在物联网平台中用于疾病检测的优化支持的深度学习模型

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 物联网 (IoT) 平台在医疗保健中至关重要,产生大量数据.
• 有效的数据传输和分析对于有效的物联网医疗保健应用至关重要.

研究的目的:

• 开发一种用于物联网医疗保健中最佳路径查找和医疗数据路由的新型算法.
• 用物联网设备提高数据收集和疾病预测的性能.

主要方法:

• 一种混合算法,基于人工植物优化的驼群算法 (基于AFO的CSA),是通过整合人工植物优化 (AFO) 和驼群算法 (CSA) 来开发的.
• 基于AFO的CSA算法优化了考虑到能量,延迟和距离的数据路由.
• 循环神经网络 (RNN),由基于AFO的CSA进行训练,在基站数据预处理和特征减少后用于疾病检测.

主要成果:

• 拟议的基于AFO的CSA与现有方法相比,表现优越.
• 实现的能量消耗为0.538 J.
• 在疾病检测中获得了高精度 (0.950),灵敏度 (0.965) 和特异性 (0.937).

结论:

• 基于AFO的CSA算法为物联网医疗保健中的最佳医疗数据路由提供了有效的解决方案.
• AFO和CSA的整合提高了路由效率,并支持准确的疾病预测.
• 这种方法显示出改善医疗数据管理和诊断能力的巨大潜力.