یک معماری محاسبات هوشمند در اینترنت اشیاء پزشکی جهت کاهش تاخیر سیستم نظارت مستمر بیماران کم توان حرکتی و بیماران خاص

فناوری اینترنت اشیاء (iot) یک رویکرد ساختاریافته برای رسیدگی به جنبه های ارائه خدمات مراقبت های بهداشتی از نظر سلامت و نظارت از راه دور برای بیماران دارای شرایط خاص و بیمار های تهدیدکننده زندگی ارائه می دهد. اینترنت اشیاء حجم بی سابقه ای از داده را تولید می کند که می تواند با استفاده از محاسبات ابری پردازش شود که به دلیل محدودیت منابع ،تاخیر بسیار زیادی را به دنبال خواهد داشت. اما برای برنامه های نظارت بر سلامت از راه دور بی درنگ، تاخیر ناشی از انتقال داده ها به ابر و بازگشت به برنامه غیرقابل قبول است. در این مقاله نظارت از راه دور سلامت بیمار در خانه های هوشمند با استفاده از مفهوم محاسبه مه در دروازه هوشمند پیشنهاد شده است. سیستم تشخیص fog پیاده سازی شده تحت محاسبات مه، شامل یک نگاشت خطی و نگاشت موبیوس در ترکیب با منطق فازی برای ایجاد خروجی چند سطحی(mlfm-map) بود که از وضوح های فضایی مختلف در تجزیه و تحلیل داده های حرکتی بهره برداری می کند. رویکرد پیشنهاد شده عملکرد طبقه بندی خوب تا عالی را نشان داد، با دقت بیش از 90٪ از قسمت های fog به طور متوسط با تاخیر بسیار کم در مجموعه داده اصلی شناسایی شد.

an intelligent computing architecture in the internet of medical things to reduce the delay of the continuous monitoring system of patients with low mobility and special patients

internet of things (iot) technology offers a structured approach to address aspects of health care delivery in terms of health and remote monitoring for patients with specific conditions and life-threatening diseases. the internet of things will generate an unprecedented amount of data that can be processed using cloud computing, which will result in huge delays due to resource limitations. but for real-time remote health monitoring applications, the delay caused by transferring data to the cloud and back to the application is unacceptable. we proposed remote monitoring of patient health in smart homes using the concept of fog computing in smart gateway. the fog detection system implemented under fog computing consisted of a linear map and a mobius map in combination with fuzzy logic to create a multi-level output (mlfm-map) that exploits different spatial resolutions in motion data analysis. the model architecture and parameters are designed to provide optimal performance while reducing computational complexity and testing time. the proposed approach showed good to excellent classification performance, with an accuracy of more than 90% of fog episodes detected on average with very low latency in the original dataset