Платформа поглибленого навчання для аналізу лікувальних факторів в інтернеті медичних речей

Автор(и)

DOI:

https://doi.org/10.20535/S0021347023030056

Ключові слова:

інтернет медичних речей, IoMT, CNN, згорткова нейронна мережа, відкриття структури здоров’я, поглиблене навчання, охорона здоров’я

Анотація

Поява технологій інтернету речей IoT (Internet-of-Things), таких які використовуються у дистанційних застосунках для контролю здоров’я, призвели до революційних змін у традиційній медичній допомозі та лікуванні. Крім того, підхід, застосований для отримання глибинного аналізу, на основі ретельного дослідження елементів способу життя та діяльності, є критично важливим для успіху послуг спеціальної медичної допомоги та профілактики захворювань. Алгоритми відбору та класифікації розумних даних дозволяють досліджувати захворювання та прогнозувати аномальні стани здоров’я. Стратегія згорткових нейронних мереж CNN (convolutional neural network) застосовується для передбачення таких аномалій, оскільки вона дозволяє успішно визначити знання, які є важливими для прогнозування захворювання на основі нечітких записів медичної картки хворого. Навпаки, якщо використовується повністю зв’язана топологія мережі, стратегія CNN потребує величезного об’єму пам’яті. Крім того, аналіз складності моделі може виникати у зв’язку зі збільшенням кількості шарів. Таким чином, запропоновано стратегію визначення та прогнозування цілі CNN на основі коефіцієнта кореляції Пірсона PCC (Pearson correlation coefficient), і роботи стандартного шаблону для розгляду цих недоліків моделі CNN. Вона побудована в межах цієї структури і застосовується для цілей класифікації. В початковому прихованому шарі вибираються найбільш важливі фактори, пов’язані зі станом здоров’я, а в наступному шарі здійснюється аналіз коефіцієнта кореляції для розділення факторів стану здоров’я на позитивно і негативно корельовані групи. Аналіз виявлення регулярних структур серед розподілених параметрів стану здоров’я також виявляє поведінку регулярних структур. Результатом цієї моделі є розподіл на фактори надмірної ваги, підвищеного тиску та фактори, що пов’язані з діабетом, при відомих рівнях кореляції. Для зменшення впливу парадигми відкриття знань, що є типовим для CNN, використано два окремих набори даних. Експериментальні результати показали, що пропонована модель переважає три інші методи машинного навчання, потребуючи менших розрахункових витрат.

Посилання

M. A. Almaiah, A. Ali, F. Hajjej, M. F. Pasha, M. A. Alohali, “A lightweight hybrid deep learning privacy preserving model for FC-based industrial internet of medical things,” Sensors, vol. 22, no. 6, p. 2112, 2022, doi: https://doi.org/10.3390/s22062112.

M. M. Kamruzzaman, I. Alrashdi, A. Alqazzaz, “New opportunities, challenges, and applications of edge-AI for connected healthcare in Internet of Medical Things for smart cities,” J. Healthc. Eng., vol. 2022, pp. 1–14, 2022, doi: https://doi.org/10.1155/2022/2950699.

P. Manickam et al., “Artificial Intelligence (AI) and Internet of Medical Things (IoMT) assisted biomedical systems for intelligent healthcare,” Biosensors, vol. 12, no. 8, p. 562, 2022, doi: https://doi.org/10.3390/bios12080562.

M. N. Hossen, V. Panneerselvam, D. Koundal, K. Ahmed, F. M. Bui, S. M. Ibrahim, “Federated machine learning for detection of skin diseases and enhancement of Internet of Medical Things (IoMT) security,” IEEE J. Biomed. Heal. Informatics, vol. 27, no. 2, pp. 835–841, 2023, doi: https://doi.org/10.1109/JBHI.2022.3149288.

R. Rawat, “A systematic review of blockchain technology use in e-supply chain in Internet of Medical Things (IoMT),” Int. J. Comput. Inf. Manuf., vol. 2, no. 2, 2022, doi: https://doi.org/10.54489/ijcim.v2i2.119.

R. Chaganti, A. Mourade, V. Ravi, N. Vemprala, A. Dua, B. Bhushan, “A particle swarm optimization and deep learning approach for intrusion detection system in Internet of Medical Things,” Sustainability, vol. 14, no. 19, p. 12828, 2022, doi: https://doi.org/10.3390/su141912828.

A. K. Maurya, K. Lokesh, . Sandeep, R. Kumar, S. Arun, R. Krishnamoorthy, “Deep neuro-fuzzy logic technique for brain meningiomasa prediction,” in 2022 7th International Conference on Communication and Electronics Systems (ICCES), 2022, pp. 1244–1248, doi: https://doi.org/10.1109/ICCES54183.2022.9836008.

G. N. Vivekananda, A. R. H. Ali, S. Arun, P. Mishra, R. Sengar, R. Krishnamoorthy, “Cloud based effective health care management system with Artificial Intelligence,” in 2022 IEEE 7th International conference for Convergence in Technology (I2CT), 2022, pp. 1–6, doi: https://doi.org/10.1109/I2CT54291.2022.9825457.

S. S. Band et al., “A survey on machine learning and internet of medical things-based approaches for handling COVID-19: Meta-analysis,” Front. Public Heal., vol. 10, 2022, doi: https://doi.org/10.3389/fpubh.2022.869238.

K. Lokesh, S. Srivastava, M. P. Kumar, S. Arun, S. Padmapriya, R. Krishnamoorthy, “Detection of stomach cancer using deep neural network in healthcare sector,” in 2021 3rd International Conference on Advances in Computing, Communication Control and Networking (ICAC3N), 2021, pp. 521–526, doi: https://doi.org/10.1109/ICAC3N53548.2021.9725656.

M. K. Kagita, N. Thilakarathne, T. R. Gadekallu, P. K. R. Maddikunta, “A review on security and privacy of internet of medical things,” in Intelligent Internet of Things for Healthcare and Industry. Internet of Things, 2022, pp. 171–187.

S. A. Moqurrab et al., “A deep learning-based privacy-preserving model for smart healthcare in Internet of Medical Things using fog computing,” Wirel. Pers. Commun., vol. 126, no. 3, pp. 2379–2401, 2022, doi: https://doi.org/10.1007/s11277-021-09323-0.

S. Razdan, S. Sharma, “Internet of Medical Things (IoMT): Overview, emerging technologies, and case studies,” IETE Tech. Rev., vol. 39, no. 4, pp. 775–788, 2022, doi: https://doi.org/10.1080/02564602.2021.1927863.

A. I. Awad, M. M. Fouda, M. M. Khashaba, E. R. Mohamed, K. M. Hosny, “Utilization of mobile edge computing on the Internet of Medical Things: A survey,” ICT Express, vol. 9, no. 3, pp. 473–485, 2023, doi: https://doi.org/10.1016/j.icte.2022.05.006.

Z. Ashfaq et al., “A review of enabling technologies for Internet of Medical Things (IoMT) ecosystem,” Ain Shams Eng. J., vol. 13, no. 4, p. 101660, 2022, doi: https://doi.org/10.1016/j.asej.2021.101660.

S. Alam et al., “Blockchain-based solutions supporting reliable healthcare for fog computing and Internet of Medical Things (IoMT) integration,” Sustainability, vol. 14, no. 22, p. 15312, 2022, doi: https://doi.org/10.3390/su142215312.

J. Fan, X. Wang, Y. Guo, X. Hu, B. Hu, “Federated learning driven secure Internet of Medical Things,” IEEE Wirel. Commun., vol. 29, no. 2, pp. 68–75, 2022, doi: https://doi.org/10.1109/MWC.008.00475.

M. A. Jabbar, S. K. Shandilya, A. Kumar, S. Shandilya, “Applications of cognitive internet of medical things in modern healthcare,” Comput. Electr. Eng., vol. 102, p. 108276, 2022, doi: https://doi.org/10.1016/j.compeleceng.2022.108276.

M. K. Hasan et al., “A review on security threats, vulnerabilities, and counter measures of 5G enabled Internet‐of‐Medical‐Things,” IET Commun., vol. 16, no. 5, pp. 421–432, 2022, doi: https://doi.org/10.1049/cmu2.12301.

A. Kumar, N. Gaur, S. Chakravarti, “Improving and analysing the spectral access performance of QAM-64 optical NOMA using a hybrid ED-CSD algorithm,” J. Opt. Commun., 2023, doi: https://doi.org/10.1515/joc-2023-0217.

A. Kumar, M. A. Albreem, M. Gupta, M. H. Alsharif, S. Kim, “Future 5G network based smart hospitals: Hybrid detection technique for latency improvement,” IEEE Access, vol. 8, pp. 153240–153249, 2020, doi: https://doi.org/10.1109/ACCESS.2020.3017625.

Роль штучного інтелекту (ШІ) в сфері охорони здоров’я

Опубліковано

2023-12-31 — Оновлено 2023-03-26

Як цитувати

Аббас, С. Х., Колікiпогу Р., Реді, В. Л., Марур, Д. П., Кумар, Д., & Сінгх, М. (2023). Платформа поглибленого навчання для аналізу лікувальних факторів в інтернеті медичних речей. Вісті вищих учбових закладів. Радіоелектроніка, 66(3), 174–184. https://doi.org/10.20535/S0021347023030056

Номер

Розділ

Оригінальні статті