物联网和人工智能在远程医疗监控系统中的应用：一项调查

制作和主办：Elsevier沙特国王大学学报物联网和人工智能在远程医疗监控系统中的应用：一项调查马津·阿尔沙姆拉尼沙特阿拉伯乌姆库拉大学朝觐和副朝研究所信息和先进技术系阿提奇莱因福奥文章历史记录：2021年3月9日收到2021年4月29日修订2021年6月8日接受2021年6月17日在线提供保留字：RHMH-IoT医疗机器学习监控系统A B S T R A C T物联网（IoT）和人工智能（AI）是世界上发展最快的两项技术。随着越来越多的人搬到城市，智慧城市的概念并不陌生。智慧城市的理念是通过提高效率，降低成本，并将重点重新放在更好的患者护理系统上来改变医疗保健行业。为远程医疗监测（RHM）系统实施物联网和人工智能需要深入了解智慧城市中的不同框架。这些框架以底层技术、设备、系统、模型、设计、用例和应用程序的形式出现。基于物联网的RHM系统主要通过收集不同的记录和数据集来使用AI和机器学习（ML）另一方面，ML方法被广泛用于创建分析表示，并被纳入临床决策支持系统和各种医疗服务形式。在仔细检查临床决策支持系统中的每个因素后，向患者提出独特的治疗，生活方式建议和护理策略。所使用的技术有助于支持医疗保健应用程序和分析活动，体温，心率，血糖等。考虑到这一点，本文提供了一项调查，重点是识别由智慧城市基础设施支持的最相关的健康物联网（H-IoT）应用本研究还通过了解基于具有不同相应物联网传感器的几种模型的最相关监控应用，评估了RHM服务的相关技术和系统。最后，本研究通过突出主题的主要局限性和推荐该研究领域可能的机会，为科学知识做出了贡献©2021作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.介绍46881.1.智慧城市和医疗服务46881.2.医疗服务、应用和遥感46881.3.RHM 4689的技术和架构1.4.传感、监测和控制46891.5.在智慧城市环境中应用基于位置的信息46901.6.物联网通信系统46902.文献综述46902.1.用于远程医疗监控的模型和设计46912.1.1.基于mHealth的设计46912.1.2.6基于LoWPAN的设计4692电子邮件地址：mishamrani@uqu.edu.sa沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2021.06.0051319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM. Alshamrani沙特国王大学学报46882.1.3.基于CoAP的设计46922.1.4.基于IEEE 11，073健康标准的设计46922.2.用于遥感、监测和控制的人工智能和深度学习、机器学习和大数据2.2.1.机器学习算法46932.2.2.检测异常46942.3.通过本体代理的医疗保健监测系统46942.4.家庭医疗保健中的远程监控2.5.物联网医疗保健应用46952.6.使用智能设备应用程序的医疗保健实施46953.讨论46954.限制46985.第4698号建议6.结论4699竞争利益声明参考文献46991. 介绍随着人口的不断增长，医疗保健行业面临着许多挑战。一项全面的文献综述显示，有限的人员配备、低效的患者流动、漫长的住院时间和低于标准的沟通方法是与医疗保健相关的常见问题。事实上，有必要解决这些问题，这是本文件的目的。对于物联网（IoT），资源可用性，安全性和网络是开发人员的主要优先事项。当将其与潜在的关键障碍相结合时，会面临许多问题（Patel和Shah，2021）。随着人口的增加，智慧城市会产生和利用智能解决方案，以创造更有利的如果我们想确保生产力，我们需要一个健全的医疗保健部门，这样人们就可以在最小的担忧下完成工作。T. Alizadeh提出了一个智能城市模型，该模型由患者记录系统与各种医疗保健应用程序集成组成，这些应用程序由物联网设备和机器学习（ML ）协议实现（Alizadeh，2017）。远程健康监测（RHM）的技术和架构由患者记录系统组成，该系统与适当的感测机制很好地集成，并收集用于ML分析的结构化和非结构化数据（Chong等人，2018年）。通信协议对于 在 物 联 网 设 备 、 系 统 和 模 型 之 间 传 输数 据 和 信 号 至 关 重 要（Alizadeh，2017）。智慧城市为居民提供高质量的生活 智慧城市可以通过将交易存储在安全、开放、共享和不可变的分类账中来受益于区块链技术（Majeed et al.，2021年）。智慧城市它们存在于射频识别（RFID）、蓝牙、近场通信（NFC）、3G、4G、5G、Zigbee等中。Fig. 1.物联网智能城市医疗系统的基本要素。1.1. 智慧城市和医疗保健服务智慧城市医疗保健的概念是许多传统城市旨在通过设置传统设备和设备来将医疗保健资源与智能解决方案相结合来模仿的概念。智能解决方案和信息通信技术（ICT）在确保智慧城市为公民提供优质医疗服务方面发挥着至关重要的作用（Alizadeh，2017; Urbieta等人，2017年）。智慧城市必须有一个特定的模式来产生和提供创造性和生产性的医疗保健服务。如图1所示，不同的系统、架构和框架为了共同的目的而一起工作，其中实现了物联网智能城市医疗保健系统的基本要素。智能服务可以分为六个主要组成部分：（i）智能经济，（ii）智能环境，（i）智能政府，（iv）智能人，（v）智能移动和（vi）智能生活。已经提供了对这些不同形式的服务的明确解释（Mora等人，2018年）。智慧城市提供更好，更舒适，更豪华的生活环境。它还使公民有机会积极参与有利于其需求的行动，并成为社会的功能成员。公民使用许多智能设备来参与和利用这些服务。智能服务是一种明确的、复杂的网络配置，其中大量的 个 人 数 据 是 由 使 用 互 联 网 的 公 民 提 供 的 。 于 二 零 二 零 年 二 月（COVID-19爆发前），约有1，000人次虚拟访问，而于四月COVID-19爆发期间的高峰日则有3，000至3，500人次。通过提供治疗当患者进行社交距离时，这种远程医疗设施可以降低传染病爆发期间的感染风险（Lee和Lee，2021）。1.2. 医疗服务、应用和遥感在 智 慧 城 市 中 ， 提 供 服 务 以 解 决 居 住 环 境 所 面 临 的 问 题（Aborokbah等人，2018年）。实际系统包括医院服务和健康监护服务。遥感的概念通常用于医疗监测服务，具有大量的研究和应用（Veenis和Brugts，2020）。智慧城市医疗保健系统的核心是病历管理中心（PRMC），它有助于收集、管理和保存患者重要指标M. Alshamrani沙特国王大学学报4689图二.智能医疗服务的简化技术架构。感测并收集患者内部的诸如心电图（ECG）、血压和脉搏的生理信号 外部指示是指关键的气候条件，如湿度和温度;它们从连接到患者的医疗传感器获得并传送到健康服务以用于包括远程健康护理服务的进一步检查（Livingston等人， 2017年）。1.3. RHM的技术和体系结构健康监测服务是从附接到患者身体的医疗传感器和监护人的智能设备两者获得信息的系统。健康监测服务器（HMS）充当控制器;其通过分析当前健康状况和历史记录来实时提供个性化医疗保健计划（IHP）（Alghanim等人，2017年）。它还在涉及关键情况的期间生成信号通知、警告和异常。智能服务的基本要素包括用于评估和监督的健康监测服务、用于获取健康问题识别的医院服务以及即时反应。与此同时，PRMC负责存储和利用信息。健康监测系统为国际水文计划提供实时服务。医院系统允许医疗专家根据卫生部提供的书面报告和从保留所有个人记录的医疗监督中心获得的过去的健康记录，对病人的健康状况作出推断PRMC是一个中央仓库，其中保存了患者的所有健康记录和数据以及患者数字健康记录中的主要健康状况（Alghanim等人，2017年）。它还向连接到它的其他系统提供约束和协议的必要信息携带头。健康监视服务也有本地存储。该存储器保存患者病人中央电子健康记录（PC-EHR）是一种通用的存储设备，它包含了病人1.4. 传感、监测和控制传感器、监测和控制是使医疗城市更加智能所必需的。这些传感器的反馈值帮助医疗保健提供者通过自动化进行监测和控制。这些传感器的反馈值帮助医疗保健提供者通过一系列自动化进行监测和控制。物联网、无线传感器网络、深度学习和其他技术可以成功地用于实现这些目标（Singh等人，2021年）。智慧城市可以通过访问实时信息来快速满足许多人的医疗保健需求。医疗保健提供者可以快速做出决策，产生积极的结果。物联网，人工智能和计算技术改变了医疗保健的面貌（Sharma，2019）。传感器可以植入体内或佩戴在身体通过网关和无线网络与医疗保健提供者建立连接，并传输数据（Movassaghi和Abolhasan，2014）。植入的传感器，例如电化学葡萄糖传感器，有助于监测和控制糖尿病（Lucisano等人，2016年）。患者还可以使用AI设备自我管理和个性化他们的糖尿病传感器可以将数据传输到智能手机，并且患有DM的患者可以使用这些系统来监测他们的血糖水平（Chaki等人，2020年）。几种其他先进的传感器用于监测和控制睡眠呼吸暂停、类风湿、颅压和心律失常（Cook等人，2018年）。这些设备的主要局限性在于操作和管理。负责人可能没有受过必要的教育，或者可能忘记为设备充电。因此，必须采用零效应技术（ZERO），将用户从操作和管理传感器设备所需的任务中解放出来（Sharma，2019）。遥感有助于监测各种疾病，如心血管疾病和痴呆症。行为监测是治疗此类疾病的重要过程。根据一项估计，2017年受痴呆症影响的人数达到惊人的4700万。到2050年，这一数字预计将增加到1.32亿（Lucisano等人，2016年）。在物联网和人工智能的帮助下，先进的遥感系统将简化有效治疗这些疾病所需的监测和控制。M. Alshamrani沙特国王大学学报4690图三. 文件的组织结构1.5. 在智慧城市环境基于位置的服务最适合智能城市数据分析系统和实施。诸如人口统计和全球定位之类的数据被集成以定位用户。收集的数据由智慧城市进行整合和分析，使医疗服务提供商能够在正确的时间和地点提供最佳的医疗服务。这些数据是通过具有多个先进传感器的智能设备、智能手机和手表收集的。经度和纬度由与全球定位系统结合的基于位置的信息系统检测。1.6. 物联网通信系统互联网协议版本6（IPv6）在向物联网的过渡中起着关键作用（Kumar等人，到2019年，IPv4已经耗尽。它作为分组交换网络的战略，提供端到端数据报通信，电信和互联网融合服务以及高级网络（TISPAN）核心网络和3GPP核心网络协议。它的功能是连接其他网络，包括漫游服务。RFID和近场通信（NFC）（Catarinucci等人，2015; Kim等人， 2017）是帮助物联网功能的强大技术。RFID是一种短距离通信技术，其使用电磁场来识别和跟踪自发地连接到对象的RFID和集成传感器技术促进了物联网范式的几个新前景同时支持其他无源系统中的计算、感测和连接能力。IEEE 802.15.1（即蓝牙）在全球提供的2.4 GHz ISM（工业、科学和医疗）频段中运行，是支持短距离物联网应用的关键技术。蓝牙特别兴趣小组（SIG）在蓝牙4.0要求和蓝牙5中推荐低功耗蓝牙（BLE）。另一方面，IEEE 802.11主要包括用于无线局域网（WLAN）（通常称为无线保真（Wi-Fi））的介质访问控制（MAC）和物理层（PHY）要求。 该技术的主要挑战是它消耗巨大的能量，与Zigbee和蓝牙形成对比（Palattella等人，2014年）。需要进行一些修改以增强其移动特性、漫游和服务质量（QoS）执行。像IEEE802.11ah低功耗Wi-Fi这样的先进技术可以很好地与各种物联网应用配合使用。它们可以提供QoS、更节能和更高效的输出、可扩展到多个 设 备 以 及 具 有 成 本 效 益 的 补 救 措 施 （ Adame 等 人 ，2014;Kiryanov等人，2019; Maier等人，2018年）。本文的其余部分组织如下。在第二节中，我们概述了相关的工作领域，而在第三节中，我们讨论了智慧城市如何积极影响公共卫生并帮助预防疾病第四节阐明了研究领域的局限性，而第五节建议并讨论了解决这些局限性的一些可能的解决方案最后，第六节对本文进行了总结。全文总结在Fig. 3.第三章。2. 文献综述在智慧城市中实施RHM需要物联网和ML技术（Pawar等人，2018;Qi等人，这些操作通常是连接以执行预测分析、预后、远程监控、手术和预防性分析的物联网设备的集合，视情况而定（Ermes等人，2008;Pawar等人，2018年）。远程医疗监护需要特定的模式和设计，通过将其集成到患者记录系统中进行有效的数据管理。RHM旨在创建葡萄糖水平传感、ECG监测、血压监测、体温监测、血氧饱和度监测、康复系统、医疗管理、轮椅管理和其他即将到来的医疗保健解决方案等应用。在2019冠状病毒病大流行期间，物联网引入了医疗设备，包括联动成像、医院程序、药物分配、患者护理、诊断测试和药房控制，以及通过智能仪器推进健康安全，如血气分析仪、温度计、智能床、血糖仪、超声波、X射线和I-patient生物服务（Javaid和Khan，2021年）。一些技术主要用于物联网或机器对机器（M2M）应用，这些应用需要广泛的区域范围、延长的电池消耗寿命、低成本设备和低带宽。这些技术被称为低功率广域网（LoPWAN）（Raza等人，2017年）。此外，大多数IoT应用在没有使用蜂窝技术（诸如2G（D-AMPS、GSM和PDC）、2.5G（GPRS）、2.75G（EDGE）、3G（UMTS/WCDMA、EvDO、HSPA和HSUPA）、4G（LTE和LTE-A）和5G）的数据传输的情况下不能起作用。网络连接用蜂窝表示或机器类型通信（MTC）来表示。此外，一些3G和4G技术（如3GPP LTE）覆盖广阔的范围并且与QoS良好地工作。该技术支持移动和漫游服务、可扩展性、高安全级别、计费和组织清晰度。它们的集成允许在标准化API的帮助下连接传感器（Palattella等人， 2014年）。高级长期演进（LTE-A），M. Alshamrani沙特国王大学学报4691见图4。 远程保健系统过程的简单设计（Dziak等人， 2017年）。移动全球微波接入互操作性（WiMAX）第2版、无线MAN-Advanced或IEEE 802.16 m有助于改进，例如更好的可扩展性、更高的速度和低成本，以适应未来的物联网市场需求，并防止技术碎片化。这些技术满足了物联网的部分先决条件。但是，它们仍然存在一些问题有待解决。例如，由于连接了许多节点或设备，QoS和网络拥塞被证明是具有挑战性的问题（Trencher和Karvonen，2019）。Gupta和Jha（2018）概述了对5G蜂窝网络框架和其他一些关键发展技术（如云计算、干扰管理、认知无线电频谱分配、软件定义网络（SDN）等）的深入研究。基于IoT的医疗保健系统具有高效的医疗保健技术，诸如IoT-雾-云连续体，这是促进雾设备的不同层和类型之间的通信的标准平台（Kumar等人，2019年）。然而，一些作者认为5G和物联网之间存在相当大的扩展。5G设计工作正在进行中，以帮助更大规模地使用设备，以促进通用物联网，同时还可以降低成本，减少能源消耗。总结了这些技术的不同特性和一些比较，被概述（Maier等人， 2018年）。2.1. 用于远程医疗监控智慧城市框架内的健康监测系统存在问题。这种系统的设计需要问题公式和产品。利益相关者决定新系统开发的总体概念和前景（Dziak等人，2017年）。这就需要纳入未来的最终用户，并需要为新系统的开发进行捕获。重点更多地放在智能医疗系统的目标上利益相关者定义所提出的智能医疗保健系统的期望设计和功能所需技术和算法的选择必须经过三个步骤：选择算法和技术，选择模型和原型，类型和解决方案验证（Dziak等人， 2017年）。设计人员根据用户和利益相关者在问题开发阶段提出的具体需求和要求，选择适当的因此，在选择正确的技术和算法时，环境因素至关重要。一些传感器不能经受高湿度环境，并且一些能量源在特定温度下存在风险（Ermes等人， 2008年）。在这些约束条件下，设计者开发创造性的解决方案或修改当前的解决方案，如图1中远程医疗保健系统的简单设计过程所示。 四、所考虑的技术和算法的示例是约束应用协议（CoAP）、支持向量机（SVM）、k均值、临床相关性分析（CCA）、蓝牙、Wi-Fi和RFID（Dziak等人，2017年）。基于物联网的医疗保健系统旨在改善患者在过去的十年中，人们对远程医疗监控的模型和设计进行了大量的投入。2.1.1. 基于mHealth的设计需要端到端模型来将物联网集成到医疗护理系统中，以将基于物联网的传感设备连接到临床护理系统（Almotiri等人， 2016年）。mHealth是这种基于IoT的模型的一个例子mHealth分为三个层次。由信息收集组成的层包括基于物联网的系统，可以感测和收集仅与健康有关的参数（Veenis和Brugts，2020）。例如，感测血糖水平的传感器Fitbit）。信息存储层包括大规模保存医疗信息和快速存储架。用于处理信息的层涉及使用不同的方法来分析该传感器信息，这些方法包括非AI和基于AI的算法（Dziak等人， 2017年）。感测设备必须将感测到的信息发送到其被存储的层和其被处理的第二层mHealth并不复杂，易于导航;它可以与BLE，ANT，Zigbee，NFC或基于Wi-Fi的交互协议一起使用。M. Alshamrani沙特国王大学学报4692表1rhm设计中的问题公式化和产品开发（Dziak等人，2017; Oussous等人， 2018; Patel等人，2010年）。问题制剂产品开发参考，年份功能质量可能的技术和算法本地化在公寓四个房间-区域级精度建筑物内楼层精度蓝牙、RFID、Wi-Fi（Peña-Ayala，2014）RFID/Wi-Fi，蓝牙（Peña-Ayala，2014）室外10米精度蓝牙，GPS，Wi-Fi（Peña-Ayala，2014）活动识别跌倒躺站坐走有效性和可靠性RFID，Wi-Fi，遗传算法，神经网络（佩尼亚-阿亚拉，2014年）生命体征监测心率方法心电图，红外线（Alshurafa等人，2015; Sunhare等人， 2020年）行为分类正常可疑危险遗传算法，异常检测，神经网络，支持向量机，K均值（佩尼亚-阿亚拉，2014年）控制易于处理速度内部集成电路，串行外设CoAP接口（Kang和Larkin，2017; Oussous等人，2018; Peña-Ayala，2014; Sunhare等人， 2020年）通信可能很长范围可达40米安全蓝牙，Wi-Fi，RFID（Camps-Valls和Bioucas-Dias，2016; Kang和Larkin，2017; Patel等人，2010; Peña-Ayala，2014;Sunhare等人，2020年）2.1.2. 6LoWPAN设计基于Internet协议（IP）的网络系统无处不在。因此，利用IP网络系统变得更加引人注目，因为它将确保基于物联网的医疗保健信息的传输。然而，IPV6系统需要相当大的功率来处理数据和带宽。它的期望是处理能力具有始终在线的功能，这对于基于物联网网络的系统来说是复杂的。此外，6LoWPAN（Tanaka等人， 2019年）已被认为是最适合基于物联网的网络系统的模型。2.1.3. 基于CoAP的设计在Garcia-Carrillo et al. （2017）中，描述了在医疗保健系统中发挥作用的CoAP模型。CoAP是一个分层的应用系统，主要是为经历资源限制的传感设备而构建的CoAP 应用系统通过利用约束（CON）和确认（ACK）数据来辅助可以依赖的交互，并且通过利用非数据来辅助尽力而为交互实施CoAP协议的医疗护理中的网络CoAP应用系统与HTTP非常相似，并且支持四种传输感测信息的方法，包括POST、POST、GET和PUT。2.1.4. IEEE 11，073健康标准设计已证明慢性心力衰竭患者的RHM可改善心力衰竭患者的健康（Veenis和Brugts，2020），大幅降低住院率，同时改善社区的总体临床结局。在RHM中，智能设备作为信息交换的保险库正在变得常规，其功能包括来自机载传感器的患者代理（PA）的数据收集器、到服务器的数据传输、协作、以及来自其他设备的数据共享和反馈以将信息中继回患者。基于电池的系统用于优化技术，以测试智能设备的电池强度对远程医疗监护系统合规性的影响降低患者给智能手机充电的频率可以提高系统的顺应性。他们在内部和现场测试了电池优化技术。该试验旨在开发一个框架，以了解技术如何降低心血管疾病（CVD）风险。研究人员利用新型纳米系统、生物活性分子、计算分析和硬件集成探索了新型和智能生物传感技术，以实现及时治疗决策所需的简单操作和性能评估（Jain等人，2021年）。另一项研究已经开发了基于共形贴片天线阵列的碳纳米管（CNT ）的模型和原型（ Patel 等人， 2010年）。他们的研究采用了碳纳米管，可以喷墨打印在织物传输设计采用了射频（RF）发射机系统原理图，并采用了敏捷的高级设计系统（ADS）进行仿真该研究提出了随机设计在精度方面的用途，并建议了评估其可接受用途和诊断工具的模拟策略（Khan和Zubair，2020）。 该设计报告了对CNT贴片天线的研究，其导致天线参数的改进，例如电压驻波比（VSWR）、回波损耗、增益、辐射图案和有效的能量收集（Patel等人，2010年）。研究发现，由于其独特的电子性质，CNT具有用于不太贴合的聚合物-CNT纳米复合材料天线的潜力。此外，RF发射器可以帮助无缝传输ECG信号，并与舒适的天线穿插，以增强患者的RHM。表1显示了问题配方和可能的产品。2.2. 用于遥感、监测和控制使用基于ML的远程医疗保健监控服务，预测分析可以帮助医院及时让患者出院。预测性分析确保了创建风险分层模型的容易性，从而致力于管理一组高风险因素患者。这些模型依赖于过去的历史数据，应用来自患者的动态数据来预测未来的突发事件和行动计划，以减少可能的并发症。基于ML的应用程序的成功得到了支持深度学习作为ML重要方面的统计数据的证实（Rahman等人，2020年）。研究表明，结合临床变量和生命体征在预测读数方面可能是有价值的（Chaki等人，2020; Raj等人，2020; Rothman等人，2013;Uddin和传感器，2020）。在这里，病人健康系统可以通过提供相当大的帮助来实施在现代设施中，M. Alshamrani沙特国王大学学报4693图五. 智能城市数据的机器学习分类。关系、数据收集和检查机器被调动起来，以使得能够在更高级别的信息系统中进行数据收集和共享（Chaki等人，2020年）。尽管如此，噪声数据，数据传输损失，和不完整的数据应予以考虑。在过去的几年里，人们开始关注人工智能与深度学习（DL）、ML和大数据在遥感和监测中的结合。几篇论文（Chaki等人，2020;Oussous 等 人 ， 2018; Rothman 等 人 ， 2013; Uddin 和Sensors，2020）已经出版，以介绍DL和大数据以及遥感和监测社区的必要和有时具体的AI概念。环境遥感（监测和控制）在现有信息量方面正在经历爆炸式增长，这为全球范围的自然和人工过程监测提供了前所未有的能力。在这个AI时代，DL框架消耗了所有可行的资源。与此同时，与健康相关的前所未有的大量数据的可用性，例如EHR中的数字文本、社交媒体上的临床文本、电子医学报告中的文本和医学图像，也是DL在健康领域普及的重要原因（Pandey等人， 2021年）。知识库的数量和种类的增加已经造成了数据分析成为问 题 的 情 况 （ Mohammadi 等 人 ， 2018; Raj 等 人 ， Chakiet al.（2020）讨论了基于ML和人工智能的跟踪、评估、自我管理和交互方法。ML已被引入自动化和处理遥感观测，以解决这个问题。谷歌、Facebook和微软等互联网公司一直在积极推动人工智能和深度学习研究，用于遥感、监控和图像分析控制，包括索引、分割和对象检测。这种成功的实际情况通常是谷歌的AlphaGo AI击败世界围棋冠军李世石（Mohammadi等人， 2018年）。根据Xiao et al. （2018年），遥感和监测数据通常是多模态的。它们可以包括一个以上的框架，例如，光学和合成孔径雷达（SAR）传感器，其中成像几何结构及其内容可以完全不同。该研究还强调了遥感数据的自然性，即在环境中随时可以获得，并指出它是质量可控的大地测量数据。他们还得出结论，遥感面临着重大挑战，因为当前的传感和监测系统处理可能需要大量工作来处理的巨大数据量（Xiao等人，2018年）。研究人员已经建立了一个诊断疾病的通用系统，该系统提出了一个系统，收集知识，处理它，并产生一个输出结果，重点是从历史证据中学习（Al-Hawari和Barham，2019）。目标的多样性和数据ML和信号处理算法（Camps-Valls和Bioucas-Dias，2016）。在医疗保健中部署AI进行远程传感和监测时，需要通过来自临床活动的临床数据对其进行训练，例如筛查，诊断和治疗，因此他们可以了解具有相似性和利益结果的特征（Constant等人，2021; Jiang等人，2017年）。这些数据通常以几种形式提供，包括电子记录、医疗器械记录、临床和实验室图像以及体格检查（Jiang et al.，2017; Khan，2020）。ML算法在管理智能城市医疗保健部署的医疗保健数据方面具有相当大的优势。2.2.1. 机器学习算法有必要确定小数据分析要执行什么任务。选择或合成最合适的数据挖掘算法是任何物联网驱动的智能世界的一个困难组成部分。在所有约束条件下，算法应该提供有用的分析，可靠地预测未来事件，并有效地控制网络和资源（Sunhare等人，2020年）。我们需要优化流程，例如预测值、预测类别、特征提取或结构化发现。图5表示了ML在智慧城市中的一般分类。数据揭示未标记数据的结构和聚类算法可能是最好的工具。K-means在Mahdavinejad et al.（2018）中被描述为最流行和最常用的聚类算法。它可以容纳很大的体积数据类型广泛。Gil的研究（2019）建议应用K-means算法来管理智能家居和智能城市数据。如Mahdavinejad所述，等人（2018），D-B扫描是另一种用于从未标记数据中构建数据的聚类算法。 Khanet al.（2014）和Ma et al.（2013）也使用它来聚类小公民行为。两个重要的算法用于发现异常数据点和智能数据中的不一致性。第一种是Mahdavinejad等人（2018）中解释的基于单类SVM和PCA的异常检测方法，该方法可以非常精确地跟踪异常和噪声数据。一项研究使用一类SVM（OCSVMs）来搜索和发现活动异常。Mahdavinejad等人（2018）中描述的线性回归和支持向量回归（SVR）方法是两种最常用的算法（Grzelak等人，2019年），以预测值和分组排序的数据。在这些算法中，所选模型的目的是处理和训练具有高速特性的数据。例如，Du等人（2020年）使用线性回归算法进行实时预测，该算法被应用于对智能公民进行分类（Ma等人，2013年）。在预测数据的类别时，神经网络是函数逼近问题的最佳学习模型。此外，由于智能手机需要准确M. Alshamrani沙特国王大学学报4694表2智能城市医疗保健中的机器学习算法和用例机器学习算法智能城市医疗保健参考的功能应用和用例，年份K-means揭示未标记数据使用聚类算法处理大量数据智能家庭医疗保健，智能城市医疗保健（Gil等人，2019; Grzelak等人，2019;Mahdavinejad等人， 2018年）Dbscan显示未标记数据处理各种数据类型人类数据的聚类管理人体传感器数据管理，例如，通过基于M-IoT的网络提供通信反馈的体温（Gil等人，2019年; Khan等人，2014年。Ma等人， 2013年度）支持向量机临床相关性分析管理大量数据并根据其类型对其进行分组。处理大量和各种类型的数据高效的智能数据处理算法高速处理和训练数据characteristics两种常用的算法，用于提取数据特征。CCA比较并显示两组数据之间的关系。通过比较多个数据源来检测异常的输入。人类健康模式、健康行为和生活方式模式，例如，实时检测血糖水平预测医疗保健解决方案通过各种工具、机器和案例（ Deshmukh ， 2017; Du 等 人 ，2020;Khan 等 人 ， 2014 年 ; Liu 等人 ， 2019;Mahdavinejad 等 人 ，2018年）（Mahdavinejad等人， 2018年）神经网络提供高效的学习函数逼近问题的模型。学习方法用于改进医疗设备、应用程序和工具。具体用例是在康复管理（Deshmukh，2017; Ma等人， 2013年度）异常检测算法正常和异常数据集与奇怪数据集的二元分类器和构造推理在监测应用中的特定应用，如血压监测和ECG。自动化以帮助检测接收到（Gupta和Jha，2018; Jiao等人，2019;Mahmoud等人，2016年; Xu等人， 2018年）数据，多类神经网络应根据其长的训练时间提供最佳的解决方案。 两项研究，即Khan等人（n.d.）和. Liu et al.（2019）将SVM应用于交通数据分类。在Mahdavinejad等人（2018）的一项研究中，主成分分析（PCA）和典型相关分析（CCA）分别是提取数据特征的两种常用算法。此外，CCA能够显示两组数据之间的关系。PCA和CCA的变体也可以用于检测异常。2.2.2. 检测异常异常检测被定义为识别数据集中与其他元素或规则模式不协调的元素或结构。这些不寻常的模式是异常、例外、离群值、惊喜、新奇、噪音或偏差（Xu等人，2018年）。然而，一项研究声称，随着数据规模的增加，识别数据中的异常变得更具挑战性。这是因为随着异常数据点相 对 于 正 常 数 据 点 的 数 量 减 少 ， 检 测 到 正 确 异 常 的 机 会 减 少。（Hashmi和Ahmad，2019）。数据集中存在许多异常问题，导致需要进行二进制分类任务的清理。例如，异常组通常不会在整个训练集中充分显示。它们显示出比典型结构更广泛的不同特征，并且可以是可区分的（Milacski等人，2015年）。异常检测遵循一个既定的程序，这取决于标签的可用程度。在标准化的异常检测过程中，提供二进制（正常和异常）标记的数据集，然后采用二进制分类器。这应该可以处理数据点产生的数据集不均匀的问题，异常标签然后，通过用训练好的模型和推理推导构建结构的典型特征模型来发现异常（Xu等人，2018年）。异常检测的应用是在许多现实世界的健康监测操作。 与手动检测和诊断相比，自动系统可以更容易和可靠地检测和处理异常（Chaki等人， 2020年）。异常检测可以用作预处理阶段。从数据集中消除噪声的算法可以显著增强连续ML算法的执行，特别是在调节学习函数中（Gupta和Jha，2018; Jiao等人，2019年）。单类支持向量机是异常检测中最重要的方法之一。Mahmoud等人（2016年）设计了一种新型异常检测算法，该算法使用统计方法来指示功率数据集中存在的异常和噪声，并从智能环境中获得。表2总结了智能城市医疗保健应用和实施中的ML算法和用例。2.3. 通过Ontology代理的本体代理（OA）已经成为分布式AI（DAI）方法和应用中的知识的获取、查询和回收的启动和管理中的实用方法，所述分布式AI方法 和 应 用 包 括 基 于 网 络 的 教 育 系 统 （ WBES ） 和 多 代 理 系 统（MAS）（Raj等人， 2020年）。在他们专注于患者健康监测的研究M. Alshamrani沙特国王大学学报4695在患者中（Asiminietal.，2018年）。研究人员构建了Malavefes，这是一个支持疟疾语音的计算模糊专家框架，用于准确的抗疟疾药物剂量处方，使用Visual Basic.NET和JADE框架创建（Oluwagbemi等人，2018年）。2.4. 家庭医疗保健物联网是一类具有远程传感器、微控制器和收发器的计算机。它认为医疗保健对于人类监测、管理、检测和响应从系统接收的信息至关重要，并且有效地最小化医疗保健支出（Surantha等人，2021年）。在过去的5年里，远程医疗远程监测主要被纳入美国等进步国家。这种趋势是由于远程医疗对改善患者健康的影响越来越有信心（Avila等人，2017年）。调查结果显示，成功预期对患者使用物联网进行电子医疗的决定几乎没有影响，因此鼓励开发人员，医疗专业人员和广告商加强连接设备的设计，改善患者连接，并专门针对潜在消费者（Arfi等人，2021年）。R. JRosati采用了一种方法，该方法涉及100多个远程监视器 ， 这 些 监 视 器 战 略 性 地 放 置 在 具 有 显 著 认 知 缺 陷 的 患 者 家中（Rosati，2009）。收集补充信息以了解人口统计学、正在使用的药物、社会支持和临床状况。本研究旨在比较远程监测医疗保健对患者改善的结果是否与使用与活动组完全相似但没有远程监测的对照组住院的患者有任何差异。研究发现，住院率大幅降低（证明了在住院地点进行远程监测的有效性）。无论诊断如何，对照组的住院率为45.5%，而接受远程医疗监测的患者为35.6%（Rosati，2009）。该研究还发现，与对照组相比，远程监控患者每周的护理访问量显着减少。T. Bratan和M. 克拉克的结论是，病人监护（RPM）提供了为老年人和家中重病患者提供高质量护理的可能性。这挑战了通过远程医疗监测管理严重临床病例可能具有挑战性的概念（Bratan等人，2006年）。最近的研究已经提出了各种特征，这些特征指示所采用的完全自动化的AD监测报告的检测和完全监测。该框 架还 提供 了健 康 和非 健康 人群 之 间的 区别 （Khan和 Zubair ，2020）。 远程医疗监控对于医疗系统的架构至关重要。最近的一项研究得出结论，英国有13个医疗保健项目和服务使用了RPM。该报告强调了需要监测的八个项目：慢性阻塞性肺疾病（COPD），一个慢性心力衰竭（CHF），一个糖尿病，一个不稳定的状况，如心脏状况，血压和脉搏，以及一个监测氧气的患者。在该项目之前，这些系统没有实现共同的保健服务目标，尽管模式和业务框架包含与初级保健的联系。在仔细研究了该系统2.5. 物联网医疗应用物联网服务中的另一个附加组件是物联网应用程序的密切监控（Islam等人，2015年）。已经进行了一项新的研究，为医疗保健系统开发了一个框架，该框架提供了各种分析数据应用程序，用于管理从EHR 到 医 学 照 片 的 数 据 源 （ Palanisamy 和 Thirunavukarasu ，2019）。虽然这是不可避免的病人和其他用户使用应用程序，显然应用程序开发是基于所需的服务（Lucisano等人，2016年）。因此，可以说，服务是基于开发人员必须提供的内容，而应用程序是为了适应用户而开发的。发散ML方法最近已被用于各个领域的几个相关应用，例如功能技术中的情感识别，严重伤害中的事故强度估计，以及对酗酒者进行有效分级（Jayadev和Bell