روشی نوین برای تشخیص بیماری مبتنی بر زیرساخت اینترنت اشیاء با استفاده از الگوریتم ژنتیک و طبقه بندی کننده های مختلف
الموضوعات :سیدابراهیم دشتی رحمت آبادی 1 , مریم نیکپور 2 , مهدی نیکپور 3 , محبوبه جوهری 4
1 - استادیار، دانشکده مهندسی برق و کامپیوتر، واحد جهرم، دانشگاه آزاد اسلامی، جهرم، فارس، ایران
2 - دانشجوی دکتری، دانشکده مهندسی برق و کامپیوتر، دانشگاه آزاد اسلامی، فارس، ایران
3 - مربی، دانشگاه علوم پزشکی بندرعباس، هرمزگان، ایران
4 - کارشناسی ارشد، دانشگاه آزاد اسلامی فسا، فارس، ایران
الکلمات المفتاحية: سلامت هوشمند, یادگیری ماشین, اینترنت اشیا, یادگیری گروهی, بیماری دیابت,
ملخص المقالة :
فناوری اطلاعات پزشکی و خدمات بهداشتی و درمانی با رفاه ملی و معیشت مردم ارتباط دارد. ادغام پردازش ابری و اینترنت اشیا یک پیشرفت بزرگ در کاربرد پزشکی مدرن خواهد بود. در این تحقیق تمرکز بر روی بیماری مزمن دیابت میباشد که یکی از عوامل اصلی مرگ و میر در سراسر جهان محسوب میشود. این تحقیق تکنولوژی اطلاعات پزشکی را در زمینه اینترنت اشیا، به ویژه در زمینه کاربرد نظارت و مدیریت پزشکی بکار گرفته است. این مطالعه یک روش مبتکرانه مبتنی بر اینترنت اشیا را برای تشخیص دیابت معرفی میکند. یک معماری برای نظارت از راه دور و مدیریت پلت فرم ابر اطلاعات بهداشتی پیشنهاد و تحلیل میشود ، اطلاعات بیماران از طریق ابزارهای اینترنت اشیاء پوشیدنی و تعبیه شده بر حسب نیاز استفاده و جمع آوری میشود و در نهایت از طریق اینترنت شخص ارسال میشود. در این مقاله الگوریتم مبتنی بر الگوریتم ژنتیک و طبقه بندی ترکیبی برای تشخیص دیابت در راستای کمک به نظارت پزشکی ارائه شده است. از الگوریتمهای ژنتیک برای انتخاب ویژگیهای مرتبط بر اساس همبستگی آنها با وضعیت دیابت و وابستگیهای بین ویژگیها استفاده میکند. متعاقباً، یک مدل یادگیری مجموعهای انباشته، با ادغام طبقهبندیکنندههای SVM، KNN، ANN، درختان و GNB برای دقت بیشتر استفاده میشود. نتایج نشاندهنده عملکرد برتر رویکرد ما است و پتانسیل آن را برای بهبود مدیریت دیابت و نتایج مراقبتهای بهداشتی برجسته میکند. روش پیشنهادی از سه روش ارزیابی شده است و نتایج حاصل نشان میدهد روش پیشنهادی از عملکرد بالاتری به میزان 9 تا 57 درصد نسبت بـه روشهای پایه برخوردار بوده و به دقت ٩٣ درصد رسیده است
[1] Ahmad, M.O., Siddiqui, S.T. (2022). The Internet of Things for Healthcare: Benefits, Applications, Challenges, Use Cases and Future Directions. In: Tiwari, S., Trivedi, M.C., Kolhe, M.L., Mishra, K., Singh, B.K. (eds) Advances in Data and Information Sciences. Lecture Notes in Networks and Systems, vol 318. .
[2] Hameed, G., Singh, Y., Haq, S., Rana, B. (2022). Blockchain-Based Model for Secure IoT Communication in Smart Healthcare. In: Singh, P.K., Kolekar, M.H., Tanwar, S., Wierzchoń, S.T., Bhatnagar, R.K. (eds) Emerging Technologies for Computing, Communication and Smart Cities. Lecture Notes in Electrical Engineering, vol 875..
[3] Li, W., Chai, Y., Khan, F. et al. A Comprehensive Survey on Machine Learning-Based Big Data Analytics for IoT-Enabled Smart Healthcare System. Mobile Netw Appl 26, 234–252 (2021)..
[4] Zheng, T., Xie, W., Xu, L., He, X., Zhang, Y., You, M., ... & Chen, Y. (2017). A machine learning-based framework to identify type 2 diabetes through electronic health records. International journal of medical informatics, 97, 120-127.
[5] Somasundaram, S. K., & Alli, P. (2017). A Machine Learning Ensemble Classifier for Early Prediction of Diabetic Retinopathy. Journal of Medical Systems, 41(12), 201.
[6] Nilashi, M., bin Ibrahim, O., Ahmadi, H., & Shahmoradi, L. (2017). An Analytical Method for Diseases Prediction Using Machine Learning Techniques. Computers & Chemical Engineering.
[7] Nilashi, M., Bin Ibrahim, O., Mardani, A., Ahani, A., & Jusoh, A. (2016). A soft computing approach for diabetes disease classification. Health Informatics Journal, 1460458216675500.
[8] Pouriyeh, S., Vahid, S., Sannino, G., De Pietro, G., Arabnia, H., & Gutierrez, J. (2017, July). A comprehensive investigation and comparison of Machine Learning Techniques in
the domain of heart disease. In Computers and Communications (ISCC), 2017 IEEE Symposium on (pp. 204-207). IEEE.
[9] Zheng, T., Xie, W., Xu, L., He, X., Zhang, Y., You, M., ... & Chen, Y. (2017). A machine learning-based framework to identify type 2 diabetes through electronic health records. International journal of medical informatics, 97, 120-127.
[10] Yaqoob I (2021) Blockchain for healthcare data management: opportunities, challenges, and future recommendations. Neural Comput Appl 0123456789.
[11] Shaikh, F. K., Zeadally, S., & Exposito, E. (2017). Enabling technologies for green internet of things. IEEE Systems Journal, 11(2), 983-994.
[12] Sicari, S., Rizzardi, A., Grieco, L. A., Piro, G., & Coen-Porisini, A. (2017). A Policy Enforcement Framework for Internet of Things Applications in the Smart Health. Smart Health.
[13] Velliangiri S, Karthikeyan Karunya P (2020) Blockchain technology: challenges and security issues in consensus algorithm. In: International conference on computer communication and informatics, ICCCI.
[14] Hossain, M. S., & Muhammad, G. (2016). Cloud-assisted industrial internet of things (iiot)–enabled framework for health monitoring. Computer Networks, 101, 192-202.
[15] Temko, A. (2017). Accurate wearable heart rate monitoring during physical exercises using PPG. IEEE Transactions on Biomedical Engineering.
[16] Philip NY, Rodrigues JJPC, Wang H, Fong SJ, Chen J (2021) Internet of Things for in-home health monitoring systems: current advances, challenges and future directions. IEEE J Sel Areas Commun 39(2):300–310.