منصة الرسائل والاطاريح: تصنيف اشارة EEGلمرض الصرع بالاعتماد على تعلم الالة في حوسبة الحافة / الضباب لمراقبة المريض عن بُعد

الخلاصة

شهدت السنوات الأخيرة ارتفاعا ملحوظا في تطوير أنظمة المراقبة المنزلية الآلية نظرا لقلة الموارد البشرية والخدمات الطبية في المؤسسات الصحية. ومع ذلك، تنتج هذه الأنظمة كمية كبيرة من البيانات لأن المراقبة تستغرق وقتًا طويلاً لجمع معلومات مهمة من المريض. يؤدي هذا الطلب إلى زيادة الاهتمام بأنظمة الرعاية الصحية عن بعد التي تستخدم أجهزة الاستشعار الحيوية. تولد أجهزة الاستشعار الحيوية هذه كمية كبيرة من البيانات المستشعرة الحيوية، والتي يتم إرسالها بعد ذلك إلى حافة إنترنت الأشياء الطبية ( )IoMTللمعالجة قبل إرسالها إلى المستوى التالي من الشبكة. في هذه الرسالة، تم اقتراح نهج موفر للطاقة على مستويين للكشف عن نوبات الصرع ( )ETESeDAلمراقبة المرضى عن بعد في شبكات IoMTالقائمة على حوسبة الحافة/الضباب. يعمل نهج ETESeDAعلى مستويين في شبكة :IoMTبوابات الحافة والضباب. عند بوابة الحافة، يتم استخدام طريقة تقليل البيانات القائمة على اقتراح استخراج الميزات المستندة إلى مجال التردد الزمني وترميز هوفمان. يهدف الجمع بين تحويل فورييه قصير الأمد ( )STFTومصفوفة التواجد المشترك للمستوى الرمادي ( )GLCMوترميز هوفمان ( )HEالذي يتم تطبيقه بواسطة ETESeDAإلى استخراج ميزات مفيدة من إشارات تخطيط كهربية الدماغ ( )EEGوضغطها قبل إرسالها إلى الضباب. بوابة. بعد ذلك، يتم اقتراح نموذج التعلم الآلي القائم على اتخاذ القرار وتنفيذه في بوابة الضباب باستخدام البيانات المرسلة من بوابة الحافة لتحديد حالة المريض وتقديم القرار المناسب للكادر الطبي. تم إجراء العديد من التجارب باستخدام مجموعة بيانات جامعة بون المتاحة Bonn .University Datasetأظهرت النتائج أن ETESeDAيقلل بشكل كبير من البيانات المرسلة من حيث نسبة الضغط وتوفير المساحة ودقة اتخاذ القرار. توفر ETESeDAنسبة ضغط جيدة مقارنة بطريقة .HEيوفر نهج ETESeDAالمقترح مستوى مناسبًا من الدقة لكل من التصنيفات الثنائية والمتعددة، ويتفوق على أحدث التقنيات ويحقق دقة %100و %97في التصنيفات الثنائية والمتعددة، على التوالي