بهینه سازی صحت تشخیص بیماری در سیستم مراقبت بهداشتی هوشمند با استفاده از الگوریتم های تکاملی و شبکه عصبی

سیستمهای مراقبت بهداشتی هوشمند، داده های تولید شده ی بیمار توسط IoT را تجزیه و تحلیل می کنند تا هم کیفیت مراقبت از بیمار را افزایش داده و هم هزینه های مراقبت بهداشتی را کاهش دهند. زیرساختهای محاسباتی Edge با کار کردن به عنوان یک لایه میانی بین دستگاه های IoT و محاسبات ابری، یک راه حل امیدوارکننده ارائه می دهد. داده های ارسالی با رمزنگاری FHE باعث حفظ حریم خصوصی داده ها میشود و در یک چارچوب EoT ذخیره و پردازش میشود. تمرکز این مقاله بر روی دسته بندی و دقت تشخیص بیماری میباشد. عمل دسته بندی به کمک الگوریتم ازدحام ذراتPSO و صحت تشخیص بیماری، توسط شبکه عصبی MLP انجام شده است. در این روش، ابتدا داده ها نرمال سازی شده و نویزها حذف میشوند سپس ویژگی های مهم بیمار با استفاده از الگوریتم PSO انتخاب میشوند. در این مرحله هرچه ویژگیهای بیشتری از مجموعه داده های ارسالی حذف شوند به زیر مجموعه کوچکتری می رسیم که پیچیدگی محاسبات را کم می کند درنتیجه سرعت تشخیص بیماری افزایش پیدا میکند. از طرفی هرچقدر دسته بندی با دقت بالاتری انجام شود تشخیص بیماری با صحت بیشتری انجام شده است. از بین مجموعه داده [ ای استاندارد، مجموعه داده موجود در UCI، مبنای بررسی و مقایسه مدل پیشنهادی قرار گرفت. در مجموعه داده معرفی شده از بین ۷۵ ویژگی کلی، ۱۴ ویژگی اصلی آن به عنوان تاثیرگذارترین ها انتخاب شدند. میانگین نتایج بدست آمده نشان میدهد که با بهترین اجراهای مختلف در این مدل به دقت تشخیص%۹۳,۳۳ میرسیم. درواقع مدل پیشنهادی، بهبودی هرچند اندک در تناسب با بهترین کار قبلی ایجاد کرده است.