Платформа поглибленого навчання для аналізу лікувальних факторів в інтернеті медичних речей

Abstract

Поява технологій інтернету речей IoT (Internet-of-Things), таких які використовуються у дистанційних застосунках для контролю здоров’я, призвели до революційних змін у традиційній медичній допомозі та лікуванні. Крім того, підхід, застосований для отримання глибинного аналізу, на основі ретельного дослідження елементів способу життя та діяльності, є критично важливим для успіху послуг спеціальної медичної допомоги та профілактики захворювань. Алгоритми відбору та класифікації розумних даних дозволяють досліджувати захворювання та прогнозувати аномальні стани здоров’я. Стратегія згорткових нейронних мереж CNN (convolutional neural network) застосовується для передбачення таких аномалій, оскільки вона дозволяє успішно визначити знання, які є важливими для прогнозування захворювання на основі нечітких записів медичної картки хворого. Навпаки, якщо використовується повністю зв’язана топологія мережі, стратегія CNN потребує величезного об’єму пам’яті. Крім того, аналіз складності моделі може виникати у зв’язку зі збільшенням кількості шарів. Таким чином, запропоновано стратегію визначення та прогнозування цілі CNN на основі коефіцієнта кореляції Пірсона PCC (Pearson correlation coefficient), і роботи стандартного шаблону для розгляду цих недоліків моделі CNN. Вона побудована в межах цієї структури і застосовується для цілей класифікації. В початковому прихованому шарі вибираються найбільш важливі фактори, пов’язані зі станом здоров’я, а в наступному шарі здійснюється аналіз коефіцієнта кореляції для розділення факторів стану здоров’я на позитивно і негативно корельовані групи. Аналіз виявлення регулярних структур серед розподілених параметрів стану здоров’я також виявляє поведінку регулярних структур. Результатом цієї моделі є розподіл на фактори надмірної ваги, підвищеного тиску та фактори, що пов’язані з діабетом, при відомих рівнях кореляції. Для зменшення впливу парадигми відкриття знань, що є типовим для CNN, використано два окремих набори даних. Експериментальні результати показали, що пропонована модель переважає три інші методи машинного навчання, потребуючи менших розрахункових витрат.