شبکه عصبی کانولوشن عمیق مبتنی بر بهینه سازی فلامینگو برای طبقه بندی آریتمی مبتنی بر اینترنت اشیا

عنوان فارسی مقاله:شبکه عصبی کانولوشن عمیق مبتنی بر بهینه سازی فلامینگو برای طبقه بندی آریتمی مبتنی بر اینترنت اشیا

چکیده

آریتمی قلبی یک بیماری کشنده است که جان میلیون‌ها نفر را تهدید می‌کند که نیاز به تشخیص و طبقه بندی زودتر را نشان می‌دهد. هنگامی که داده‌های سلامتی بیمار با استفاده از فناوری اینترنت اشیا نظارت می‌شود، می‌توان سیگنال غیرطبیعی در قلب که باعث آریتمی می‌شود، در مراحل اولیه تشخیص داد. آریتمی ممکن است به طور ناگهانی منجر به مرگ شود و طبقه بندی آریتمی ها یک فرآیند پیچیده در نظر گرفته می‌شود. در این تحقیق، یک مدل طبقه بندی مؤثر برای طبقه بندی بیماری‌های قلبی با استفاده از بهینه سازی فلامینگو ارائه شده است. در ابتدا سیگنال ECG از قلب جمع آوری می‌شود و سپس در مرحله پیش پردازش قرار می‌گیرد. برای تشخیص و کنترل فعالیت الکتریکی قلب، از نوار قلب (ECG) استفاده می‌شود. سیگنال‌های ورودی جمع‌آوری‌شده با استفاده از گره‌های اینترنت اشیا به‌طور مجموع در ایستگاه پایه برای طبقه‌بندی با استفاده از شبکه‌های کانولوشن عمیق مبتنی بر بهینه‌سازی فلامینگو ارائه می‌شوند که به طور مؤثر بیماری را پیش‌بینی می‌کنند. با کمک فن آوری های ارتباطی و مشارکت اینترنت اشیا، متخصصان پزشکی می‌توانند به راحتی وضعیت سلامت بیماران را زیر نظر بگیرند. عملکرد از نظر دقت، حساسیت و ویژگی تجزیه و تحلیل می‌شود.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Flamingo-Optimization-Based Deep Convolutional Neural Network for IoT-Based Arrhythmia Classificatio

Abstract

Cardiac arrhythmia is a deadly disease that threatens the lives of millions of people, which shows the need for earlier detection and classification. An abnormal signal in the heart causing arrhythmia can be detected at an earlier stage when the health data from the patient are monitored using IoT technology. Arrhythmias may suddenly lead to death and the classification of arrhythmias is considered a complicated process. In this research, an effective classification model for the classification of heart disease is developed using flamingo optimization. Initially, the ECG signal from the heart is collected and then it is subjected to the preprocessing stage; to detect and control the electrical activity of the heart, the electrocardiogram (ECG) is used. The input signals collected using IoT nodes are collectively presented in the base station for the classification using flamingo-optimization-based deep convolutional networks, which effectively predict the disease. With the aid of communication technologies and the contribution of IoT, medical professionals can easily monitor the health condition of patients. The performance is analyzed in terms of accuracy, sensitivity, and specificity.