以提供不同的应用程序和服务对服务对象的不同的角色。提供可靠的医疗服务、资源优化、技术支持和数据共享系统的应用服务平台是至关重要的。

3.2。云,Big-Data-Assisted架构

图2显示了架构的智能医疗系统辅助数据分析和移动计算,包括数据采集层、数据管理和应用程序服务层。(我)数据采集层。这一层的主要功能是收集用户的医疗数据,为一个统一的标准,提供标准化的数据多变量数据管理通过适配器预处理。本节包括各种数据节点和适配器,主要来自医院(医院信息系统和电子病历),网络(社交网络服务和实时通信),和用户生成内容(终端设备和可穿戴设备)。适配器可以从各种设备进行预处理和加密原始数据,以确保数据传输的安全性和可用性数据管理的层。(2)数据管理层。支持医疗数据的有效管理和分析,这一层包含一个分布式文件存储(DFS)和分布式并行计算(DPC)。DFS提供了高效的数据存储、高通量数据上传和下载、快速数据检索。和交换能力异构医疗数据以提高系统性能;DPC模块分析和过程数据DFC大数据的模块。非结构化数据的规模提供离线计算和提供适当的处理和分析方法基于数据的及时性和优先级的任务。(3)应用服务层。这一层由三部分组成,用户界面,API,和数据访问,为用户提供了基本的可视化数据分析结果。通过数据访问模块,数据管理层的分析数据后,应用程序开发人员可以使用API调度通过用户界面提供丰富、专业、个性化的医疗服务。

4所示。数据采集层

一端,移动医疗是一个医生,在另一端,这是一个用户的要求。中间由一个服务提供者,桥两端与各种技术和工具,包括移动网络运营商、移动网络技术和设备供应商,移动终端制造商,IT公司(包括软件和硬件供应商和系统集成商),金融投资者,保险公司、公共卫生医疗机构、银行和支付公司,私人医疗机构、制药企业、医疗服务提供者、研究中心、政府和非政府组织,和解决方案提供商。

数据已经成为移动健康特别重要的方面。数据收集需要的设备(手机、电脑、便携式设备)和软件用于收集信息。主要关注的数据可视化静态文本,但也可以扩展到交互式决策支持算法,其他视觉图像信息和通信通过电子邮件和短信集成。整合使用GIS和GPS geomapping组件的使用移动技术用于“标签”的声音和数据流量特定位置或范围的位置。这些组合的功能已被用于紧急医疗服务以及疾病监测、卫生设施和服务的映射,和其他与健康有关的数据收集过程。

通常,医疗数据分类可以分为两个方面。一个方面是医院的数据类的操作,和操作将会产生一系列的数据。另一个方面是“临床”数据,这是独一无二的医疗行业。可以执行相同的分类为个人、机构、政府和医疗信息。移动医疗的发展逐步从医院医疗数据的主要提供者转变为中介机构或政府使数据尽可能公开而不侵犯别人的隐私。如图3,数据采集层包括数据节点和适配器。

4.1。数据节点

基于移动医疗设备条件下,一个用户友好的智能医疗系统(移动健康)收集不仅传统的医学数据,而且医疗日常行为数据。根据不同类型的数据,数据节点可以分为以下四类:(我)研究组织节点。这个节点主要涉及医疗设备企业的研究和开发,研发外包公司、研究机构、和其他数据生成的开发过程中数据的主要来源,包括医学研究和开发过程,如医院的临床试验,和最新的科学研究机构。药物研发机构和生命科学研究机构,如重大医学院校和药物研发中心,积累了大量的研究数据,如临床试验数据和大规模筛选数据。这些数值数据,包括个人数据和临床的基因和蛋白质,可以帮助识别药物副作用和新的效果。(2)医院节点。在医院,这个节点可以包含一个最医疗数据,如临床数据和医疗费用。临床数据通常是一种医疗数据收集的医疗服务提供者的临床诊断和医学成像EMR,等等。这些数据可以统一,管理,开放的研究人员,以确保必要的先决条件的病人隐私和临床数据挖掘的价值最大化。对于医院诊所访问期间生成的数据,主要收集端口是医院等医疗机构。这些数据包括电子病历、传统的测试结果(生物化学、免疫学、PCR等),新兴的测试结果(基因测序等),医生的处方,为诊断和治疗途径。这些数据包括迅速增长的部分,特别是新兴的测试数据,比如基因测试数据。此外,在这个节点,医疗行为产生重要的成本数据。成本数据是指所有审计有关付款人/还款记录,包括病人的付款记录、还款记录、流通和医疗记录如医疗费用和医疗保险索赔。这些数据并非传统的医疗数据,但可以用来分析和估计的医疗费用。这些数据通常存储在不同的地理位置在医疗机构的数据库使用一个统一的数据格式。(3)网络和终端设备。个人活动和情感以及病人健康指标数据生成节点。这些数据通常是指病人的心脏按压的行为,和感官数据,主要收集终端可穿戴设备和各种在线光医疗平台,包括(1)健康管理通过可穿戴设备收集的数据和信号(2)网络行为数据如注册医疗咨询、网上药店,健康管理,patient-patient交流。这方面的数据也可以从第三方移动设备提供商(互联网)生成基于移动医疗设备。这些数据可以扮演一个重要的角色在个人医疗保健建议。简单的分析包括个人零售消费记录反映的生活习惯,可以用来评估个人健康风险并制定个性化的健康计划。基于生理数据收集的可穿戴设备,用户的健康可以轻松地监视和跟踪。个人情感数据可以通过信息收集发布在社交网络和可用于精神卫生措施和情感计算。特别是对于患者的康复,医生可以根据病人的调整治疗计划的情感。医疗服务与人类的情感认知疗法可用于促进创新在现代医学52]。

4.2。适配器

适配器是一种数据节点,它提供了访问系统中间件,不是简单的物理数据链接或原始数据预处理和加密机。除了清理数据,去除冗余,和压缩,预处理模块还支持数据格式转换。根据收集的数据的类型,适配器使用一个系统定义的数据格式转换的标准。加密模块加密预处理通过分层的隐私保护数据,以确保安全。未经授权的设备不能解密包即使他们可以访问系统。为了提高该系统的可伸缩性,适配器的功能单位是可配置的。当满足下列基本条件,相应的适配器模块可以在线更新。(我)数据节点的变化。当一个数据节点替换或升级,功能部件不能正常工作,如果更新设备的数据格式不同于之前的版本。适配器必须发送一个请求到服务器重新配置预处理模块兼容更新模块,和服务器记录更新的数据节点的类型和获在线加密模块。(2)数据标准更新。当一种新的设备没有系统定义的数据标准可以访问系统,数据标准库应该扩展,预计将被推到适当的模块更新(35]。

一般来说,适配器需要实现以下五个模块:(我)数据融合。从感知层物联网的应用程序层,各种信息的类型和数量成倍增加。需要分析的数据量也增加的阶段。这涉及到各种异构网络或系统。数据融合多传感器信息融合源数据和信息获取更精确的位置估计和身份估计,结合P2P,云计算、分布式计算和其他技术。上述数据节点,研究数据、临床数据,医疗费用,个人活动,和情感数据有效地用于集成,矿山,智能地处理大量的数据。(2)预处理。预处理是指前的数据预处理主要处理。例如,在转换或提高大多数医疗临床数据之前,第一步是不规则分布数据转换成正则分布促进由电脑操作。(3)格式转换。系统中的数据变化频繁。如果没有格式转换数据节点替换或升级期间,数据格式将与之前的版本不一致;功能单元将不再正常工作。(iv)数据传输。系统是专为用户数据传输,可以执行通过WiFi, 4 g,蓝牙,和其他无线网络;例如,一个面向用户的系统不需要病人去医院住健康数据时为病人提供个性化和实时智能监控的健康数据。这可以基于云计算提供智能的医疗服务,其中集成多种无线健康监测设备如血压监视器、洪峰米,血糖检测仪,尺度,心电图监视器。这些设备使用的患者需要远程监控。从这些设备接收到的数据被自动转发到预配置的移动设备(手机、pda、笔记本电脑等)通过蓝牙,无线,4 g蜂窝移动网络。因此,病人的健康数据可以安全、准确地传输到云web服务而不需要病人有专长,无需用户干预53]。(v)简单的分析。一个简单的分析包括终端设备收集的数据、可穿戴设备,上述数据节点以及结果的摘要。例如,一些数据发送的一个社交网络,如心跳状况,睡眠质量,饮食,脂肪,卡路里的消耗,可以通过可穿戴设备监控(iWatch)来反映用户的生活条件实现智能实时医疗系统监控功能(54]。

5。数据管理层

如图4这一层由一个分布式文件存储(DFS)模块和分布式并行计算(DPC)模块。使用big-data-related技术,DFS将提高系统性能提供了高效的数据存储和异构医疗数据的I / O。基于医疗数据的及时性和任务的优先级,DPC提供适当的处理和分析。

5.1。分布式文件存储模块

协同分布式存储系统使用多个服务器来存储数据。传统的网络存储系统使用一个集中的存储服务器存储的所有数据。存储服务器成为系统性能的瓶颈,也是可靠性和安全性的焦点;传统的服务器,不能满足大规模存储应用的需要。分布式网络存储系统采用可扩展的系统结构,利用多台存储服务器分担存储负荷,利用位置服务器定位存储信息。这不仅提高了系统的可靠性、可用性和存取效率,还易于扩展。

分布式存储体系结构包括三个部分:客户端、元数据服务器和数据服务器。客户端负责将读写请求,发送缓存文件元数据和文件数据。元数据服务器负责管理元数据和处理客户端请求,是整个系统的核心组件。数据服务器负责存储文件数据,确保数据的可用性和完整性。此体系结构的优点,同时性能和容量可以扩展,系统是高度可伸缩的。

分布式存储面临更复杂的数据需求,可以分为三个类别。

非结构化数据:非结构化数据包括所有办公文档的格式,文本、图像、音频和视频信息。

结构化数据:结构化数据存储在数据关系库;一个可以使用二维关系表结构表示。结构化数据模式(模式,包括属性、数据类型和数据)之间的链接和内容是独立的,需要预先定义的数据模型。

一种数据:非结构化数据和结构化数据之间,HTML文档属于一种数据类别。这些数据通常是自描述的,从结构化数据最大的区别是,半结构式数据混合的模式结构和内容,没有明显的区别,没有预定义了数据的模式结构。

大规模的医疗数据面临的主要挑战是如何创建一个高效、大规模数据分布式存储机制以及如何支持高效的数据处理和分析。

对于大规模的医疗数据,传统的关系数据库显然不能满足大数据的挑战。NoSQL数据库(55)有一个灵活的模型支持易于使用的复制,简单的api,最终一致性,对大量数据的支持。本节描述了三个主要的NoSQL数据库,每个基于一个特定的数据模型。

(我)键值数据库。键-值数据库(55由一个简单的数据模型:数据键值存储。每个键是独一无二的,和客户可以输入查询的值基于关键。这个数据库结构简单;现代键-值数据库是高度可伸缩的,查询响应时间短的比关系数据库。发电机(56)是一个免费的键值存储系统,和亚马逊的一些核心服务提供了一个“永远在线”的经历。达到这种级别的可用性、发电机牺牲某些失败场景的一致性。它广泛运用object-versioning application-assisted解决冲突的方式为开发人员提供了一个新的界面。

复述,(57)是一个开源的、支持网络,基于内存,和可选的持久键-值对存储数据库编写的ANSI c .类似于Memcached,复述,支持存储相对许多值类型,包括字符串、列表、集,zset(排序),和散列。这些数据类型支持推动流行,添加/删除和十字路口,联盟和差集,和更丰富的操作,都是原子的。在此基础上,复述,支持各种不同的种类。类似于Memcached,效率的数据缓存在内存中。所不同的是,复述,定期将更新的数据写入磁盘或编写额外修改日志文件和实现主从同步在此基础上。

(2)用于数据库。用于数据库(55)基于列存储和处理数据,而不是行。柱状存储允许更精确的查询访问数据,特别是在大型数据集。

HBase (Hadoop数据库)58)是一种高可靠、高性能、用于可伸缩的分布式存储系统。就像Bigtable利用谷歌提供的分布式数据存储的文件系统,HBase在Hadoop提供了类Bigtable的功能。HBase是一个Apache的Hadoop项目的子项目,不同于一般的关系数据库,适合非结构化数据存储的数据库。

(3)文档存储。文档存储(55比键-值)可以支持更复杂的数据形式存储。因为文件不遵循严格的模式,模式迁移是不必要的。此外,键值仍然可以得救。

MongoDB [59)是一种关系数据库和非关系数据库之间的产品。它是最富有、最非关系数据库中关系数据库。它所支持的数据结构很松散,是一个类json bson格式;因此,一个可以存储更多的复杂数据类型。MongoDB最重要的特性是它支持的查询语言非常强大,其语法有点类似于面向对象的查询语言,它可以实现大多数关系数据库单表查询的功能,它支持数据的索引。

流行的分布式文件存储系统包括HDFS和巨人。Hadoop (60分布式文件系统(HDFS)被设计成适合分布式文件系统在硬件上运行。HDFS是Hadoop的基础应用程序的主数据存储,其中分布在64 MB的数据块文件,存储在不同的节点在集群的并行计算的HDFS集群包括单个NameNode先生管理文件系统的元数据和一个DataNode来存储实际数据。一个文件被分成一个或多个块,存储在DataNode。一份块分配给一个不同的DataNode防止数据丢失。

巨人(61年)是Google文件系统的继任者(GFS)。巨人消除了“单点故障”瘟疫原谷歌文件系统。巨人也会减少数据块的大小为1 MB,包括多个主节点,它允许谷歌多个文件存储在多台机器上。

5.2。分布式并行计算模块

分布式计算是一种计算的新方法。所谓的分布式计算是通过两个或多个软件程序可以彼此分享信息;该软件可以运行在同一台计算机上或多台计算机连接到网络上。这种方法可以减少总的计算时间和计算效率大大提高。

分布式并行计算模块(35从DFS)分析和过程数据,并最终发现这些信息。DPC提供离线计算大量的非结构化数据,支持实时数据分析和查询,并集成了各种数据挖掘和机器学习算法。DPC同时支持实时分析和离线分析。

实时分析(35):在重症监护的情况下,紧急疾病检测,或生命体征监测、实时变化的数据反映了个人的健康状态。需要及时处理,因此,这些数据和分析结果预计将迅速应对紧急情况。通过内存分析框架,心率、血压和其他相关数据以及其他重要的数据记录,提高分析的效率。

离线分析(35]:在没有强大的响应时间要求的情况下(例如,健康评估、医疗建议,和卫生规划),共同在DPC离线分析方法,包括机器学习、统计分析和推荐算法,可以用来为个人提供一个潜在的健康风险评估、疗效分析、健康指导等。

主流分布式计算框架包括Hadoop, Apache火花,BOINC, Apache风暴。

Hadoop框架(62年)透明地为应用程序提供了可靠性和数据移动。Hadoop MapReduce实现编程范式:应用程序分割成许多小的部分,每个部分可以运行或运行在集群中的任何节点。此外,Hadoop提供了一个分布式文件系统存储数据对于所有计算节点,将整个集群非常高的带宽。MapReduce和分布式文件系统的设计让整个框架自动处理节点的失败。它连接应用程序与成千上万的单独计算电脑和pb级的数据。

Apache火花(63年)是一个开源集群计算框架最初由加州大学伯克利分校,AMPLab。Hadoop MapReduce,相比之下,将中介数据存储到磁盘后完成工作。火花在内存中使用内存算法来分析数据时,数据还没有被写入硬盘。火花运行程序在内存中高达100倍的速度比Hadoop MapReduce。火花甚至可以运行多达10倍的速度运行时程序在硬盘上。火花集群允许用户数据加载到内存和多次查询,从而使火花适合机器学习算法。

BOINC(伯克利开放网络计算平台)64年)是一种主流的分布式计算平台,是一个分布式计算系统开发的加州大学伯克利分校计算机科学系。搜寻地外文明计划最初设计的项目中,目前使用的字段BOINC包括数学、医学、天文学和气象学。BOINC汇集了来自世界各地的志愿者计算机和移动设备为研究人员提供计算能力。

Apache风暴(65年)是一个分布式计算框架主要在Clojure编程语言编写的。最初由内森在BackType Marz和他的团队,项目开放后在Twitter上可用。它使用用户创建的“滔滔不绝”和“栓”定义来源和操作,使散装的数据流,在一个分布式的方式。暴风雨应用程序被设计成一个拓扑的接口创建一个转换“流”。它提供了类似的功能作为一个MapReduce工作,在一个异常,拓扑理论运行下去,直到手动终止。

6。服务层

6.1。服务层的主要功能

系统将提供各种各样的应用程序和服务不同的角色(医院、患者、可穿戴设备制造商,研究机构、医药制造商、等等)。

如图5服务层的主要功能有以下3点:(我)用户界面。用户界面为用户提供了一个统一的界面,这使得用户之间的互动和交换信息和系统方便、提供丰富、专业、个性化的医疗服务。(2)API。API为开发人员提供了一个统一的应用程序编程接口,这使得编程方便开发人员。(3)数据访问。医学不仅来自多个数据源的数据,如医院、研究机构、制药公司和病人,但也有不同的结构,即。结构化,半结构式或非结构化。数据访问提供了一个统一的数据访问接口,这些多源异构数据。

6.2。服务层的框架

如图6服务层框架由三部分组成,即操作平台、管理平台和开发平台。

操作平台服务层的基础,为运行医疗应用程序提供必要的资源,即。、硬件、软件和数据。硬件包括内存、软件可以包括应用软件和操作系统,和数据可以包括个人健康数据,临床试验数据和医学数据的有效性。

管理平台负责管理系统中的各种应用程序,包括配置管理、部署管理、优化管理、监控管理、可视化管理和权限管理。(我)配置管理负责管理配置参数等相关系统配置参数的变化。(2)部署管理负责部署环境和组件,这对于系统操作是必要的。(3)优化管理是负责系统内有效地配置各种资源并选择最后组合最能提高系统的性能。(iv)监控管理负责监控系统实时操作,监视用户请求,判断请求的优先级来保证系统的稳定和正常运行。(v)可视化管理是负责提供多种模式和显示数据的方法,因为可能会有不同的目标或目标用户和开发人员需要一个广泛的图形工具。(vi)权限管理系统中负责分配权力,提供各种各样的服务角色,和不同的角色有不同的权限。

的开发平台负责提供一个统一的API,数据访问,对于开发人员和测试平台。统一的API:为了减少系统的复杂性,提高效率,并使开发人员能够更容易地计划,提供一个统一的API是必要的。

数据访问:ddata是在应用程序中一个至关重要的因素。数据访问是一个过程,开发人员可以通过应用程序连接到数据源访问数据和处理数据后返回到应用程序中。

测试平台:测试平台是平台开发人员评估应用程序的产品质量和检测应用程序的弱点。

6.3。面向数据的医疗保健服务

根据他们的技术复杂性和商业价值,应用程序可分为以下四类:(我)统计数据应用程序服务只提供基本的统计和报告服务。通常的做法是先确定一个时间周期,形成统计时间段内的数据,最后画出相应的报告。个人健康状态报告代表应用程序。例如,众所周知,有一个健康的应用在苹果iPhone。无论你是计算碳水化合物,热量,咖啡因,或其他重要营养指标,健康应用程序可以轻松地管理您的目标,检查你的日常饮食摄入量,以图形方式显示它们。因此,您可以跟踪你的营养摄入量是否标准,了解你的饮食的优点和缺点。此外,统计信息发布在社交网络上反映了个体的情绪状态,可用于精神卫生措施和情感计算。例如,德Choudhury m . et al。66年]提出了一种统计方法来确定个体从事心理健康话语在社会媒体可能过渡到未来的自杀意念。他们利用一个大数据集的精神卫生和自杀支持社区在Reddit解决他们的研究问题。他们的方法可以检测出明显转向一个自杀意念的迹象。(2)Monitoring-based应用程序服务常用于个人生命体征监测。通过实时分析,可以及时发现用户的生理变化,以避免突然的疾病。例如,卢卡Catarinucci et al。46]提出了一种新颖、IoT-aware、智能系统的自动监控和跟踪病人和医院和保健设施内人员和生物医学设备。系统可以监控病人的生理参数和实时环境条件和将它们发送到控制中心。控制中心分析接收到的数据并发送警报消息后发现是一个例外。通过离线分析的历史数据,恢复过程可以被跟踪优化支持治疗。例如,吉安卡洛Fortino et al。67年)提出了一个系统架构,云体于一体的身体传感器网络与云计算基础设施(BSN)服务。身体云是一个SaaS架构,支持传感器数据流的存储和管理和离线分析,使用软件服务托管在云存储数据,从而允许医生及时调整治疗计划。(3)以知识为基础的应用程序服务最具代表性的大数据应用程序。数据挖掘和机器学习技术的支持下,可以找到数据依赖关系和依赖关系。典型应用包括慢性疾病的诊断、遗传疾病分析、治疗评估,识别、副作用和公共卫生警报。遗传疾病的分析,布拉沃et al。68年)提出了一个新颖的文本挖掘系统是免费的,其目的是为了确定生物医学实体之间的关系,特别关注基因及其相关疾病。利用的morphosyntactic信息文本,自由是能够识别的基因-疾病,磕药,药物对先进的性能。他们演示的基因与疾病相关性的值中提取自由通过大量的分析和与其他数据源的集成。是免费的成功识别基因与全球发病率的主要原因,抑郁症,不存在于其他公共资源。在[69年),陆等人提出一个统一的大数据处理框架基于水平集演化的伤口图像分割的方法,传统的水平集模型的优势最大化。(iv)Predictive-based应用程序服务有最高的技术复杂性和最大的商业价值。例如,个人零售支出记录反映生活习惯和可以预测一些潜在的健康风险,特别是与饮食相关的疾病如肥胖和高血压。此外,根据个人的身体特征,性格特征和其他因素可以用来预测个人偏好和制定医疗计划来满足各种需求。例如,阴Zhang et al。70年]iDoctor开发,新的医疗转诊系统基于混合矩阵分解的方法。iDoctor预测用户的情绪和喜好医生矿业用户评论和评价,从而为用户提供专业化、个性化的医生推荐。iDoctor显著改善医疗建议的准确性通过提供更高的预测评级。

7所示。应用程序

7.1。医疗建议

在医疗、易受疾病的发展通常被认为是永久性的,但有些病人可能改变,甚至一个星期一个星期地再次成为健壮。然而,一旦建立,脆弱性是几乎不可能逆转,只有不到1%的住院病人被发现有5年随访期间返回。再次住院,医疗费用、制度化和死亡率将会得到大大提升。因此,我们需要促进积极和健康老龄化和煽动措施,防止漏洞。从实用的角度,针对脆弱代表了一种合理的方法。特别是,使用多元干预屏幕,监控和管理prefragility-associated前兆,如主观或轻度认知障碍,可以有效地通过移动医疗。相应的移动医疗设备71年),考虑到病人的身体状况的及时诊断和反思,可以有效地避免许多事故,减少病人的不良健康结果的数量。

今天,数据驱动的思维和方法扮演着一个关键角色,个性化医疗的出现。许多疾病可以预防的危险因素或者至少是危险的。澄清这些疾病特征不仅有助于提高个性化医疗也减少疾病带来的负担。然而,可能的危险因素的结合是如此复杂,个别医生是不可能完全分析(实时)病人的交互。目前,提供者将仔细检查病人的病史,进行身体检查和选择性实验室测试来确定病人的健康状况和未来的疾病风险。这些疾病通常局限于少数疾病,以及个人的技能和知识提供者和优先级定义的个人访问。因此,下一步在个性化医疗需要的计算和分析大数据聚合和集成框架,发现病人相似的深刻洞察和连接,并提供个性化的疾病风险概况总结的方式对每个病人的健康(72年]。

随着现代移动通讯数据的使用,通信技术和信息的流动也被大大增强。移动医疗,称为移动健康或健康,吸引了许多实践者的关注,研究人员和政策制定者。移动健康有可能彻底改变卫生保健,特别是国家的医疗基础设施不足和服务在低收入和中等收入资源匮乏的地区(73年]。

在[70年),混合矩阵该医疗提出建议;建议基于挖掘用户的评估和判断医生的情感和喜好开发,为用户提供专业、个性化的医疗建议。具体地说,该方案使以下贡献智慧医疗服务:(我)情绪分析模块,计算用户的情绪状态。(2)主题建模模块,用于提取用户首选项的分布和医生特性。(3)混合矩阵分解模块,集成了两个特性分布提取LDA的评级预测。

7.2。由数据分析辅助疾病检测

与健康有关的数据的数量近年来大幅上升。还值得一提的医疗保险报销模式正在改变,而在当今的医疗环境中,有意义的使用和绩效薪酬越来越重要的新因素。虽然利润不是也不应该是主要的激励因素,对医疗机构,必须获得可用的工具,基础设施和技术,可以有效地使用大数据;否则,收入和利润可能大幅下降。大数据包括各种特性,如多样性和速度,它有特定的医疗保健要求。现有分析技术可以应用于目前大量的健康和健康数据分析与患者更好地理解结果,然后将它们应用在护理。理想情况下,个人资料将通知每一个医生和病人的决策过程,帮助确定最合适的治疗方案31日]。

近年来,美国的医疗保健系统迅速采用电子健康记录,这将大大增加临床数据可用的电子的数量。同时,也已取得快速进展临床分析技术分析大量数据和收集分析的新见解。因此,我们前所未有的机遇来降低医疗成本的使用质量数据。这里有六个关键的用例,可以降低成本使用大数据:高成本的患者再次入院分流术,呼吸困难(病人的病情恶化时),不良事件和治疗影响多个器官系统的优化条件。我们讨论的意见的类型可能获得的临床分析的数据类型必须获得这些见解以及基础设施分析、算法、注册、评估分数,监测设备等。组织需要进行必要的分析和实施改进措施,以改善保健和降低成本74年]。

众多研究表明,大数据分析很有潜力改善病人护理。然而,医疗保健中使用大数据仍处于起步阶段,迄今为止的证据表明,大数据分析将改善结果护理到最小程度。然而,如果大数据分析显示提高护理质量和病人的结果,可以成功地实现在实践中,大数据将其全部潜力作为学习的重要组成部分,在医疗系统(75年]。

7.3。可穿戴式医疗体系

21世纪是信息时代。在短短几年中,随着3 g和4 g的发展,信息技术的进步对各行各业产生了巨大的影响。智能手机和平板电脑的使用改变了通讯、商务和娱乐。技术正在改变目前的医疗保障体系,包括病人的质量经验和医疗保健的成本。移动技术是改善慢性疾病管理工具,让老人和孕妇,提醒人们为缺医少药地区提供服务,提高健康和效率的医疗系统在最需要的时候76年]。

为了更好的移动医疗融入我们的日常生活中,我们采用可穿戴设备,可穿戴传感器系统可能会产生更多的比我们现在可以轻松地组织、和我们解释这些数据集的能力是不够的。成功地使用可穿戴传感器数据来估计健康状况,实现改善健康管理,我们必须设定标准和本体学习小组和业务系统之间共享数据,促进这些数据和卫生信息系统的集成。然而,政策和法规需要确保可穿戴传感器数据的细节不滥用侵犯个人隐私或歧视77年]。

使移动医疗容易,更多的功能,更舒适,我们考虑灵活和可扩展的传感器,最近成为一个活跃的研究领域在可穿戴,植入,resorbable移动医疗系统(mHealth)实现广泛和不显眼的健康监测。尽管如此,缺乏系统性的研究比较这些新传感器的性能,传统的传感器。小说的传感器技术,指导未来设计印刷蛇纹石、灵活、可伸缩的电极,在转移过程中附着在皮肤和使用面积密度(广告)作为一个关键参数。这些传感器是用来捕获一个电生理信号,心电图(ECG),不同于心电图时获得与传统金、不锈钢金属夹。作为本研究的结果,灵活的传感器用于较大的捕获区域产量更高的信噪比(信噪比)。特别是,ecg与传统金属夹(信噪比25 dB)可以实现这一新的灵活的传感器设计,而新柔性传感器设计值的40%。因此,可以使用这个新的耐磨和灵活的电极设计不仅对人类感知,也为内部测量的胃肠道78年]。

总的来说,今天的可穿戴的健康监测系统可能包括各种类型的微型传感器,可穿戴设备,甚至植入。这些生物传感器能够测量至关重要的生理参数,如心率、血压、身体和皮肤温度、血氧饱和度、呼吸速率、心电图。测量是通过无线或有线连接到一个中央节点如个人数字助理(PDA)或董事会;然后,他们都显示在用户界面或传播医学中心作为聚合的生命体征。在我们的示例中,我们说明这一事实可穿戴式医疗系统可能包含各种各样的组件:传感器、耐磨材料、智能纺织品、致动器、电源、无线通信模块和链接,控制和处理单元,用户界面,软件和先进的数据提取算法和决策(79年]。

最后,经过研究,我们发现可穿戴2.0是一个更好的选择对于今天的移动医疗。可穿戴2.0前端系统包括一个广泛的传感器和作为数据源长期收集的数据,对健康是很重要的。此外,它的前端系统还可以作为用户界面。此外,为了达到良好的用户体验,医疗机器人可以在前端系统的实现。特别是,移动机器人和人类的附件可以提供更友好和更个性化的医疗服务。例如,当一个人遭受心脏病发作和用户失去了语言能力,医学机器人可以录像和照片发送到远程医疗中心或直系亲属成员。此外,walking-capable人形游戏中扮演重要角色的情感交互情感感知服务时是必需的。通过这种方式,集成智能服装和人形机器人有助于提高系统的互操作性在各种复杂的情况。移动云计算系统的支持下,大数据分析的医疗期间大数据长期存储和云可以大大提高仿人机器人的智力和意识。因此,实时情感人机交互可以用于human-robot-based支持提供一个特定的用户的理解用户的意图。 Moreover, a robot can also collect environmental data as a mobile receiver. In short, smart garments support high mobility, while robots provide efficient data sensing and health monitoring. Thus, from a number of perspectives, Wearable 2.0 is our best choice for researching mobile healthcare.

8。结论

随着数据分析和移动计算的发展,医疗系统能够提供更多的智能和方便的应用程序和服务。此外,借助于机器学习,数据挖掘,人工智能,和其他先进技术,医疗系统也可以作为健康生活方式的引导起着重要的作用,作为一种工具来支持决策,发展医疗生态系统创新的一个源泉。介绍了智能医疗系统辅助数据分析和移动计算,其中包括数据采集层、数据管理层和服务层。本文还介绍了一些代表应用程序的基础上,提出方案,已被证明或证明能够提供更智能、专业、个性化的医疗服务。

尽管提出了一个全面的系统设计的智能医疗系统辅助数据分析和移动计算、更先进的技术应该被包括在我们未来的工作,如认知计算、深度学习,和情感计算,进一步提高服务质量和用户体验。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金支持下拨款61702553和人文社会科学的项目(yjczh252 17日)由中国教育部(MOE)。

引用

1. j . m . Chen Yang y,毛,和k黄,“医疗5 g的认知系统,”大数据和认知计算,1卷,不。1,p。2, 2017。视图:出版商的网站|谷歌学术搜索
2. m·m·哈桑·k·林,x曰,和j . Wan”多媒体医疗数据共享方法通过基于云计算的区域网络,”未来一代计算机系统卷。66年,48-58,2017页。视图:出版商的网站|谷歌学术搜索
3. t . n . A . m .,压力Gia, b . Negash et al .,“利用智能e-Health在边缘的医疗物联网网关:雾计算方法,”未来一代计算机系统卷,78年,第658 - 641页,2018年。视图:出版商的网站|谷歌学术搜索
4. d·m·陈,y, y . Li, y,学术界。的梦想,“可穿戴2.0:启用Human-Cloud集成在下一代医疗保健系统中,“IEEE通讯杂志,55卷,不。1,54 - 61年,2017页。视图:出版商的网站|谷歌学术搜索
5. p.l.。w·康,A . Al-Nayeem l .沙r·b·柏林Jr .)和j . m .高盛“低复杂性协调网络监督医疗系统架构,”学报》第四届ACM和IEEE国际会议Cyber-Physical系统,组成2013人,页89 - 98,美国,2013年4月。视图:谷歌学术搜索
6. G.-H。金,美国Trimi黄永发。钟,”大数据应用在政府部门。”ACM的通信卷,57号3、78 - 85年,2014页。视图:出版商的网站|谷歌学术搜索
7. t·t·h·k . Lee Wan, h . Kwon”在医院医疗信息系统和成本之间的关系,“个人和无处不在的计算,17卷,不。7,1395 - 1400年,2013页。视图:出版商的网站|谷歌学术搜索
8. m·陈,“NDNC-BAN:支持通过命名数据网络富媒体医疗服务cloud-assisted无线区域网络,”信息科学,卷284,不。10日,142 - 156年,2014页。视图:出版商的网站|谷歌学术搜索
9. m·陈,美国毛和y . Liu“大数据:一项调查,”移动网络和应用程序,19卷,不。2、171 - 209年,2014页。视图:出版商的网站|谷歌学术搜索
10. h, s . Mehotra d . Liebovitz c·a·冈特和b·马林”矿业偏离病人护理路径通过电子病历系统审计,“ACM交易管理信息系统(tm),4卷,不。4、2013。视图:谷歌学术搜索
11. r . Mehmood m·A·费萨尔,s . Altowaijri“未来网络化医疗系统:一个文献综述和案例研究中,“手册的研究重新设计的未来互联网体系结构2015年,页531 - 55岁。视图:出版商的网站|谷歌学术搜索
12. Pramanik, r . y . k .刘h . Demirkan和m . a . k . Azad“聪明健康:大数据启用健康范式在智能城市,“专家系统与应用程序卷,87年,第383 - 370页,2017年。视图:出版商的网站|谷歌学术搜索
13. m·m·拉索尔教授答:保罗,a·艾哈迈德·m·Anisetti和g .全“Hadoop-Based智能护理系统(嗝),“ACM网上交易技术(原先),18卷,不。1 - 24,2017页。视图:出版商的网站|谷歌学术搜索
14. s . v . b . Peddi p . Kuhad a . Yassine p . Pouladzadeh s Shirmohammadi和a . a . n . Shirehjini“智能云移动e-health多媒体应用,数据处理代理”未来一代计算机系统卷,66年,第86 - 71页,2017年。视图:出版商的网站|谷歌学术搜索
15. r . Nambiar r . Bhardwaj A Sethi, r . Vargheese”一看医疗、大数据分析的挑战和机遇”学报2013年IEEE国际会议上大数据,大数据20132013年10月,页17-22、美国、。视图:谷歌学术搜索
16. j.p. McGlothlin l .汗,“管理演进的代码集和强度-格雷申医疗分析的多个数据源”学报》2013年《国际研讨会上对医疗数据管理分析2013年,p . 14日。视图:谷歌学术搜索
17. 诉Chandola、s . r . Sukumar和j . Schryver”从巨大的医疗保健索赔数据知识发现,”19 ACM SIGKDD学报》国际会议上知识发现和数据挖掘,知识发现(KDD) 2013美国,页1312 - 1320年,2013年8月。视图:谷歌学术搜索
18. r . Gravina p . Alinia h . Ghasemzadeh, g . Fortino”多传感器融合的身体传感器网络:最先进的和研究的挑战,”信息融合,35卷,第1351 - 1339页,2017年。视图:谷歌学术搜索
19. P.-Y。吴,C.-W。程,c, d . Kaddi j . Venugopalan r·霍夫曼和m . d . Wang”使和电子健康记录大精密医学数据分析,“IEEE生物医学工程,卷64,不。2、263 - 273年,2017页。视图:出版商的网站|谷歌学术搜索
20. 学术界。林,L.-C。黄,研究所。t .周,学术界。刘,H.-F。程,黄世建。蒋介石,”大医疗数据分析时间事件跟踪,”学报》第三届IEEE国际大会在大数据,BigData国会2014年,页281 - 287,美国,2014年7月。视图:谷歌学术搜索
21. e·j·m·g·阿拉姆Rabiul曹,E.-N。嗯,和c . s .香港。”基于云的自杀风险的精神状态监测系统使用可穿戴可以检测侦察,”《第八届国际会议上无处不在的信息管理和交流,ICUIMC 2014博物馆,2014年1月。视图:谷歌学术搜索
22. c .他x的粉丝,y,“对与一个新的高效的云平台,无处不在的医疗服务”IEEE生物医学工程,60卷,不。1,第234 - 230页,2013。视图:出版商的网站|谷歌学术搜索
23. 诉Pejovic和m . Musolesi”先行移动计算:艺术的状态的调查和研究的挑战,”ACM计算调查卷,47号3,2015。视图:谷歌学术搜索
24. Gikas和m . m .格兰特,“移动计算设备在高等教育:学生视角学习用手机智能手机和社交媒体,”互联网与高等教育卷。19日,18-26,2013页。视图:出版商的网站|谷歌学术搜索
25. c . l .传言“移动卫生保健专业人员的设备和应用程序:使用和收益,”药房疗法,39卷,不。5,356 - 64年,2014页。视图:谷歌学术搜索
26. 库马尔,w .流行病学、m·帕维尔和m·斯利瓦斯塔瓦“移动健康:革新医疗通过跨学科的研究,“电脑杂志,46卷,不。1、文章ID 6357165, 28-35, 2013页。视图:出版商的网站|谷歌学术搜索
27. 中州。花王,b . Krishnamachari M.-R。Ra, f·巴姨,“爱马仕:延迟为资源受限的移动计算最优任务分配,”美国第34 IEEE计算机通信和网络年会,IEEE 2015信息通信香港,页1894 - 1902年,2015年5月。视图:谷歌学术搜索
28. s . Altowaijri r . Mehmood和j·威廉姆斯,“一个定量模型的网格系统性能在医疗保健组织,”学报2010年国际会议在智能系统中,建模和仿真2010年1月,页431 - 436。视图:谷歌学术搜索
29. m . Viceconti p·亨特,r .软管,“大数据,大知识:大数据的个性化医疗、”IEEE生物医学和卫生信息学杂志》上,19卷,不。4、1209 - 1215年,2015页。视图:出版商的网站|谷歌学术搜索
30. z Lv、j . Chirivella和p . Gagliardo“面向Bigdata多媒体移动健康应用,”医疗系统杂志,40卷,不。5,页1 - 10,2016。视图:出版商的网站|谷歌学术搜索
31. w . Raghupathi诉Raghupathi,“大数据分析医疗:承诺和潜力,”健康信息科学与系统,卷2,不。1,p。2014。视图:谷歌学术搜索
32. 答:美女,r . Thiagarajan s·m·r·Soroushmehr f . Navidi d . a .胡子,和k . Najarian“医疗、大数据分析”生物医学研究的国际文章ID 370194卷,2015年,2015年。视图:出版商的网站|谷歌学术搜索
33. C.-J。苏和彭译葶。蒋介石“Iaserv:一个聪明的家庭护理aging-in-place web服务平台在云,“国际环境研究和公共卫生杂志》上,10卷,不。11日,第6130 - 6106页,2013年。视图:出版商的网站|谷歌学术搜索
34. 中情局t·哈西姆Yaqoob, n . b . Anuar美国身兼a . Gani和美国Ullah汗”的崛起,对云计算:“大数据”研究和开放的问题,“信息系统47卷,第115 - 98页,2015年。视图:出版商的网站|谷歌学术搜索
35. 张y . m .秋C.-W。蔡,m·m·哈桑,a . Alamri”Health-CPS:医疗cyber-physical系统云计算和大数据的帮助下,“IEEE系统杂志,11卷,不。1,第95 - 88页,2017。视图:出版商的网站|谷歌学术搜索
36. l . a . Tawalbeh r . Mehmood e . Benkhlifa和h的歌,“移动云计算和大数据分析模型对于医疗保健应用程序,”IEEE访问4卷,第6180 - 6171页,2016年。视图:出版商的网站|谷歌学术搜索
37. j . Wan c .邹Ullah,张炳扬。赖,m .周和x王”,普及卫生保健身体应用云计算的无线区域网络,”IEEE网络,27卷,不。5,56 - 61,2013页。视图:出版商的网站|谷歌学术搜索
38. 联合国苏丹,“利用云计算医疗规定:机遇和挑战,“国际信息管理杂志》上,34卷,不。2、177 - 184年,2014页。视图:出版商的网站|谷歌学术搜索
39. a . Grunerbl a . Muaremi诉他et al .,“基于智能手机的状态和状态变化在双相情感障碍患者中,“生物医学与健康信息学IEEE杂志,19卷,不。1,第148 - 140页,2015。视图:出版商的网站|谷歌学术搜索
40. m·m·罗杰斯、v . m . Pai和r·s·康罗伊”最新进展可穿戴传感器健康监控。”IEEE传感器杂志,15卷,不。6,3119 - 3126年,2015页。视图:出版商的网站|谷歌学术搜索
41. 李·m·陈,y, y·m·m·哈桑和a . Alamri”AIWAC:情感交互通过可穿戴计算和云技术,”IEEE无线通讯杂志,22卷,不。1日相较2015页。视图:出版商的网站|谷歌学术搜索
42. 张z zπ,b . Liu”三驾马车:一般心率监测框架使用wrist-type photoplethysmographic信号在密集的体育锻炼,”IEEE生物医学工程,卷62,不。2、522 - 531年,2015页。视图:出版商的网站|谷歌学术搜索
43. a . Pyattaev k Johnsson s安德列夫,y Koucheryavy,“可穿戴的高密度部署无线设备通信挑战,”IEEE无线通讯杂志,22卷,不。1、12 - 18,2015页。视图:出版商的网站|谷歌学术搜索
44. h . Ghasemzadeh p . Panuccio s .它起码g . Fortino r .贾法里,“节能活动监视使用分布式的可穿戴传感器,”IEEE人机系统,44卷,不。4、537 - 544年,2014页。视图:出版商的网站|谷歌学术搜索
45. s . Amendola r . Lodato s Manzari c . Occhiuzzi和g . Marrocco“射频识别技术IoT-based个人医疗保健在智能空间中,“IEEE物联网,1卷,不。2、144 - 152年,2014页。视图:出版商的网站|谷歌学术搜索
46. l . Catarinucci d . de不清楚,l·梅内et al .,“IoT-aware智能医疗系统架构,”IEEE物联网,卷2,不。6,515 - 526年,2015页。视图:出版商的网站|谷歌学术搜索
47. b . y .徐l·d·徐h . m . Cai c .谢j.y. Hu和f·布鲁里溃疡,“无处不在的数据访问方法iot-based紧急医疗服务信息系统,“IEEE工业信息,10卷,不。2、1578 - 1586年,2014页。视图:出版商的网站|谷歌学术搜索
48. g .杨l .谢m . Mantysalo et al .,“health-IoT平台基于集成的智能包装,不引人注目的可以检测,智能药品箱,”IEEE工业信息,10卷,不。4、2180 - 2191年,2014页。视图:出版商的网站|谷歌学术搜索
49. s . a . Haque s·m·阿齐兹,m·拉赫曼“审查cyber-physical系统在医疗、”国际期刊的分布式传感器网络文章ID 217415卷,2014年,2014年。视图:出版商的网站|谷歌学术搜索
50. x, t·h·s .楚h . c . b . Chan和v c . m .梁”维塔:crowdsensing-oriented移动cyber-physical系统”,IEEE新兴主题计算,1卷,不。1,第165 - 148页,2013。视图:出版商的网站|谷歌学术搜索
51. a .使用a法、d .佐丹奴和c·皮诺”移动卫生保健网络物理系统:功能、环境本体和e-diagnostics”学报13 IEEE消费者通讯和网络年会,2016年国家气候变化委员会,页972 - 975,美国2016年1月。视图:谷歌学术搜索
52. r . j . Schobel Pryss、m . Schickler和m . Reichert“灵活的移动数据收集医疗,”学报》第29届IEEE计算机医疗系统国际研讨会,2016年煤层气irl,页181 - 182年,2016年6月。视图:谷歌学术搜索
53. p·d·考尔和长安汽车,“基于云的智能系统提供医疗保健服务,“计算机在生物医学方法和项目,卷113,不。1,第359 - 346页,2014。视图:出版商的网站|谷歌学术搜索
54. A . Gaggioli g . Pioggia g . Tartarisco et al .,“移动数据收集平台心理健康研究”个人和无处不在的计算,17卷,不。2、241 - 251年,2013页。视图:出版商的网站|谷歌学术搜索
55. 张毛s m . Chen, y, v c .梁“相关技术,”大数据,SpringerBriefs在计算机科学,页11到18门,施普林格国际出版,可汗,2014年。视图:出版商的网站|谷歌学术搜索
56. g . DeCandia d . Hastorun m . Jampani et al .,“发电机:亚马逊的高度可用的键值存储21 ACM研讨会上的程序操作系统原理(SOSP ' 07)ACM,页205 - 220年,2007年10月。视图:谷歌学术搜索
57. j .汉大肠Haihong、g . Le和j . Du“NoSQL数据库,调查”学报第六届国际会议上普适计算和应用程序(ICPCA 11)伊丽莎白港,页363 - 366年,南非,2011年10月。视图:出版商的网站|谷歌学术搜索
58. l·乔治,HBase -权威指南:随机存取你的行星大小的数据,2011年DBLP。
59. k·Chodorow和m . DirolfMongoDB:权威指南强大的和可伸缩的数据存储,2010年DBLP。
60. d . BorthakurHdfs架构指南,2008年。
61. j·j·c·科贝特迪安,m . Epstein et al .,“扳手:谷歌全球分布式数据库,”诉讼的Usenix大会Op -害死系统设计和实现,第264 - 251页,2012年。视图:谷歌学术搜索
62. 旷k Shvachko, h、s拉迪亚和r . Chansler“Hadoop分布式文件系统,”IEEE学报》26日大规模存储系统和技术研讨会上(MSST 10)10 1页,皮斯卡塔韦,新泽西,美国,2010年5月。视图:出版商的网站|谷歌学术搜索
63. j·g·沙纳和l .戴”大规模分布式数据科学使用apache火花”21 ACM SIGKDD会议的程序知识发现和数据挖掘,知识发现(KDD) 2015来自,页2323 - 2324年,2015年8月。视图:谷歌学术搜索
64. d·p·安德森,“BOINC:公共资源计算和存储的系统,”学报》第五届IEEE / ACM国际研讨会上网格计算2004年11月,IEEE 4到10页。。视图:出版商的网站|谷歌学术搜索
65. a·g·Shoro和t·r·索默洛”大数据分析:Apache火花的角度来看,“大数据分析:Apache火花的视角15卷,2015。视图:谷歌学术搜索
66. m·c·德·e . Kiciman自然m . Dredze et al .,“发现从心理健康内容,转向自杀意念”气会议程序在计算系统的人为因素,第2110 - 2098页,2016年。视图:谷歌学术搜索
67. g . Fortino d Parisi诉Pirrone, g . Di Fatta”BodyCloud: SaaS的方法对社区的身体传感器网络,”未来一代计算机系统,35卷,第79 - 62页,2014年。视图:出版商的网站|谷歌学术搜索
68. 一个。布拉沃,j .皮尼罗n . Queralt-Rosinach m . Rautschka l . i .弗隆,“从文本提取基因和疾病之间的关系和大规模数据分析:对转化的影响研究”BMC生物信息学,16卷,不。1,货号。55岁,2015。视图:出版商的网站|谷歌学术搜索
69. b . h . Lu, j·朱et al .,“伤口强度校正和卷积神经网络分割,“并发性和计算:实践和经验卷,29号6 p . e3927 2017。视图:出版商的网站|谷歌学术搜索
70. 张y、m .陈黄d, d . Wu和y,“IDoctor:个性化和专业化的医疗建议混合矩阵分解的基础上,“未来一代计算机系统卷。66年,30至35,2017页。视图:出版商的网站|谷歌学术搜索
71. r . O 'Caoimh d·w·莫雷c·菲茨杰拉德et al .,“医疗建议从个性化信息通信技术支持服务,独立生活和积极老龄化(PERSSILAA)研究”学报》第三届国际会议信息和通信技术对老化和e-Health ICT4AWE 2017prt,页91 - 103年,2017年4月。视图:谷歌学术搜索
72. f·f·科斯塔,“在生物医药、大数据”药物发现治疗,19卷,不。4、433 - 440年,2014页。视图:出版商的网站|谷歌学术搜索
73. A . Chib m . h . Van Velthoven, j .汽车“MHealth收养在资源缺乏的环境中:回顾移动医疗的使用在发展中国家,“健康传播》杂志,20卷,不。1,4-34,2015页。视图:出版商的网站|谷歌学术搜索
74. d . w·贝茨,s . Saria l . Ohno-Machado a .沙和g . Escobar”大数据在卫生保健:使用分析来识别和管理高风险和高成本的病人,”卫生事务,33卷,不。7,1123 - 1131年,2014页。视图:出版商的网站|谷歌学术搜索
75. j·s·拉姆斯菲尔德k . e . Joynt和t·m·马德克斯,“大数据分析提高心血管保健:承诺和挑战,”自然评论心脏病学,13卷,不。6,350 - 359年,2016页。视图:出版商的网站|谷歌学术搜索
76. d .西方,如何移动设备正在改变医疗移动设备正在改变医疗吗美国洗,华盛顿,2012年。
77. 美国j·雷蒙德:h·洛弗尔g . z杨et al .,“可穿戴传感器系统大数据是什么意思?贡献的可穿戴传感器ifip医疗工作组,”医学信息学年鉴9卷,第142 - 135页,2014年。视图:出版商的网站|谷歌学术搜索
78. n .罗j .丁:赵,b . h . k .梁和c c . y . Poon“移动健康:设计的柔性电生理传感器可穿戴式医疗系统,”学报》第11届国际会议上可穿戴和植入身体传感器网络,BSN 2014切,页87 - 91年,2014年6月。视图:谷歌学术搜索
79. A . Pantelopoulos和n g·布尔巴基”,调查基于可穿戴传感器的系统健康通过和预后,”IEEE系统控制论C一部分人2009年,40卷,p。12日。视图:谷歌学术搜索

版权

版权©2018肖马等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。