رویکردی نوین مبتنی بر الگوریتم های یادگیری ماشین در راستای پیش بینی و تشخیص سقوط در سیستم های نظارت بر سلامت

پیش بینی وضعیت سلامت یکی از دستاوردهای سیستم های مراقبت بهداشتی مبتنی بر اینترنت اشیا است. این سیستم ها از حسگرهای بدن مانند الکتروکاردیوگرافی (فعالیت الکتریکی قلب)، الکتروانسفالوگرام (نوار مغزی)، دما و فشار خون استفاده می کنند. آنها همچنین از حسگرهای محیطی برای تشخیص رفتارهای بیماران استفاده می کنند که به بهبود دقت پیش بینی وضعیت سلامت کمک می کند. پارادایم سلامت مبتنی بر اینترنت اشیاء نقش پر جنب و جوش در خدمات مراقبت های بهداشتی برای افزایش پردازش داده ها و پیش بینی داده ها دارد. تصادفات سقوط در افراد مسن شایع است .برنامه محاسبات لبه در درجه اول بر طبقه بندی داده های سلامتی شامل نظارت بر علائم حیاتی و تشخیص سقوط تمرکز دارد.. تشخیص فعالیت انسانی با استفاده از حسگرهای پوشیدنی و موبایل در چند سال اخیر در زمینه های مختلف مانند مراقبت های بهداشتی شتاب بیشتری یافته است. این کار معماری و حرکات افراد را برای تشخیص سقوط با گره های حسگر تجزیه و تحلیل می کند. پارادایم های جدید محاسبات مه و لبه، راه حل های نوآورانه ای را با نزدیک تر کردن منابع به کاربر ارائه می کنند و راه حل های تاخیر کم و کارآمدی انرژی برای پردازش داده ها در مقایسه با حوزه های ابری ارائه می کنند. در اینجا، ما یادگیری ماشین را در محاسبات لبه در نظر می گیریم تا دقت قابل پیش بینی را در نظارت بر فعالیت های انسانی شناسایی و بهبود بخشیم علاوه بر این، نقش دستگاه های مبتنی بر لبه ارائه گزارش های پیش بینی سلامت به موقع به پزشکان و بیماران از طریق سرورهای لبه است. علاوه بر این با ارائه مدل پیش بینی بر مبنای معماری شبکه عصبی کانولوشنال با استفاده از محاسبات لبه برای تجزیه و تحلیل داده های سلامت جمع آوری شده توسط دستگاههای اینترنت اشیا را بررسی می کنیم. روش پیشنهادی در این مقاله با استفاده از پارامترهای عملکرد دقت و نرخ خطا ، در مقایسه با سایر روشهای هوشمند ارائه دقت ۹۹.۲۳ درصد دست یافتیم.