没有合适的资源?快使用搜索试试~ 我知道了~
⃝可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 8(2022)371www.elsevier.com/locate/icte基于Dew的医疗物联网离线计算架构Kishore Medhi,Nurzaman Ahmed,马里兰州伊夫泰哈尔·侯赛因信息技术系,东北希尔大学,Shillong,793 022印度接收日期:2021年6月10日;接收日期:2021年8月17日;接受日期:2021年9月10日2021年9月22日在线提供摘要由于医疗物联网中诊断设备的资源约束性质和缺乏轻量级计算解决方案,提供时间关键型响应仍然具有挑战性。在本文中,我们提出了DC-Health,这是一种支持Dew Computing的物联网医疗保健解决方案,用于离线和超低延迟决策。建议的解决方案连接大量医疗设备,并提供用户特定的服务,即使在互联网连接不可用时。计算模块被放置在极端边缘而不是云端,以降低复杂性并改善特定于用户的服务。除了云、雾和边缘提供的其他计算设施外,我们的解决方案对互联网的依赖性可以忽略不计。我们开发了一个原型的DC健康,它监测心脏状况使用心电图传感器与终端英里服务,灵活性方面的用户控制,和移动功能。实验结果表明,与雾和基于云的方法相比,所提出的架构分别将网络响应时间最小化至少92%和98%。与此同时,所提出的技术还减少了CPU和内存的使用,响应时间约为 30%,与传统方法相比第2021章作者(二)由爱思唯尔公司出版代表韩国通信和信息科学研究所这是一个开放在CC BY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)下访问文章关键词:医疗物联网;露水计算;边缘计算;时间关键型应用1. 介绍为了在医疗物联网应用中提供智能和超低延迟决策,当前最先进的解决方案是不够的[1]。当前医疗基础设施面临的主要挑战是资源受限的设备,缺乏轻量级分析模块,以及缺乏智能网络。现有的基于边缘的解决方案是不够的,因为它们消耗高延迟[2]。关于这些,新的计算架构是必不可少的,其在用户控制、移动性、超低延迟决策和患者特定要求方面提供灵活性。Dew计算将云计算的核心概念移动电话、个人电脑),并解决与云计算技术相关的主要问题,例如对互联网接入的依赖。我们可以在一个小的,轻量级的Raspberry-pi设备中安装Dew框架,但同样的事情对于Cloud和Fog计算框架是不可能的。超低延迟、零延迟、∗ 通讯作者。电子邮件地址:kishoremedhi2015@gmail.com(K.Medhi),nurzaman@ieee.org(N.Ahmed),ihussain@nehu.ac.in(M.I.Hussain)。同行评审由韩国通信和信息科学研究所(KICS)负责https://doi.org/10.1016/j.icte.2021.09.005对互联网的依赖性、离线条件下的移动性以及快速响应时间使得露水计算在关键物联网应用中与云和雾计算相比相对不同且更有用。露水计算是一种位于数据源附近的小规模云计算。它可以像云一样执行所有任务(数据预处理,分析,存储和传输),但与云相比具有更少的计算能力,并且不受核心网络拓扑的限制。所提出的解决方案即使在没有活动的互联网连接的情况下也能够执行。图1显示了建议的架构。终端设备连接到患者身体,收集各种健康参数,用于监测不同的医疗保健相关问题。DC-Health在需要时提供所需的用户特定决定,并准备未来可能的服务。1.1. 动机最近,医疗物联网解决方案成为工业和研究领域的关键技术进步之一。在这种可靠的应用程序的开发过程中,研究人员使用了许多计算方法,例如云,2405-9595/2021作者。由爱思唯尔公司出版代表韩国通信和信息科学研究所这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。K. Medhi,N.艾哈迈德和M.I.HussainICT Express 8(2022)371372雾和边缘[3]。在云中处理数据通常非常耗时。在一些情况下,有必要做出快速决策以改善用户的状况。因此,为了解决这种情况,通常需要处理时间关键型数据在包括雾层的边缘中。必要的动作由处理单元决定并传送给用户。然而,由于用户的移动性,部署边缘模块的灵活性互联网和骨干网的速度也广泛地决定了云和雾的性能。此外,由于异构性、稳健覆盖、高成本和云定位等因素,其可行性具有挑战性[4]。医疗保健应用程序需要实时响应,当网络状况不稳定或离线时。为克服这些挑战作出了巨大努力,但未能取得同样的成果。现有的基于云的解决方案[5]可以通过其可用的处理和存储功能提供高度可扩展的服务。这种云架构大多位于互联网远程位置。通过各种有线和无线网络技术实现与云的连接。总体而言,该网络非常复杂,具有多种组件,这增加了网络延迟,使其不适合关键的物联网应用。后来,提出了雾和边缘计算方法来减少这种困难,并帮助采取低延迟决策。此外,这些改进了带宽和互操作性in IoT.这样的计算解决方案旨在通过在用户的当前网络的边缘处处理频繁访问的数据来最小化云或雾资源的访问(例如,路由器和网关)。从而提高了整个网络的安全性.然而,边缘计算无法向用户提供无网络间、极高的可扩展性和呼叫点服务[6]。极端本地化的计算平台(如Dew计算)考虑了离线解决方案的单个雾模块[7]。该平台提供位置感知、用户特定和随时随地访问支持。然而,为了提供完整的智能医疗物联网解决方案,这个dew平台需要适当设计智能和轻量级的分析模块和决策。1.2. 贡献本文提出了一种面向智能医疗的计算架构,该架构充分利用了物联网计算和物联网服务的优势。本文的主要贡献如下:我们提出了一个基于Dew的计算架构,用于智能,可靠和低延迟的医疗物联网。我们为露水设备开发了一个轻量级的医疗服务提供商,它考虑了用户特定的数据和要求,以便立即做出决策。提出了一种基于机器学习的轻量级模型,用于在Dew设备中执行用户特定的操作。图1.一、建 议 的Dew-health架构。2. 相关工作已经通过云和边缘计算架构努力改善医疗保健服务。现有最先进的解决方案分为云、边缘和基于露水的解决方案。在雾/边缘网络架构中有任务处理的解决方案。其中,雾选择(例如,[8,9]和[10])和任务分配(例如,[8,11,12]和[13])方法大多可用。然而,灵活性和智能决策仍然具有挑战性。在[14]中,一些解决方案包括用于在医疗保健网络中节省能量的基于雾的解决方案。Otto等人[15]在传感器节点上执行实时信号处理,而Gia等人[16]利用低功耗传输协议来节省传感器节点的传输能量。在[17]中,Want等人尝试在本地边缘网络上实时分析传感器数据,以在本地为用户提供支持。基于物联网的智能电子医疗系统具有许多挑战,例如能源效率,可靠性,移动性,快速响应,可扩展性等。Rahman等人[18]试图使用雾辅助物联网架构来解决这些问题。类似地,Subhro等人。[19]试图通过引入移动边缘计算来提高智能电子医疗应用程序的QoS。在[20]中,UbeHealth框架使用边缘计算,深度学习和物联网来解决各种智能健康挑战。该框架能够提高网络服务质量。深度学习用于预测网络流量,以优化数据速率、数据缓存和路由决策。能量约束是基于物联网的电子医疗系统的主要问题之一,Majumdar等人[21]通过在物联网-雾架构中使用基于HWPSO的聚类方法解决了这个问题。当今时代,生活质量已成为人类生活的重要需求.然而,也有一些患者无法与他人表达他们的痛苦或焦虑。在这种情况下,基于物联网的医疗保健可以在检测方面发挥重要作用Pujo等人[22]第二十二话···K. Medhi,N.艾哈迈德和M.I.HussainICT Express 8(2022)371373使用图像处理从患者的面部表情中确定疼痛程度实时响应是不断发展的基于物联网的电子医疗保健系统的一个关键方面。Ray等人[7]试图通过使用身体传感器和计算设备之间传递的实时消息来解决这个问题。综合:从上述研究中,我们发现现有的解决方案试图使用基于边缘/雾的方法来解决任务的实时处理。然而,这些在用户控制、移动、网络条件和医疗保健服务的低延迟响应方面缺乏灵活性。最终,出现了一个快速和智能的医疗网络解决方案的需求。3. DC-health:建议的架构要部署一个基于智能露水计算的电子医疗保健系统,并提供医疗保健行业的所有特定服务,有必要以本地化的方式而不是云来执行所有执行。所提出的架构旨在提供一个以用户为中心的,灵活的,个性化的,即时的响应给定的工作.有了这个架构,我们可以很容易地减少对互联网的依赖。在这个实验中,所提出的架构在移动智能手机设备中实现。移动设备具有对Dew架构做出贡献的巨大潜力,这是由于其能够在不插入电力的情况下提供多个小时的服务,以及智能手机与最终用户的接近特性。基于移动智能手机的露点设备使其更适合于即使用户从一个地方移动到另一个地方也能提供服务。所提出的基于dew计算的架构充当用户的个性化健康助手,而不依赖于现有的计算模型。如图1所示,每个dew设备是在dew框架特定模块上操作的轻量级设备,如云同步、dew特定数据库、dew服务器轻量级分析和GUI。所有这些模块都旨在为用户提供全面的设施。在本文中,开发DC-Health架构,我们已经使用Pydroid-3移动应用程序安装了Python环境,并执行了MQTT协议。智能手机充当MQTT客户端,并通过MQTT代理与MQTT发布者进行通信。实验的ECG数据集存储在MQTT发布器中,就像传感器设备一样,它以固定的时间间隔将数据连续发送到MQTT客户端。在接收到每个信号后,MQTT客户端执行建议的训练CNN模块并声明结果,并将其存储在本地MySQL服务器中。所提出的基于露水的电子健康架构已经在基于ECG的健康护理监测系统中进行了实验,其中正常和异常的心脏状况都被监测。如图1所示,每个露水设备收集不同用户的实时流式健康信息并执行所需的分析,并向用户更新当前的健康状况。如所绘制在图2给出的流程图中,每个露水设备从连接的患者收集BS信息并执行一些分析。分析模块检查医疗保健数据图二. 露点设备处理医疗保健数据的流程图,这里BS代表身体传感器。图3.第三章。拟 定 露水装置的架构。并使用dew GUI通知健康状况。在离线状态下,dew服务器连接本地数据库管理系统,并将最新的健康数据和状况存储在数据库中。露水同步器以固定的时间间隔将露水设备与云同步,以更新云存储中的存储信息以供将来参考。图图1示出了所提出的基于智能露水的医疗保健监测系统中涉及的 主要组件。这里 ,P1、P2和P3代表患者 ,Dew1、Dew2和Dew3代表Dew Computers。一个轻量级的dew服务器执行数据收集、预处理,并最终分析它以预测任何健康异常。下文讨论了所涉及的所有主要步骤1. 轻量级Dew设备:轻量级Dew结构是一个软件应用程序,它充当资源约束身体传感器和云之间的本地化云节点。该软件应用程序可以安装在任何小型物联网设备中,如raspberry-Pi或新一代智能手机。如图1所示,在我们提出的架构中,每个dew设备都与患者连接,并像云服务器一样执行所有任务。图3示出了由以下组件组成的所提出的轻量级dew架构:(a) 管理器:通过调用功能启动露水设备(b) 通信接口:如图3所示,在所提出的架构中,每个露水设备K. Medhi,N.艾哈迈德和M.I.HussainICT Express 8(2022)371374←←←←←←←图四、传 感 器与结露装置之间的通信接口。可以与身体传感器(BS)通信,使用任何网络技术,如WiFi、蓝牙、Zigbee等。为了在BS和dew设备之间交换消息,我们使用了MQTT消息传输协议,其中每个BS作为发布者通过MQTT代理向dew客户端发送消息。MQTT消息传输的架构如图所示。 四、(c) 设备缓存:它执行新发现的节点的有效加载并传输传入的数据。它还使用消息传递来管理Dew服务器块与BS之间的连接。(d) Dew Server:在这个模块中,所有传入的原始数据都被过滤,并去除所有噪音。预处理后,进行轻量级分析以识别任何异常。(e) Dew数据库:Dew数据库是一个小型数据库,用于存储从服务器生成的所有结果。在我们的实验中,我们使用了MySQL数据库在露水设备。它主要用于在离线条件下存储结果。(f) GUI:它管理与用户的简单通信并显示所有分析。它还访问dew软件模块的所有设置。(g) 边缘/云网关接口:它使所有与边缘设备或云的连接能够为所连接的物联网设备提供和获取控制指令。2. 轻量级分析模型:卷积神经网络(CNN)是过去十年中最成功的机器学习技术之一,在视觉、文本和语音等各个领域都取得了成功。所有的CNN架构都有多个卷积层、池化层和批处理归一化层,然后是一些密集层。 在传统的CNN中,输入和核矩阵之间的逐元素乘法使得卷积步骤更加复杂,并且增加了存储器和时间要求。这些要求排除了图五、使 用 k - m e a n 划分内核。CNN算法,其由用于CNN的新型硬件加速器辅助,其导致乘-累加(MAC)操作的总数的显著减少而不降低准确性。每次迭代所需的乘法运算总数减少了90%以上,这是通过用聚类的质心代替核中的权重来实现的。图图5通过两个步骤中的一个示例解释了权重量化方法,并且在算法1中给出了用于划分核元素的详细过程。图中描绘了一个示例。6,具有三个唯一值的内核。使用一般的CNN程序,总共需要八次加法和九次乘法,而使用所提出的方法,只有八次加法和三次乘法将给出相同的输出。算法1使用k-mean划分核Ct临时集群c新质心e误差三维 距离测度输入:I原始核矩阵K聚类数C初始质心输出:O←输出内核一曰:程序KERNEL P部分(I、 K、 C)2:计算每个C和I元素之间的d3:通过基于距离值对元素进行分组来获得Ct第四章: 程序G计算NEWC熵(Ct)5:从Ct的每个簇计算c第六章: 程序COMPUTEE RROR(c, C)7:计算C和c之间的误差e第八章:C←C九: while(errore= 0)do第十章:Ct=核划分(I, K, C)11:c=计算New质心(Ct)12:e=计算误差(c, C)13:程序REPLACEK ERNEL BY CENTROID(Ct,c)14:O=用质心值CNN在资源密集型应用中的使用自然界中的应变本文提出了一种新的轻型K. Medhi,N.艾哈迈德和M.I.HussainICT Express 8(2022)3713754. 结果和讨论4.1. 实验装置图六、 减少MAC(乘法累加)操作的示例。表1云、雾、露的形态为了执行这个露水健康实验,我们在智能手机环境中设置了我们的露水框架。最初,我们开发了轻量级CNN模型来支持Dew设备。为了将建议的CNN模型集成到Dew设备中,首先,我们安装了执行开发的CNN模型所需的python环境和python包。最后,将CNN模型与MQTT协议和MYSQL服务器连接,接收输入的心电信号并存储输出结果。在这里,我们实现了一个基于心电图的健康监测系统。我们使用iFogSim [23]来模拟所提出的Dew健康架构。表1中给出了模拟中考虑的云、雾和露设备的配置。对于实验设置,所有的设备都组织在一个三层的层次顺序,如图所示。1.一、考虑的最大Dew设备数量为3,每个都连接到一个Fog设备。在本实验中,我们将云和雾的上行带宽设置为相同,即100 Mbps。但它在露水计算中是不同的,它是50 Mbps。为了评估带宽利用率,从Dew设备到远程云的所有链路获取平均链路带宽。为了得到正确的结果,模拟进行了十次,并在所呈现的结果中考虑了它们的平均值。模拟研究中使用的参数详情列于表2中。为了实现轻量级分析模型,我们使用了从PhysioNet的MIT-BIH心律失常数据库中收集的ECG数据集[24]。该数据集由来自6种不同类型心律失常的1000个ECG记录组成。为了评估所提出的轻量级方案的有效性,使用三种现有的基本CNN 架构(如LeNet,VGG16和VGG19)对其进行了验证。所提出的方案的性能进行评估,表2模拟研究中使用的参数参数值传感器延迟5 ms露水上行链路延迟2 ms露水下行链路延迟1 ms雾延迟10 ms云延迟100 ms数据预处理延迟10 ms数据分析延迟10 ms传感器读数间隔5 ms每个IoT节点的能耗2 J雾节点数1露水装置数量3考虑到诸如RTT(往返时间)、网络带宽使用、能量消耗、乘法和加法运算的数量、CPU和存储器使用、以及通过改变不同设置(诸如云、雾和仅露水)中的露水设备的数量的执行时间取得的成果如下。4.2. 材料在这个露水健康实验中,我们开发了一个原型型的基于露水的心脏监测系统。在本实验中,我们使用来自PhysioNet的原始ECG信号数据集作为DC健康数据。该数据集包含1000条记录和超过6条参数云雾露水RAM16 GB2 GB1 GB上行带宽(Mbps)10010050下行带宽(Mbps)1005010水平012MIPS44 80028001000K. Medhi,N.艾哈迈德和M.I.HussainICT Express 8(2022)371376====××M+KM+K图7.第一次会议。云 计算、雾计算和露水计算在(a)RTT、(b)网络带宽和(c)能耗方面的比较。表3在乘法,加法运算,CPU使用,内存使用和执行时间方面比较了建议和现有的方法。VGG16带k 4 5,05,600 1,055,840 24 342 37VGG19 1,255,136 1,101,920 36 542 67VGG19带k 3 4,48,320 1,101,920 21 331 34VGG19带k 4 5,97,760 1,101,920 27 350 39LeNet 4,95,200 4,79,328 20 330 31LeNet,k= 3 47,040 4,79,328 9 150 20LeNet,k=4 62,720 4,79,328 9 169 21不同种类的心脏病。记录的数据来自653名男性和347名女性不同的心脏病患者,年龄范围为1至89岁[24]。数据集包括正常窦性心律(NSR)、室性早搏(PVC)、窦性心动 过 速 ( ST ) 、 窦 性 心 动 过 缓 ( SB ) 和 心 房 颤 动(AF)。以360 Hz的采样频率采集所有ECG信号,持续10 s(3600个样本)4.3. 进行的实验为了评估所提出的方法的轻量级功能,我们分析了各种参数,如乘法和加法运算的数量,CPU和内存的使用,以及执行时间。 表3示出了具有不同数目的簇(k 3,4)的常规方法和所提出的方法之间的上述参数的比较。为了计算CNN算法中的运算次数,我们使用了数学公式:(3)至(4)。在传统的CNN中,对于大小为1的信号,n,内核大小为1m,和步幅大小k,本文试图解决一些关键问题,与现有的电子医疗保健应用程序,如实时响应,可忽略的延迟,服务期间离线条件,num 多n=(m+k)×m(1)和更少的执行时间来处理流数据。ECG文件从源到达不同num 添加n=(m+k)×(m−1)(2)计算设备从RTT计算,并绘制在如图7A所示。可以看出,露水计算中的平均RTT为2300ms,与云和雾计算等其他计算模块相比是最小的。这是因为露水装置非常靠近传感器。类似地,我们还测量了所有计算设备的网络带宽使用和能耗,并绘制在如图1和图2所示的图表中。7b和7c。从这些结果中可以清楚地看出,dew设备中的平均带宽使用和能量消耗分别为1200 Mbps和917 047 J,与其他计算设备相比,这是非常微不足道的。从这三个结果可以看出,与其他现有方法相比,所提出的技术可以更快地通知当前的健康状况,延迟可以忽略不计,资源使用量最小。而在所提出的方法中,nummultiple=(n)×p( 3)num add=(n)×(m−1)(4)这里,n、nummulti、numadd和p分别表示信号中存在的样本的数量、乘法的数量、加法运算的数量和聚类的数量。使用上述等式,获得的结果示于表3中,并且清楚地观察到,与常规CNN方法相比,所提出的划分方法减少了乘法和加法运算的总所需数量。还应注意,随着算术运算次数的减少,CPU和存储器使用也减少了。方法乘法此外CPU使用率(%)内存使用率(%)执行时间VGG161,183,4561,055,8402840046VGG16,k= 33,79,2001,055,8401931033K. Medhi,N.艾哈迈德和M.I.HussainICT Express 8(2022)371377见图8。传统CNN模型和所提出的技术的性能比较。与传统方法相比也减少和降低了执行时间。这些观察结果有力地证明了所提出的基于分区的方法更适合于资源受限的设备,并且可以提供比常规CNN模型更快的响应。在图8中,我们还绘制了所提出的方法和传统CNN模型的准确度,发现随着传统CNN中算术运算数量的减少,所提出的系统的准确度保持不变。从这两个结果,它被证实,使用所提出的方法,我们可以很容易地处理流物联网数据与微不足道的使用资源和非常低的延迟,而不影响检测精度。5. 结论提出了一种基于Dew的物联网轻量级计算方案,以支持灵活的医疗保健解决方案。 所提出的解决方案克服了时间关键性、灵活性和轻量级服务等挑战,这些都是医疗物联网必不可少的。此外,我们提出了一个基于露水的计算架构,为用户特定的医疗服务。开发的dew设备有效地使用轻量级模块在网络的极端边缘执行特定任务。最后,所提出的解决方案进行了测试,在一个真正的原型实验室规模的分析。所提出的解决方案被发现是比较有效的延迟,响应时间,能源消耗,CPU使用,内存使用,和准确性。未来,我们计划改进DC-Health,以适应使用异构设备的更复杂的医疗保健场景。除此之外,我们计划在大规模物联网测试平台上测试所提出的方案。伦理批准本文不包含任何作者进行的任何人类participants或动物竞合利益作者声明,他们没有已知的可能影响本文所报告工作引用[1] Y. Xiong,Y.孙湖,澳-地Xing,Y. Huang,Extend cloud to edgewithKubeEdge , in : ACM/IEEE Symposium on Edge Computing(SEC),2018,pp. 373-377.[2] O. Ali , M.K. Ishak , Bringing intelligence to IoT edge :Machinelearning based smart city image classification using microsoftazureIoT and custom vision , in : Journal of Physics : ConferenceSeries,Vol. 1529,2020,pp. 042-076[3] P. P. Ray,露水计算简介:定义,概念和含义,IEEE Access 6(2017)723-737。[4] E. 艾哈迈德,A.艾哈迈德岛Yaqoob,J. Shuja,A.Gani,M.伊姆兰,M. Shoaib,将计算更接近用户网络:边缘计算是解决方案吗?IEEE通信Mag.55(11)(2017)138-144.[5] C.张丽Zhu,C.许河,巴西-地Lu,PPDP:基于云的电子医疗系统中的高效和隐私保护疾病预测方案,Future Gener。Comput. 系统79(2018)16[6] P.P. Ray,D. Dash,D. De,物联网边缘计算:调查,电子医疗案例研究和未来方向,J. Netw。Comput. Appl. 140(2019)1-22.[7] P.P. Ray,D. Dash,D. De,基于物联网的电子医疗实时模型研究:设备,消息服务和露水计算,计算。网络149(2019)226-239.[8] J. Baek,G. Kaddoum,通过部分可观测多雾网络中的深度递归强化学习进行异构任务卸载和资源分配,IEEE Internet Things J。(2020)http://dx.doi.org/10.1109/JIOT.2020.3009540网站。[9] Y.杨,Z. Liu,X. Yang,K. Wang,X.洪,X.葛,POMT:异构雾网络中的多任务配对卸载,IEEEInternetThings J。6(5)(2019)8658[10] N.范,X. Wang,中国山杨D. Wang,Y. Lan,J. Hou,D2D辅助雾计算网络中的协作任务卸载方案,在:2020IEEE无线通信和网络会议(WCNC),IEEE,2020,pp. 1比6[11] Y.兰,X. Wang,中国山杨D. Wang, Z. Liu,Y. Zhang,D2 D辅助雾计算网络中的任务缓存,卸载和资源分配,IEEEAccess 7(2019)104876-104891。[12] Z. Zhou, H.廖湾,澳-地Gu,S. Mumtaz,J. Rodriguez,物联网雾计算中的资源共享和任务卸载:一种契约学习方法,IEEE Trans。Top. Comput.内特尔4(3)(2019)227-240.[13] Q.李建,赵玉.贡角,澳-地Zhang,面向万物互联的雾计算中的节能计算卸载和资源分配,中国通讯。16(3)(2019)32[14] A.A. Mutlag,M.K.Abd Ghani,N.a.Arunkumar,M.A.穆罕默德,O. Mohd,在医疗物联网系统中实现雾计算的技术,Future Gener。Comput. 系统90(2019)62[15] C. Otto,A. Milenkovic角Sanders,E.赵文,无线体域传感器网络的系统架构,北京,中国。移动多时间。1(4)(2006)307[16] T.N. Gia,N.K. Thanigaivelan,A. M. Rahmani,T. Westerlund,P.利 耶 贝 格 , H 。 Tenhunen , Customizing 6LoWPAN networkstowardsInternet-of-Things based ubiquitous healthcare systems,in:2014NORCHIP,IEEE,2014,pp. 1比6[17] R.想要B.N. Schilit,S. Jenson,使物联网成为可能,计算机48(1)(2015)28-35。[18] A.M. Rahmani,T.N. 吉亚湾Negash,A. 安赞普尔岛Azimi, M.Jiang,P. Liljeberg,Exploiting smart e-health gateways at the edgeofhealthcareInternet-of-Things : Afogcomputingapproach ,FutureGener. Comput. 系统78(2018)641[19] A.H.索德罗角Luo,A.K. Sangaiah,S.W. Baik,医疗保健应用中基于移动边缘计算的QoS优化,Int. J. INF. 管理。45(2019)308[20] T.拉梅德河Mehmood,A.阿尔贝什里岛Katib,UbeHealth:面向智能城市的个性化无处不在的云和边缘启用的网络医疗保健系统,IEEE Access 6(2018)32258-32285。K. Medhi,N.艾哈迈德和M.I.HussainICT Express 8(2022)371378[21] A. 新 墨 西 哥 州 马 宗 达 Laskar , A. Biswas , S.K. Sood , K.L.Baishnab,Energyefficiente-healthcareframework using HWPSO basedclusteringapproach,J. 内特尔模糊系统36(5)(2019)3957[22] F.A. Pujol,H. Mora,A.马丁内斯,情感识别,以改善智能城市中的电子医疗系统,在:国际研究&创新论坛,施普林格,2019年,pp。245-254[23] H.古普塔A。Vahid Dastjerdi,Ghosh,IFogSim:物联网,边缘和雾计算环境中资源管理技术建模和仿真工具包,Softw。- 实际有效期48(1)(2017)28[24] C.- C. Albert,A.S.Yang,MIT-BIH心律失常数据库,2021,https://physionet.org/,最后访问时间:2021年5月 30日
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- ASP.NET数据库高级操作:SQLHelper与数据源控件
- Windows98/2000驱动程序开发指南
- FreeMarker入门到精通教程
- 1800mm冷轧机板形控制性能仿真分析
- 经验模式分解:非平稳信号处理的新突破
- Spring框架3.0官方参考文档:依赖注入与核心模块解析
- 电阻器与电位器详解:类型、命名与应用
- Office技巧大揭秘:Word、Excel、PPT高效操作
- TCS3200D: 可编程色彩光频转换器解析
- 基于TCS230的精准便携式调色仪系统设计详解
- WiMAX与LTE:谁将引领移动宽带互联网?
- SAS-2.1规范草案:串行连接SCSI技术标准
- C#编程学习:手机电子书TXT版
- SQL全效操作指南:数据、控制与程序化
- 单片机复位电路设计与电源干扰处理
- CS5460A单相功率电能芯片:原理、应用与精度分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功