توسعه مدل پیش بینی حمله قلبی در بستر محاسبات مه

مطالعات مختلف مزایای استفاده از محاسبات توزیع شده مه برای شبکه های اینترنت اشیاء را به اثبات رسانده اند؛ زیرا قابلیت های رایانش ابری همچون محاسبات، ذخیره سازی و پردازش را به گره های اینترنت اشیاء نزدیک تر کرده است. الگوی جدید محاسبات مه و محاسبات لبه با نزدیک کردن منابع به کاربران در مقایسه با محاسبات ابری، تاخیر کمتری برای پردازش داده ها ارایه داده است که این امر برای کاربردهای حساس به تاخیر همچون حوزه مراقبت سلامت از راه دور ضروری است و ارایه خدمات قابل اعتماد تر را فراهم می کند. در این پژوهش جهت پایش وضعیت بیماران قلبی یک سیستم مبتنی بر مه ارایه شده است.

این پژوهش از نوع توسعه ای- کاربردی است. به منظور ارزیابی ، از مجموعه داده بیماران عروق کرونر قلبی موجود در مخزن داده یادگیری ماشین دانشگاه ارواین استفاده شد. در این سیستم، هر یک از علامت های بیمار قلبی بر اساس محدوده نرمال در لایه مه ارزیابی و وخامت حال بیمار بررسی می گردد. در این لایه، تقاضاها بر اساس تعداد علایمی که خارج از محدوده نرمال هستند، اولویت بندی می شوند. کارایی سیستم پیشنهادی از نظر مصرف پهنای باند، تاخیر و زمان پاسخ مورد ارزیابی قرار گرفت.

سیستم ارایه شده در این پژوهش منجر به بهبود پهنای باند به میزان 23/77%، کاهش زمان تاخیر به میزان 23/71% و بهبود زمان پاسخ به میزان 32/95%  گردید.

بهره گیری از صف اولویت به منظور اولویت بندی تقاضاها در لایه مه، زمان پاسخ دهی به درخواست های اورژانسی را کاهش می دهد.