شناسایی زودهنگام رخدادهای حیاتی از الگوهای پرتکرار دوره ای داده جریانی از طریق پیش بینی وقوع الگوها

استفاده از شبکه های حسگر بدنی برای نظارت از راه دور و جمع آوری جریان داده های حیاتی بیماران و استخراج دانش از شرایط سلامت آن ها تبدیل به یک حوزه ی تحقیقاتی کاربردی شده است. کشف تغییرات دوره ای که به صورت مکرر درداده های حیاتی بیمار رخ می دهد با استفاده از تکنیک های الگو کاوی در تصمیم گیری مراقبان سلامت مفید واقع می شود. الگوهای پرتکرار دوره ای به عنوان مجموعه ای از اقلام که اغلب در فواصل منظم و به طور مکرر در مجموعه داده رخ می دهند، شناخته می شوند. جهت کشف این الگوها از یک ساختار درختی استفاده می شود که در این پژوهش جهت پیاده سازی از الگوریتم SDR استفاده شده است. با توجه به حساسیت نظارت بر وضعیت بیمار آنچه تا کنون در کشف الگوهای پرتکرار دوره ای به آن توجه نشده است، استفاده از توصیه های پیش بینی کننده ی وضعیت آینده ی بیمار برای کمک به شناسایی زودهنگام رویداد حیاتی است. هدف این پژوهش ارائه رویکردی جدید جهت تشخیص زودهنگام رویدادهای حیاتی در دنباله ای از وقوع الگوهای پرتکرار دورهای هست. الگوهای پرتکرار دورهای تولید شده تحت یک دنباله ای از الگو، پیشگوی مورداستفاده (در اینجا AKOM) را در پنجره های داده ای تعیین شده آموزش می دهند و در بین هر پنجره آموزش الگوهای بعد پیش بینی می شوند. نتایج آزمایش های این پژوهش که روی مجموعه داده های Kosarak و Accident انجام شده اند، نشان می دهد، هر چه یک الگوی دورهای پرتکرارتر باشد، آموزش پیشگو بهتر و پیرو آن تا 90 % دقت به دست می آید.