view in publisher's site

An accurate and dynamic predictive model for a smart M-Health system using machine learning

Highlights•Emerging Mobile Health systems are examples of novel technologies.•Data are collected from sensor nodes and forwarded to local databases.•From cloud computing services, the data are collected for further analysis.•This paper presents a detailed overview of M-Health systems.•We propose a secure Android-based architecture to collect patient data.AbstractNowadays, new highly-developed technologies are changing traditional processes related to medical and healthcare systems. Emerging Mobile Health (M-Health) systems are examples of novel technologies based on advanced data communication, deep learning, artificial intelligence, cloud computing, big data, and other machine learning methods. Data are collected from sensor nodes and forwarded to local databases through new technologies that enable cellular networks and then store the information in cloud storage systems. From cloud computing services or medical centres, the data are collected for further analysis. Furthermore, machine learning techniques are being used for accurate prediction of disease analysis and for purposes of classification. This paper presents a detailed overview of M-Health systems, their model and architecture, technologies and applications and also discusses statistical and machine learning approaches. We also propose a secure Android-based architecture to collect patient data, a reliable cloud-based model for data storage. Finally, a predictive model able to classify cardiovascular diseases according to their seriousness will be discussed. Moreover, the proposed prediction model has been compared with existing models in terms of accuracy, sensitivity, and specificity. The experimental results show encouraging results in terms of the proposed predictive model for an M-Health system. Keywords: Machine Learning, Predictive, Models, M-Health, Classification, SVM, Decision Tree, Accuracy

یک مدل پیش‌بینی دقیق و پویا برای سیستم هوشمند M - سلامت با استفاده از یادگیری ماشین

نکات مهم: در حال ظهور سیستم‌های بهداشت همراه، نمونه‌هایی از فن‌آوری‌های جدید هستند. داده‌ها از گره‌های سنسور جمع‌آوری و به پایگاه‌داده‌های محلی ارسال می‌شوند. از خدمات محاسبه بروش ابر، داده‌ها برای تجزیه و تحلیل بیشتر جمع‌آوری می‌شوند. این مقاله نمای دقیقی از سیستم‌های سلامت M - M ارایه می‌دهد. * ما یک معماری ایمن مبتنی بر اندروید را پیشنهاد می‌کنیم تا patient data.Abst بیمار را جمع‌آوری کنیم، تکنولوژی‌های پیشرفته‌ای جدید در حال تغییر فرآیندهای سنتی مربوط به سیستم‌های پزشکی و درمانی هستند. سیستم‌های سلامت همراه نوظهور (M - سلامت)نمونه‌هایی از فن‌آوری‌های نوین مبتنی بر ارتباط داده‌های پیشرفته، یادگیری عمیق، هوش مصنوعی، محاسبات ابری، داده‌های بزرگ و دیگر روش‌های یادگیری ماشین هستند. داده‌ها از گره‌های سنسور جمع‌آوری می‌شوند و از طریق فن‌آوری‌های جدیدی که شبکه‌های تلفن همراه را فعال می‌کنند و سپس اطلاعات را در سیستم‌های ذخیره ابر ذخیره می‌کنند، به پایگاه‌داده‌های محلی ارسال می‌شوند. داده‌ها از خدمات محاسبه بروش ابر یا مراکز پزشکی برای تحلیل بیشتر جمع‌آوری می‌شوند. علاوه بر این، تکنیک‌های یادگیری ماشین برای پیش‌بینی دقیق تحلیل بیماری و اهداف طبقه‌بندی مورد استفاده قرار می‌گیرند. این مقاله مروری مفصل بر سیستم‌های سلامت M، مدل آن‌ها و معماری، فن‌آوری‌ها و کاربردهای آن‌ها و همچنین در مورد رویکردهای یادگیری ماشین و ماشینی ارائه می‌کند. ما همچنین یک معماری مبتنی بر اندروید را برای جمع‌آوری داده‌های بیمار، یک مدل قابل‌اطمینان مبتنی بر ابر برای ذخیره‌سازی داده‌ها پیشنهاد می‌کنیم. در نهایت، یک مدل پیش‌بینی قادر به طبقه‌بندی بیماری‌های قلبی و عروقی با توجه به جدیت آن‌ها مورد بحث قرار خواهد گرفت. علاوه بر این، مدل پیش‌بینی پیشنهادی با مدل‌های موجود از لحاظ دقت، حساسیت و ویژگی مقایسه شده‌است. نتایج تجربی نتایج دلگرم‌کننده ناشی از مدل پیش‌بینی پیشنهادی برای یک سیستم M - سلامت را نشان می‌دهد. کلمات کلیدی: یادگیری ماشینی، پیشگویانه، مدل‌ها، M - بهداشت، دسته‌بندی، SVM، درخت تصمیم‌گیری، دقت
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Information Systems and Management
  • ترجمه مقاله Information Systems and Management
  • مقاله سیستم‌های اطلاعاتی و مدیریت
  • ترجمه مقاله سیستم‌های اطلاعاتی و مدیریت
  • مقاله Software
  • ترجمه مقاله Software
  • مقاله نرم‌افزار
  • ترجمه مقاله نرم‌افزار
  • مقاله Theoretical Computer Science
  • ترجمه مقاله Theoretical Computer Science
  • مقاله علوم کامپیوتر نظری
  • ترجمه مقاله علوم کامپیوتر نظری
  • مقاله Control and Systems Engineering
  • ترجمه مقاله Control and Systems Engineering
  • مقاله مهندسی کنترل و سیستم‌ها
  • ترجمه مقاله مهندسی کنترل و سیستم‌ها
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.