راه حل های مراقبت بهداشتی محاسباتی لبه اینترنت اشیا مبتنی بر یادگیری ماشینی

دادههایی که حسگرهای پزشکی جمع آوری می کنند می تواند طاقت فرسا باشد و جمع آوری مرتبط ترین بینش ها را چالش برانگیز می کند. یک الگوریتم برای یک شبکه حسگر بدن به منظور شناسایی نقاط پرت در داده های جمع آوری شده مورد نیاز است . روشهای یادگیری ماشینی و نمونه گیری آماری را می توان در فرآیند تحقیق مورد استفاده قرار داد. بهینه سازی پاسخ بلادرنگ یک زمینه رو به رشد است ، زیرا وظایف محاسباتی فشردهتر و فشردهتری به باطن بارگذاری می شوند. بهینه سازی انتقال داده موضوع مورد مطالعه است . قدرت محاسباتی در بسیاری از حوزه ها پراکنده است . محاسبات به یک گلوگاه شبکه تبدیل خواهد شد، زیرا دستگاههای بیشتر و بیشتری از قابلیت های اینترنت اشیا برخوردار می شوند. استفاده از موازی سازی در سطح وظیفه و محاسبات توزیع شده بسیار مهم است . برای جلوگیری از خالی شدن باتری ، راه حل معمولی ارسال پردازش به یک سرور در پس زمینه است . استقرار گسترده دستگاههای اینترنت اشیا (IoT) نگرانی های جدی در مورد حفظ حریم خصوصی و امنیت را در بین مردم در همه جا ایجاد کرده است . گسترش سریع تهدیدات سایبری ، حریم خصوصی و اقدامات امنیتی فعلی ما را ناکافی کرده است . روشهای یادگیری ماشینی (ML) به دلیل قابلیت اطمینان نتایجی که تولید می کنند، محبوبیت پیدا می کنند که می تواند برای پیش بینی و شناسایی آسیب پذیری ها در سیستم های مبتنی بر اینترنت اشیا استفاده شود. زمان پاسخگویی شبکه با محاسبات لبه بهبود می یابد که عدم تمرکز و امنیت را نیز افزایش می دهد. گره های لبه ، که اغلب با ابر ارتباط برقرار می کنند، اکنون می توانند بخش قابل توجهی از محاسبات حیاتی ماموریت را اداره کنند. با کمک این فناوری ، راه حل های بی درنگ و بسیار کارآمد امکان پذیر است . برای این منظور، ما از یک چارچوب اینترنت اشیا (IoT) مبتنی بر محاسبات لبه توزیع شده برای بررسی اینکه چگونه رایانش ابری و لبه را می توان با ML ترکیب کرد، استفاده می کنیم . دستگاههای اینترنت اشیا با چارچوبهای حسگر می توانند مقادیر زیادی داده را برای تجزیه و تحلیل بعدی جمع آوری کنند. جزء جلویی می تواند از پیش اندیشی در تعیین اینکه چه اطلاعاتی حیاتی تر است بهرهمند شود. برای انجام این کار، یک سرور اینترنت اشیا در پس زمینه می تواند مشاوره و راهنمایی ارائه دهد. ایده این است که از یادگیری ماشین در سرورهای پشتیبان برای یافتن امضاهای داده مورد علاقه استفاده شود. ما قصد داریم از ایده های زیر در زمینه پزشکی به عنوان مطالعه موردی استفاده کنیم . با استفاده از چارچوب اینترنت اشیا (IoT) مبتنی بر محاسبات توزیع شده، در حال بررسی چگونگی ترکیب نقاط قوت محاسبات ابری و لبه ای با نقاط قوت یادگیری ماشین هستیم .

Keywords:

مراقبت های بهداشتی , یادگیری ماشین , محاسبات لبه , اینترنت اشیا , پردازش ابری .