没有合适的资源?快使用搜索试试~ 我知道了~
医学信息学解锁23(2021)100550物联网在医疗保健中的深度学习应用:系统综述Hamidreza Bolhasania,*,Maryam Mohsenib,Amir Masoud Rahmani ca伊朗德黑兰伊斯兰阿扎德大学科学和研究分部计算机工程系b加拿大西安大略大学电子与计算机工程系c阿塞拜疆巴库哈扎尔大学计算机科学系A R T I C L EI N FO保留字:深度学习物联网医疗保健医疗成像可穿戴设备系统性文献综述A B S T R A C T在机器学习中,深度学习是最受欢迎的主题,具有广泛的应用,如计算机视觉,自然语言处理,语音识别,视觉对象检测,疾病预测,药物发现,生物信息学,生物医学等。巨大的大数据增长,物联网(IoT),连接设备以及使用GPU和TPU的高性能计算机是深度学习如此受欢迎的主要原因。基于其特定任务,医疗物联网、数字图像、电子健康记录(EHR)数据、基因组数据和中央医疗数据库是深度学习系统的主要数据源。隐私、QoS优化和部署等几个潜在问题表明了深度学习的关键部分。本文基于系统文献综述(SLR)对医疗系统中物联网应用的深度学习进行了综述。本文从44篇公开发表的论文中选取了相关的研究在2010年至2020年的十年内进行的研究论文第一,理论概念和提出了深度学习和技术分类的思想。然后,通过分析相关工作,介绍了物联网在医疗保健和医学科学中的主要深度学习应用。最后,本论文讨论了每一项研究的主要观点、优点、缺点和局限性,并提出了进一步研究的建议。1. 介绍在机器学习中,深度学习被认为是一个新的领域,因此也是人工智能(AI)的一个重要子集。深度学习有几个定义,但下面的定义是最全面的。深度学习是一系列基于多层人工神经网络的算法[1]。人工神经网络最早由McCulloch和Pitts在20世纪40年代提出[2]。生物神经系统启发了神经网络用于信息处理的主要思想[3]。生物神经元由几个实体组成,但研究以下元素的作用对于研究人工神经网络的功能至关重要- Synapse:输入信号接收器。- 枝晶:权重分配。- 细胞体:总和和整合。- 上一篇:信号传输- AX on terminal:输出结果。如图1所示,深度神经网络是具有多层的人工神经网络。每一层负责提取由分数乘以权重表示的一些信息,并将它们转发到下一层。与特定输入相关的所有值的总和构成输出。输入层收集输入数据,隐藏层负责存储相应的权重,输出层产生输出结果[4]。物联网将物理世界连接到数字世界[5]。有许多方法来解释物联网,其中一些如下:收音机和人之间的比例大约为1:1通用网络包括连接的对象,这些对象通过通信协议进行通信[7]。“一个动态的全球网络基础设施,具有自配置能力,基于标准和可互操作的通信协议的能力,其中物理和虚拟的* 通讯作者。电子邮件地址:hamidreza. srbiau.ac.ir(H.Bolhasani)。https://doi.org/10.1016/j.imu.2021.100550接收日期:2020年12月25日;接收日期:2021年3月10日;接受日期:2021年3月10日2021年3月17日网上发售2352-9148/© 2021作者。出版社:Elsevier Ltd这是CC BY许可下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)。可在ScienceDirect上获得目录列表医学信息学期刊主页:http://www.elsevier.com/locate/imuH. Bolhasani等人医学信息学解锁23(2021)1005502Fig. 1. 深度神经网络的架构[9]。并无缝集成到信息网络中宽带互联网和电子应用已成为医疗保健的基本要素;因此,在人们的生活中,物联网(MIoT)扮演着关键的角色MIoT指的是使用可穿戴传感器和连接的医疗设备来向医院、患者和医生提供新颖的医疗服务目前,很大一部分数据是由物联网设备生成的,被用作深度学习有许多含义, 几乎可以在我们生活的各个方面找到医疗用途和健康-护理是其中最受欢迎的,并仍在增长。EHR、集成的行政和医疗数据库、数字图像(放射摄影、乳房X线摄影和组织学)、从移动应用获取的数据、医疗设备物联网、基因数据和来自搜索引擎的数据是深度学习算法的主要来源,这些算法可以预测、诊断、帮助临床决策等。其他一些用于生物医学和制药领域,例如分子诊断、药物遗传学、病原体变体的鉴定、DNA测序、基因剪接、个性化癌症护理和药物发现[11]。本文旨在研究医学科学和医疗保健服务中不同深度学习应用和物联网的最新研究和评论。在这篇评论中调查的重要应用包括疾病预测,诊断,治疗,生物医学和健康信息学。与同类作品相比,这项研究的突出之处在于它特别涵盖了深度学习、物联网以及两者结合的应用,而相关作品只关注其中一个领域。本调查提供了系统性文献综述(SLR),并讨论了以下内容:- 说明物联网深度学习在医疗服务- 检查使用相关应用程序的挑战- 考虑未来的开放问题和潜在机会以下是本次调查的组织情况:研究方法:第三部分。深度学习和物联网在医疗保健中的应用:第4节。本节还介绍了相关应用程序的技术分类。目前的问题和机会:第5节。第六节对本文的内容进行了全面的回顾。2. 相关研究本节旨在回顾针对医疗保健中物联网的深度学习应用进行的研究。Zhao等人[12]系统地概述了通过机器监测健康的深度学习研究。通过基于深度学习的机器(MHMS)监控健康的系统的目的是通过创建具有不同非线性变化层的深度神经网络来从输入数据中提取分层指示。建议的基于DL的MHMS是基于DL架构的四个方面,如自动编码器模型,受限玻尔兹曼机模型,卷积神经网络和递归神经网络所报告的。本研究的重点包括:基于DL的MHMS不需要大量的实践和专家信息。这项研究的问题是数据集的规模限制了DL模型的深度。Friday Nweke et al.[13]讨论了各种深度学习技术在移动和人类活动中,它是基于传感器的,可穿戴的,可以自动提取特征。深度学习方法主要分为生成模型、判别模型和混合模型。对于生成类别,提到了受限玻尔兹曼机、自动编码器、深度混合模型以及稀疏编码;区分的方法是卷积神经网络、递归神经网络、深度神经模型和碳氢化合物。生成和判别模型被认为是一种可以改善特征学习的混合方法。从移动传感器数据中提取有效向量的优点是节省了计算时间,并提供了精确的识别性能。然而,基于DL的决策融合等领域使用深度学习车载移动和迁移学习,以及类不平衡问题是开放的研究挑战。Pasluosta等人[14]研究了健康物(IOHT)。切换对象导致控制病人物联网包括四个阶段:收集、存储、生产、切割和呈现。IoHT的积极特征有两个方面:它可以减少服务停机时间并有效分配有限的资源。这项调查的主要缺陷与收集的数据的数量和复杂性有关,这对照顾者来说是一项艰巨的任务物联网的数据融合侧重于计算和数学技术,如概率方法,人工智能,信念理论和指定的物联网环境,包括传播,非线性,非均匀和跟踪对象的环境,由Alam等人审查。数据融合是对各种数据的融合,由于它可以提高数据质量和决策能力,因此在普适环境中将是一个至关重要的因素数据融合的一些缺点与模糊性和不一致性有关,并且与可能产生相反直观的结果的数据的性质不一致。Riazul Islam等人[16]调查了医疗保健领域基于物联网的技术的各种特征,并提出了各种医疗网络结构和平台,这些结构和平台提供了可用的物联网基础,并帮助传输和收集医学数据。基于物联网的医疗服务的优点是降低费用和提高生活质量。相比之下,物联网医疗保健工具被放置在缓慢的处理器中。此外,这些设备不能执行计算上昂贵的表1在深度学习中进行的研究将物联网用于医疗保健。参考文献主要题目出版年份Zhao etal. [12] 2015年MHMSFriday Nweke et al. [13个国家]人体行为识别2018Pasluosta等人[14个]IoHT2018Alam等人[第十五条]数据融合2017Riazul Islam等人[16]基于IoT的医疗保健技术2015H. Bolhasani等人医学信息学解锁23(2021)1005503运营表1简要介绍了在医疗保健中使用物联网进行深度学习的研究和评论3. 研究方法这部分讨论了SLR方法作为物联网深度学习应用分类研究健康的生活[17本文回答了与研究对象相关的以下研究问题:RQ1:哪些类别被归类为医疗保健物联网的深度学习应用?RQ2:在医疗保健领域,物联网的深度学习应用提到了哪些主要背景?RQ3:在医疗保健领域的物联网深度学习应用中,会检查哪些评估环境?图2显示了如何选择研究调查的评估图表和标准。被排除的部分包含书籍章节,不完善的研究和未经同行评审的调查。被认为包括以下原则:• 2010年至2020年发表的研究• 引用超过20次的研究排除的原则是:• WoS中未找到的研究(ISI索引)• 非英语上述原则用于选择最终的研究评估期刊的基础上显示后分析的问题。最终,我们批准了44项同行评议的研究,以评估和回答第4节中阐述的分析问题。图3显示了由最高出版商(如IEEE、ACM、Elsevier和Springer)提供的关于引用和评论方法的研究调查的传播情况。此外,在这项安排中,我们采用了电子数据库。4. 医疗保健中物联网深度学习应用的组织本部分根据系统性文献综述,对医疗保健中物联网的选定深度学习应用进行了综述。图4示出了医疗保健领域中用于IoT的深度学习应用的综合分类,包括医疗诊断和区分应用、基于家庭和个人的医疗保健应用、疾病预测应用,以及人类行为识别应用。我们回顾了解决医疗保健中深度学习应用相关问题的论文。例如,智能手机传感器数据、多种疾病慢性患者、学习患者生理信号、智能牙科健康物联网系统、跌倒检测模型、运动损伤和营养监测系统等主要主题已在个人医疗保健和家庭应用部分中规定。本文重点介绍了与物联网在医疗保健领域面临的挑战相关的不同深度学习应用,以及一些论文中提到的重要因素。深度学习应用程序中的不同技术将在后续小节中演示。在此基础上,对论文的主体部分、案例分析、优势与不足、创新成果等进行了比较和分析。4.1. 医疗诊断和鉴别应用Tuli等人[20]提出了HealthFog,用于利用深度学习和物联网自动诊断通过HealthFog提供轻量级的雾服务和有效的数据管理,这些数据与来自各种物联网设备的心脏病患者有关。一种新的模式的雾和边缘计算的优点包括作为解决方案,以节省能源和那些是低延迟的解决方案,用于数据处理。至于雾计算在医疗应用中的弱点,可以得出结论,重要的是要知道它的响应和延迟时间,并且很难在实时雾环境中优化使用服务质量(QoS)参数[21]。Sarraft等人[22]指出,由于深度学习方法,自动EEG疾病诊断和检测系统的近代技术突破已经发生。这项调查的一些积极点是增强EEG解码性能,因为自动特征提取设施。此外,通过评估他们的脑电图,可以发现异常的健康状况。然而,EEG病理学数据集的可用性将带来挑战,因为其中一些可以在线访问,但绝大多数都很小,不适合某些人深度学习模型[23脑血管意外(CVA)[27,28]即中风,是一种由于缺血或出血而导致某些大脑部位停止功能的疾病。在大多数情况下,它可以导致死亡。及时诊断可以解决这个问题。CT和MRI成像通常用于诊断中风。物联网框架可用于通过部署卷积神经网络(CNN)的CT图像对中风进行分类,以识别大脑是否健康,中风是否是缺血性的,或者是由于出血而发生的中风。在医疗保健领域采用物联网的优势是不太依赖人类的领域,从而减少人为错误。本研究的局限性:我们不能将所提出的结构用于其他医学图像,但需要扩展该系统Faust等人[29]开发了一种基于长短期记忆(LSTM)的深度学习模型,通过使用心率(HR)信号来检测房颤(AF)发作。基于LSTM的深度学习图二、选择标准和评估研究成果的图表。H. Bolhasani等人医学信息学解锁23(2021)1005504图三. 出版商该系统在20名受试者身上进行了试验,标记的HR信号数据来自PhysioNet的房颤数据库(AFDB)。与机器学习方法相比,这种深度学习模型的成就不那么有限。此外,从小数据集引出的信息可以推广到更大的数据集。这项调查的问题在于,培训的关键概念没有得到解决。中医药治疗感染性发热的根本是辨证论治[30]。由于感染性发热证候的复杂性,传统中医药对感染性发热证候的区别处理较为繁琐。深度学习是通过整合来区分计算机辅助感染性发热综合征的一个有前途的模型。建议在堆叠式自动编码器中加入自适应丢弃功能。减少过度拟合以及提高分类精度被认为是本研究的优势。缺陷:临床上许多感染性发热不能鉴别Bray等人[31]探索了用于计算机辅助诊断和治疗肺癌的深度强化学习模型。目前,肺癌对人类构成严重威胁。许多人患有两种类型的肺部肿瘤:良性和恶性。深度强化学习模型可以发现肺部肿瘤并产生有效的结果。 然而,定义一个好的函数来更新每个AC,tion’s学习治疗肺癌的模型黑色素瘤[32]是一种严重的皮肤癌,因为它更容易引起转移。黑素细胞病变有三种类型:普通痣、非典型痣和黑色素瘤。在这项调查中,基于物联网技术的系统用于对皮肤病变进行分类。该方法将CNN模型应用于ImageNet数据集来获取图像。这种方法的优点是可以在不同的地区使用和方便。这项研究的缺点与互联网接入有关。连接到API(应用程序编程接口)在LINDA和发送图像需要一个良好的连接.Schlemmeister [33] 提 供 了 创 新 的 方 法 来 可 视 化 特 征 , 并 表 示ConvNets学习使用alpha,beta和高伽马频率的功率变化。此外,该研究代表了设计用于解码信息的ConvNets的过程,并且与从没有手工特征的空白EEG中提取的任务有关。适合端到端学习以及对大型数据集的可扩展性是特权之一。ConvNets的缺点是它们可能会显示错误的预测,并且需要训练数据。4.1.1. 医学诊断和鉴别应用综述分析表2显示了上述论文特征 到 评估 医疗 诊断 和 分化 为 物联网在健康护理4.2. 家庭和个人医疗保健应用在本节中,说明了基于家庭和个人的医疗保健应用程序。此外,本文还从研究的基本背景、案例分析、利弊得失和研究成果等方面对几项研究进行了比较和评价。Fonseca等人。[34]提出为多发性骨髓瘤慢性患者的家庭医疗保健医疗保健领域的本体论。在本调查中使用了监督或预测机器学习方法。在这种技术中,从一个输入到另一个输出的映射是系统的一部分,并且它们被提供一个训练集,这是一个标记的输入-输出对集。这种方法有助于新一轮的生活便利,因为它为患有合并症的患者提供了更好的生活质量,并控制了成本。问题是,没有数据来证实所提出的模型的有效性和功能。Sandstrom等人[35]指出,智能手机用户可以将他们的传感器数据传输给云中的其他人,例如IBM的物联网和情感感知。智能手机对三个方面的影响最大:动态评估、行为监测、理解和预后。深度学习方法可以在智能手机传感器数据和个人健康之间建立相关性。最初,数据被深度堆叠自动编码器(SAE)分类为部分,以引出它们的特征并对它们的softmax层进行分类。然后,在划分的传感器数据和健康之间创建定量相关性。最后,为了证实所提出的技术的性能,设计了仿真。这种方法的优点:SAE保持了一种简单的格式,计算量小(没有强制GPU),性能非常好(调节权重和稀疏性)。然而,作为未来的评估,应该研究来自智能手机和可穿戴设备的更多传感器数据类型。各种类型的牙科疾病在全球范围内广泛传播根据据最新的口腔健康调查,令人震惊的是,94%的中华民族患有各种牙齿问题[36]。基于智能硬件、深度学习和移动终端的牙齿智能健康物联网系统可以解决这个问题。训练后的模型被用来检测和分类牙齿疾病。为牙医和客户部署了相应的应用程序(App)它的主要优势在于,现有的口腔内窥镜是5.5毫米宽和4毫米厚,用于改善成人或儿童的口腔。这种浓缩物范围从1厘米到6.5厘米,可以在光线和口腔中自动变化。 此外,委员会认为, 便宜 硬件 让 家 使用 容易的H. Bolhasani等人医学信息学解锁23(2021)1005505见图4。 医疗保健中物联网的深度学习应用分类缺点是较大的牙齿不能被镜片检测和覆盖Sagar等人[37]解决了医疗保健系统中可靠生理监测的挑战性问题。为了实现安全的医疗保健,开发了一种基于人体传感器网络(BSN)的监护系统。通过监测生理信号的系统,物联网用户可以预测自己的状况,慢性发热、心脏病发作和老年人护理[38已经提出了深度神经网络(DNN)来引出信号的质量用于学习从患者接收的生理体征的各种传感器中。所设计的原型模型的优点是高精度以及成本效益。DNN的一个主要限制是,为了比其他技术更好地执行,需要大量信息。跌倒检测的最重要方面是构建高度廉价设备中的精确检测模型。虽然连接到被监测对象的躯干的传感器已经代表了获得更高检测精度的能力,但是大多数老年人不关心这些传感器,因为他们不能说服自己使用它们。经典(支持向量机和朴素贝叶斯)和非经典(深度用 于 构 建 跌 倒 检 测 模 型 的 算 法 使 用 三 种 不 同 的 跌 倒 数 据 集(Smartwatch,Notch,Farseeing)[41这项研究旨在找出深度学习模型是否利用原始数据来制作模式以进行泛化,而这种方法的弱点是深度学习模型在日常生活活动(ADL)。Malasinghe等人[44]声称,可以使用物联网传感器监测人类健康状况的智能贴片或芯片在多媒体技术领域刚刚开始。这种贴片使用非常薄的H. Bolhasani等人表6医学信息学解锁23(2021)1005506近年来在医学诊断和鉴别应用方面的研究分类研究主要上下文优势弱点新发现Tuli等人[20个]- 一个轻量级的雾服务和有效- 低延迟延迟和响应时间很难框架[21]第二十一话管理数据以自动诊断心脏病- 实时雾环境- 处理数据的高能效解决方案实时雾环境Sarraft等人[22]Kamnitsas等人[23日]Hossain等人[24]Acharya等人[25]Zhang等人[26]- 脑电疾病自动检测诊断的突破- 检测异常医疗状况增强的EEG解码大多数EEG都很小,基于深度学习的模型基于云的框架Filho等人[27日]Masoumi等人[28]- 及时诊断可以解决CVA。- 诊断中风的主要设备是CT成像和MRI。- 物联网框架可用于通过CT图像- 少人依赖区- 减少人为错误我们不能使用拟议的结构,其他医学图像IoT框架Faust等人[29]基于LSTM的深度学习系统用标记的HR信号- 与机器学习方法相比,- 从小的训练数据集引出的信息可以被推广到更大的数据集工作期间的培训没有解决深度学习使用HR检测AF的模型Jiang等人[30]第30话最后的结局中医药- 计算机辅助传染性发热- 减少过度拟合- 提高分类精度- 无法区分大量感染性发热病例和临床观察病例自适应深度学习模型Bray等人[31]第三十一话深度强化学习肺癌计算机辅助诊断与治疗模型Ma等人[32]黑色素瘤是一种严重的皮肤癌。- 使用基于物联网技术的系统对皮肤病变肺癌定位问题亟待解决- 在不同地区的灵活使用- 易于处理的方式Q值应在每次操作中更新。表示深度强化学习需要在物联网系统中利用深度学习和迁移学习的良好连接Schlemmeister等人[33个]- 提出了学习特征的可视化方法- 表示ConvNets解码与任务相关的数据的过程- ConvNets适合端到端学习- 它们对于大型数据集的可扩展性令人满意- 他们可能会显示错误的预测- 需要大量数据用于培训目的架构贴片阵列不僵硬,可以筛选皮肤温度并检查心脏是否正常[45]。在智能医疗保健领域的系统中提到的补丁[46]利用多媒体技术的多个接入点监测身体云计算技术(CCT)有助于利用云环境中使用的不同深度学习、机器学习和卷积神经网络经由互联网发送由物联网设备引发和处理的信息[47]。智能日志补丁与贝叶斯深度学习网络的吉祥结果;为计算而设计的平台是精度,效率,平均残差,延迟和能源使用。在未来,应建议先进的多媒体方法,以减少成本因素和隐私。设计用于智能医疗筛查的可穿戴设备或设备的目的是跟踪卡路里输入和卡路里输出[48]。为了在从传感器获取的数据和从云获取的分析之间创建连接,使用了IoT。物联网是一个工具的主体,其中工具在该主体中可识别[49]。智能日志可以被认为是一个包含智能传感器板以及智能手机应用程序的结果。食物称重传感器位于传感器板上。无线连接使用互联网将食物或配料的重量发送到云端,并由放置在无线模块内的微控制器提供帮助。 因此,在IoT网络中,系统将被转换为一个“东西”。 使用智能手机摄像头,智能手机应用程序,获得相应的营养事实。实施的设计的优点是成本效益高, 精度 在 饮食 上午, 段时间 将 被 更有利,如果smart-log集成了一种机制来筛选身体,筛选用户的每一个活动,以预测饮食。Kinnison等人[50]断言,大多数体育赛事都在遥远的地区举行。如果诊断治疗时间的过程被延迟,这可能会导致不愉快的结果。因此,目前的研究重点是将物联网应用于运动损伤领域[51]。需要使用手持终端来检查肌肉是否受伤,通过ZigBee网络评估和检测收集的数据,通过网关显示条件的显式数据,并最终显示结果并通过LED屏幕发送,其中数据通过移动终端,LED屏幕和语音链接进行处理。这项调查的优势在于其在丢包率和准确性方面的卓越表现。本文仍有一些局限性,例如系统4.2.1. 对已审查的家庭和个人医疗保健应用程序的分析表3描述了上述论文可以评估基于家庭和个人的医疗保健应用程序。基于这种方法完成的案例研究包括多发病慢性患者、个人健康援助、智能牙科健康物联网系统、患者监测系统、跌倒检测、多通道物理监测系统、营养监测和运动损伤。4.3. 疾病预测应用在医疗环境中使用指示由用户分级的心率的传感器提出了各种挑战:传感器本身H. Bolhasani等人医学信息学解锁23(2021)1005507表3在家庭和个人医疗保健应用中新进行的研究的分类研究主要上下文为例优势弱点新发现Fonseca等人为家庭创造智能生活条件-多重病症- 新一轮的创业- 没有统计数据表明- 算法[34个]在多个国家的长期病患者设施证明有效性- 框架Sandstrom等人[35]第三十五届长期病患者通过深度学习方法在智能手机传感器数据和个人健康之间建立联系个人健康援助- 控制成本- 结构简单- 低计算负载- 高性能应该研究更多类型的传感器- 架构- 框架Liu等人[36]智能牙科健康物联网系统成立在智能硬件、深度学习和移动终端上智能牙科健康-物联网系统-5.5毫米宽,4毫米厚,用于改善成人和儿童- 它的覆盖范围从1厘米到6.5厘米,并可以改变光线以适应环境。- 硬件的廉价较大牙齿的不完全覆盖- 原型- 执行Sagar等人[37]DNN提出了在传感器阵列中找到信号的质量,以了解患者患者监测系统- 高精度- 低成本需要大量的数据- 算法- 架构Klenk等人[43]经典(支持向量机和朴素贝叶斯)和非经典(深度学习)算法,用于建立检测跌倒学习有助于归纳的格式DL模型在ADL- 算法- 架构Malasinghe等人[第四十四届]智能贴片或芯片,可以使用物联网传感器监测人体健康状况多路物理监测系统- 吉祥的结果基于:- 精度- 效率- 平均残差-延迟- 使用能量应建议采用先进的多媒体方法,以减少开支和保护隐私一种新的优化神经网络Wei等人[48]一个新的营养筛选系统,全自动(智能日志)营养监测-成本效益- 高精度另一种方法应建议更准确的饮食预测算法Kinnison等人[50]在运动损伤领域使用物联网运动损伤在数据包丢失率和准确- 小规模系统实验反馈总体框架错误的来源2为了保持电池寿命,他们改变测量速率3.由于可穿戴设备应用于流动环境,日常活动可能会混淆简单的诊断。实验中采用了半监督序列学习。首先,DeepHeart作为序列自动编码器,涉及使用编码器权重作为第二个监督阶段的起点。这种态度导致高胆固醇、高血压和睡眠呼吸暂停的重要增加。这项研究的一些不足之处是使用问题和可解释性的需要[52]。癫痫可以通过脑机接口(BCI)来预测癫痫发作。三个主要阶段构成自动BCI系统,包括使用计算机和电子设备收集和处理数据以执行必要的动作。脑电图显示-利用遍布头皮的几个电极记录大脑 技术实际的BCI系统需要实时从用户收集的巨大数据集中的信号处理、机器学习和电图脑状态预测。为了对传入的数据进行实时计算,通过云进行的计算提供了一种简单的方法来利用数据库和源进行计算,通过互联网建议的BCI中心从庞大的数据,这是不受监督,使之成为一种有效的方式,表4疾病预测应用的最新研究分类建立一个基于病人的癫痫发作实时预测和定位系统。4.3.1. 疾病预测应用综述表4描述了上述论文的类别及其评估疾病预测应用的主要特征。疾病预测方法的主要背景包括监督学习过程,用于预测心血管风险,深度学习模型,包括用于预测智能城市空气质量的LSTM神经网络,以及癫痫发作预测BCI。4.4. 人类行为识别应用人类活动识别是一个重要的理论和实践概念。它可以应用于许多领域,如健康监测[55,56],智能家居[57,58]和人机交互[59,60]。Zhao等人[61]提出了一种新的深度残差双向长短期记忆LSTM(Res-Bidir-LSTM)网络来解决HAR问题。虽然精确度需要大量的时间才能实现,但它在训练的开始阶段就代表着高精度。当需要传感器融合时,这种技术可以部署在复杂的,大规模的HAR问题。HAR研究主要内容优势劣势新发现巴林杰等人[52]部署了一个学习过程,该过程以某种方式受到监督,并用于预测心血管风险- 显著增强:- 高胆固醇- 高血压- 睡眠呼吸暂停- 展开困难- 可解释性的必要性架构He等人[53]癫痫发作预测BCI-从未经监督的庞大数据中学习成为可能- 用于基于患者的实时癫痫发作预测和定位系统- 局部极小陷阱- 较低性能- 计算时间长- 平台- 算法- 框架H. Bolhasani等人医学信息学解锁23(2021)1005508并通过LSTM的基本结构实现了基于时间特征的特征保持。该方法的优点是有效地防止了梯度消失问题。然而,建议的深度LSTM神经网络在可用数据点的数量上受到限制。Chang等人[62]提供了一种基于深度学习方法识别药物的智能系统,称为ST-Med-BoX,它可以帮助慢性病患者精确服用各种药物并确保他们服用药物。患者在这种方法中应该采取的步骤很简单。首先,他们应该下载Android应用程序,并扫描药品包装上的QR码,以存储相关的药物信息。之后,他们可以提醒他们吃药。利用这种方法可以缓解包括药物反作用在内的问题。该系统的优点是可以记录整个过程,识别精度高,操作简单,但在今后的工作中,其识别精度4.4.1. 人类行为识别应用表5说明了上述研究论文的类别及其评估人类行为识别应用的关键特征。研究人员进行的人类行为识别方法包括使用可穿戴传感器和慢性病人的人类活动识别。5. 讨论和比较在前面的章节中详细介绍了物联网在医疗保健中的深度学习应用。在这一部分中,建议对医疗保健领域的物联网深度学习应用进行统计评估。此外,关于第3节中提到的研究问题的分析目的的一些写作如下:RQ1:医疗保健中物联网的深度学习应用分为哪些类别?图5显示了基于第4节中建议的分类法的医疗保健中物联网的各种深度学习应用的百分比。物联网在医疗保健领域的四个深度学习应用领域被认为是医疗诊断和区分应用,基于家庭和个人的医疗保健应用,疾病预测应用和人类行为识别应用。最高百分比的应用领域属于医疗诊断,占52%的使用率。至于个人医疗保健,30%的应用程序与该部门有关。此外,疾病预测和人类行为识别的应用量最少,分别为11%和7%。RQ2:在医疗领域的物联网深度学习应用中,会考虑哪些主要背景?图6显示了医疗保健领域物联网深度学习应用的主要背景。CNN方法在11种研究中使用最多,其次是DNN方法,用于8项研究。自动检测显著性的过程图 5. 百分比 的 提出 深学习应用为IoT在医疗保健方面。CNN通过预处理来提取特征,吸引了研究者。其影响正在迅速扩大。基于CNN的方法在大多数情况下比其他方法更快,更有效RQ3:在医疗保健领域的物联网深度学习应用中,如图7所示,最常用的评估环境是数据集,其中包括62%的研究。此外,我们注意到这个饼图的四分之一与实施建议的方法有关,以开发医疗保健中物联网的深度学习应用程序。最终,值得一提的是,13%的调查部署了模拟设备,以评估在医疗保健领域应用于物联网的深度学习平台中的案例研究。6. 结论本文阐述了几种技术方法,以通过深度学习应用促进医疗保健领域的物联网。 本文旨在了解基于深度学习的物联网医疗技术的各个方面,并提出不同的医疗框架,架构,平台和算法,以深度学习为基础,促进医疗。此外,本文还介绍了深度学习如何解决远程医疗和环境辅助生活系统、机器健康监测系统、人类活动识别、收集患者生命体征和数据融合等问题的综合研究活动。为了更深入地了解医疗保健领域,该调查将医疗保健中物联网的深度学习应用分为四类:医疗诊断和诊断应用,家庭和个人医疗保健应用,疾病预测应用以及人类行为识别应用。在这项调查中,我们打算根据系统性文献综述来仔细研究深度学习在医疗保健中的物联网应用。我们回顾了2010年至2020年十年内发表的50多篇研究论文。为了了解深度学习在表5人类行为识别应用的最新研究分类研究主要内容案例研究优势劣势新发现Zhao等人[61]一种新的解决HAR问题使用可穿戴传感器的避免梯度消失问题可访问- 建筑- 框架Chang等人[62]基于深度学习方法识别药物的智能系统(ST-Med-BoX)慢性病患者- 完美录音- 高精度识别- 操作简单识别精度有待提高- 平台- 原型H. Bolhasani等人医学信息学解锁23(2021)1005509见图6。 与医疗保健中物联网深度学习应用的主要背景相关的研究数量。图7.第一次会议。调查研究中建议的评价环境的百分比。为了更好地提供医疗保健区域,该研究考虑了不同的挑战,并从不同的方面对其进行了描述,例如特征提取、识别、成本、延迟、计算负载等。但仍有一些潜在的优化QoS参数,隐私和部署,这可以在未来的工作中解决。总体而言,本文的结果预计将对在医疗保健物联网领域工作的学者,工程师,医疗保健专业人士和政策制定者具有实用性。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确认N/A(无确认)。缩写IoT物联网EHR电子健康记录SLR系统文献综述AI人工智能MIoT医疗物联MHMS机器健康监测系统IoHT健康物联网QoS服务质量CVA脑血管意外CT计算机断层扫描MRI磁共振成像CNN卷积神经网络DNN深度神经网络DBN深度信念网络BNN贝叶斯信念网络DCNN深度卷积神经网络DDNN深度去卷积神经网络GAN生成对抗网络LSTM长短期记忆HR心率房颤心房颤动的治疗方法应用编程接口SAE堆叠式自动编码器GPU图形处理单元BSN身体传感器网络SVM支持向量机ADL日常生活活动AQI空气质量指数脑机接口EEG脑电图H. Bolhasani等人医学信息学解锁23(2021)10055010引用[1] 邓丽,董宇。深度学习:方法与应用。信号处理的基础和趋势2014;7(No.3-4)。[2] McCullochWS,Pitts W.神经元内概念的逻辑演算活动Bull Math Biophys1943;5:115-33.[3] Jain AK,Mao Jianchang,Mohiuddin KM.人工神经网络教程。IEEE ComputerMar 1996;29(Issue 3).[4] 郑京京柳贤使用基于p2p的深度神经网络的边缘计算健康模型。In:Peer-to-Peernetworking and applications,vol. 13;2020.第694-703页bRumbold JMM,糖尿病:大数据在现在和未来糖尿病护理中的应用。糖尿病医学2020年2月;37(2):187[5] 雷PP。 物联网架构综述。沙特国王日记大学[6] 斯里瓦斯塔瓦湖无处不在,无处不在:无线电的魔力。在:欧盟委员会会议论文集,从RFID到物联网,布鲁塞尔,比利时; 2006年。[7] INFSO D.4联网企业&RFID INFSO G.2微&纳米系统,与ETP EPOSS工作组RFID合作,2020年物联网,未来路线图,版本1.1,5月27日。 2008年[8] 范·克兰伯格·罗布物联网:环境技术和RFID全视网络的评论。网络文化研究所;2008年。[9] Bolhasani Hamidreza,Jafarali Jassbi Somayyeh.深度学习加速器:MAESTRO案例研究。在大数据杂志2020年11月12日;7.文章编号:100(2020)。[10] 胡芳,谢丹。论物联网在医疗卫生领域的应用。在:IEEE绿色计算和通信国际会议和IEEE物联网和IEEE网络,物理和社会计算; 2013年。[11] Esteva Andre,et al.,A Guide to Deep Learning in Healthcare。自然医学2019年1月;25:24-9。[12] 赵锐,等.深度学习及其在机器健康监测中的应用:一项调查。Mech Syst SignalProcess 2015年8月8)。[13] Nweke Henry Friday,Teh Ying Wah,Al-garadi Mohammad Ali,Alo UzomaRita. 使用移动和可穿戴传感器网络进行人类活动识别的深度学习算法:最新技术和研究挑战。EX pert系统应用2018年9月;105:233[14] PasluostaF,et al.健康物联网:迈向智能生命体征在医院病房进行监测。In:Artificial intelligence in medicine,vol. 89; July2018. p.61比9[15] 数据融合和物联网的智能无处不在的环境:调查。IEEEAccess 2017;5:9533-54.[16] Islam Riazul等人,物联网医疗保健:一项全面调查。IEEE Access2015;3:678[17] JatothC,Gangadharan GR,Buyya R.基于计算智能的QoS感知Web服务组合:一个系统的文献综述。IEEE Transactions onServices Computing2015;10(3):475-92.[18] 放大图片作者:JafarnejadGhomi E,Masoud Rahmani A,NasihQader N. 云计算中的负载平衡算法:调查。 J Netw Comput Appl2017;88(补编C):50[19] 艾法帕瓦尔M,德汉M,拉赫马尼AM. 无线体域传感器网络能量感知路由协议综述。 医学系统杂志2016;40(9):201。[20] Tuli等人HealthFog:基于集成深度学习的智能医疗系统用于在集成物联网和雾计算环境中自动诊断心脏病。 Future Generat Comput Syst2020;104:187-200.[21] Mkitalo N等人,网络边缘的安全执行:协调云,边缘和雾计算。 IEEE Software 2017;35(1):30-7.[22] Sarraf S,Tojani Ghassem.使用fMRI数据和深度学习卷积神经网络对阿尔茨海默病进行分类。2016年。 arXiv:1603.08631。[23] Kamnitsas K等人,Efficient multi-scale 3D CNN with fully connected CRFforaccurate brain lesion segmentation。医学影像分析2017;36:61-78。[24] 放大图片作者:Hossain MS,Amin SU,Alsulaiman M,Muhammad G.将深度学习应用于癫痫发作检测和大脑映射。In:ACM transactions
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
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
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- BSC关键绩效财务与客户指标详解
- 绘制企业战略地图:从财务到客户价值的六步法
- BSC关键绩效指标详解:财务与运营效率评估
- 手持移动数据终端:常见问题与WIFI设置指南
- 平衡计分卡(BSC):绩效管理与战略实施工具
- ESP8266智能家居控制系统设计与实现
- ESP8266在智能家居中的应用——网络家电控制系统
- BSC:平衡计分卡在绩效管理与信息技术中的应用
- 手持移动数据终端:常见问题与解决办法
- BSC模板:四大领域关键绩效指标详解(财务、客户、运营与成长)
- BSC:从绩效考核到计算机网络的关键概念
- BSC模板:四大维度关键绩效指标详解与预算达成分析
- 平衡计分卡(BSC):绩效考核与战略实施工具
- K-means聚类算法详解及其优缺点
- 平衡计分卡(BSC):从绩效考核到战略实施
- BSC:平衡计分卡与计算机网络中的应用
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
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)