چارچوب مراقبتهای پزشکی تشخیص بیماری براساس اینترنت اشیا ابر محور

امروزه بیماری قلبی به عنوان یکی از بیماریهای رایج و کشنده در دنیا افزایش یافته است و سالانه باعث مرگ میلیونها نفر شده است. یکی از روشهای که میتواند در تشخیص افراد بیمار از سالم مفید باشد. استفاده از روشهای یادگیری ماشین است. روشهای یادگیری ماشین با تحلیل داده های گردآوری شده در مراکز درمانی میتوانند الگوی بیماری را تشخیص دهند. یک چالش مهم روشهای یادگیری ماشین آن است که در مواجه با حجم زیاد داده های پزشکی کارایی ندارند لذا در این پژوهش یک معماری ابر محور برای تجزیه و تحلیل داده های پزشکی و بیماران قلبی ارایه شده است. در روش پیشنهادی داده های مرتبط با کلینیک های بیماران قلبی برای گره های مه ارسال میشود گره های مه محاسباتی در ابتدا داده ها را پیش پردازش و نرمالسازی نموده و سپس فاز انتخاب ویژگی را اجراء میکنند در لایه مه برای انتخاب ویژگی از الگوریتم بهینه سازی حشره آبسوار استفاده میشود. در لایه مه با استفاده از انتخاب ویژگی نمونه ها دچار کاهش ابعاد شده و داده های کاهش ابعاد یافته برای لایه ابر ارسال میشود. در لایه ابر جنگل تصادفی شبکه عصبی مصنوعی ماشین بردار پشتیبان و درخت تصمیم گیری روی نمونه های پزشکی اجراء شده تا افراد سالم از بیمار تشخیص داده شوند برای ارزیابی فاز انتخاب ویژگی از نرم افزار متلب استفاده میشود برای پیاده سازی ابر محاسباتی از Google Colab و امکانات ابر محور آن در تشخیص بیماری استفاده میشود. آزمایشات نشان داد روش جنگل تصادفی نسبت به شبکه عصبی مصنوعی ماشین بردار پشتیبان و درخت تصمیم گیری در تشخیص بیماری قلبی دقیق تر است. دقت. حساسیت و صحت روش پیشنهادی در تشخیص بیماری قلبی به ترتیب برابر ۸۸.۲۳ ۸۶.۲۵ و ۸۶,۲۸ است. مقایسه ها نشان میدهد. روش پیشنهادی در تشخیص بیماری قلبی از روش شبکه بیزین رگرسیون خطی کمینه سازی بهینه نزدیکترین همسایه نسخه یک ادابوث نسخه دو ادابوت درختان تصادفی روش کیسه گذاری و لجستیک رگرسیون JRip و جنگل تصادفی دقیق تر است.

Keywords:

تشخیص بیماری , ابر محاسباتی , مه محاسباتی , بیماری قلبی , انتخاب ویژگی