الگوریتم ژنتیک فازی
چکیده الگوریتم ژنتیک فازی :
سیستم های بهداشت و درمان هوشمند نیاز به ضبط، انتقال و پردازش حجم زیادی از مدل های چندگانه ی اطلاعات پزشکی ایجاد شده
توسط انواع حسگرها و دستگاههای پزشکی هستند که عملی چالش برانگیز بوده.
برخی از برنامه های نظارت بر سلامت از راه دور غیر عملی را ممکن می سازد.
جابجایی هوش محاسباتی به لبه شبکه یک روش امیدوار کننده برای ارائه راه های کارآمد و مناسب برای نظارت مداوم از راه دور است.
بنابراین ، ما دیدگاه خود را در مورد اعمال نفوذ محاسبات لبه ای به جهت نظارت، پردازش و تصمیم گیری های خود مختار برای برنامه های بهداشت هوشمند ارائه می دهیم.
به طور خاص، ما یک مکانیسم طبقه بندی دقیق و سبک وزن را ارائه می دهیم .
که با اعمال برخی از ویژگی های حوزه زمانی برگرفته از علائم حیاتی، امکان تشخیص مطمئن تشنج در لبه شبکه را با طبقه بندی جامع دقیق و الزامات محاسباتی کم فراهم می کند.
ما پس از آن یک طرح انتقال داده انتخابی را پیشنهاد کرده و اجرا می کنیم.
که راحت ترین راه انتقال داده ی وابسته به شرایط تشخیصی بیمار را انتخاب می کند.
علاوه بر آن، ما یک سیستم اطلاع رسانی اضطراری کارآمد با انرژی را برای تشخیص صرع، بر اساس یادگیری مفهومی و طبقه بندی فازی پیشنهاد می کنیم.
نتایج تجربی ما عملکرد سیستم پیشنهادی را از نظر کاهش داده ها، دقت طبقه بندی، طول عمر باتری و تأخیر انتقال ارزیابی می کند.
ما اثربخشی سیستم و توانایی آن را در انجام سیستم های نظارت از راه دور متداول که از پردازش داده ها در لبه چشم پوشی کرده را اینگونه نشان می دهیم:
الف) دستیابی به دقت طبقه بندی 98.3٪ برای تشخیص تشنج
ب) افزایش طول عمر باتری تا 60% ج) کاهش متوسط تاخیر در انتقال 90 در صدی.
نتیجه:
در این مقاله، ما به سیستم تله مانیتورینگ (نظارت از راه دور) بی سیم EEG پرداخته و یک چارچوب کامل برای تشخیص و اطلاع رسانی تشنج ارائه داده ایم.
ما یک سیستم نظارت بر سلامت هوشمند را برای شناسایی وضعیت بیمار ارائه داده ایم که از استخراج ویژگی ها و طبقه بندی فازی استفاده می کند
در حالیکه برای اجرا با استفاده از دستگاه های کاربر تلفن همراه مناسب باشد، از دقت بالایی برخوردار باشد.
سپس بسته به وضعیت بیمار، سیستم پیشنهادی می تواند از تکنیک های کاهش داده ی متفاوتی استفاده کند تا میزان داده های منتقل شده را کاهش دهد.
به طور خاص، در شرایط عادی بیمار، با انتقال داده های فشرده شده یا ارسال بارزترین ویژگی های EEG با شناسایی تشنج مرتبط است .
در مقدار زیادی انرژی صرفه جویی می شود.
نتایج ما نشان می دهد که
سیستم ما، در حالی که مقدار داده های منتقل شده و مصرف انرژی در PDA را به حداقل می رساند.
استخراج ویژگی دامنه زمانی دقت طبقه بندی بسیار بالایی را فراهم می کند.
به طور خاص، در حالی که کارایی تشخیص تشنج با دقت طبقه بندی بالای 98٪ باقی می ماند.
می توان میزان داده های منتقل شده را از 4096 به 13 نمونه در هر بیمار کاهش داد.
در مقابل، استخراج ویژگی دامنه فرکانس، انعطاف پذیری بالایی را نشان داده و بهترین نتیجه را بین دقت و مصرف انرژی به دست می آورد.
نهایتا، هر زمان که داده های بیشتری در مرکز سلامت موبایل برای پردازش بیشتر لازم باشد، فشرده سازی داده های تطبیقی یک گزینه بسیار با ارزش است:
در مقایسه با انتقال داده های خام ، مصرف انرژی را کاهش می دهد .
برخلاف تکنیک های استخراج ویژگی ، بازسازی سیگنال را در مرکز بهداشت سیار امکان پذیر می کند.
علاوه بر آن، سیستم S-health پیشنهادی مقیاس پذیری و کارایی خود در مدیریت حجم بالایی از اطلاعات به دست آمده.
طول عمر باتری 60%، و کاهش متوسط تاخیر در انتقال 90 درصدی با توجه به سیستم های کنترل از راه دور معمولی که پردازش داده ها را در لبه نادیده می گیرند، اثبات کرده است.
از این رو ، کاهش به دست آمده در تأخیر انتقال و مصرف انرژی به ویژگی های داده های به دست آمده بستگی دارد.
با این حال، ما استدلال می کنیم
که طراحی یک سیستم هوشمند خاص برای نوع خاصی از داده ها، کاملاً با ماهیت دستگاه های IoT که عموما یک نوع داده را به دست می آورند، سازگار است.
برای مشاهده مطالب بیشتر به سایت FARZDON مراجعه نماید . الگوریتم ژنتیک فازی