دانلود رایگان مقاله داده کاوی تلفن همراه برای پشتیبانی از بهداشت و درمان هوشمند

چکیده

         رشد تعداد و ظرفیت دستگاه‌های تلفن‌همراه مانند تلفن‌های‌همراهی که همراه با دسترسی گسترده‌ به حسگر‌های زیستی ارزان قیمت هستند سبب فراهم‌سازی فرصتی بی سابقه برای برنامه‌های کاربردی در زمینه بهداشت و درمان شده است. در این مقاله ما یک رویکرد جدید برای پردازش تطبیقی آگاه از وضعیت (SAAP) جریان داده‌ها برای تجزیه و تحلیل هوشمند داده‌ها به شکل بی‌درنگ ارئه داده‌ایم. پیاده‌سازی و ارزیابی از فریمورک برای یک برنامه‌ نظارت بر سلامتی توصیف شده است.

1. مقدمه

        اخیرا، خلاقیت و نوآوری که در ارتباطات تلفن همراه و حسگرهای زیستی بی‌سیم صورت گرفته است سبب هموارسازی مسیری برای توسعه برنامه‌های کاربردی بهداشت و درمان شده است که این موضوع خود سبب فراهم‌سازی یک راه راحت، امن و ثابت برای نظارت بر شرایط بیماران شده است، و تا حدی سبب فراهم‌سازی تشخیص بیماری توسط خود فرد و همچنین تصمیم‌گیری‌های موثر بلادرنگ به منظور کاهش مرگ و میر خواهد شد. تکنیک‌های کاوش جریان‌داده‌های همه جا حاضر(UDM) مانند سبک وزن، الگوریتم‌های داده‌کاوی جریان عبوری از یک سو [2-3] را می‌توان به شکل بلادرنگ به منظور تجزیه و تحلیل دستگاه‌های کوچک/ تلفن‌همراه انجام داد در حالیکه منابع موجود در دسترس همچون شارژ باطری و حافظه موجود را نیز در نظر گرفت. با این حال، به منظور انجام تجزیه و تحلیلی هوشمند از داده‌ها بر روی دستگاه‌های تلفن همراه، ضروری است که به انطباق استراتژی‌هایی برای عاملی در اطلاعات متنی بپردازیم. 

        اطلاعات متنی می‌تواند مرتبط با یک شبکه، برنامه‌کاربردی، محیط، فرآیند، کاربر یا دستگاه باشد. به عنوان یک مفهوم فراسطحی که فراتر از مفهوم اصلی است، ما یک وضعیت مفهومی را تعریف کردیم که از اطلاعات متنی استنباط شده است[4]. آگاهی از وضعیت به جای تمرکز بر قطعات مجزایی از مفهوم، سبب فراهم‌سازی برنامه‌هایی کاربردی با یک نگاه کلی‌تر و انتزاعی‌تر از محیط خود خواهد شد. داده کاوی جریان تطبیقی آگاه از وضعیت هم از تمام پتانسیل احتمالی UDM با رفتن به فراتر از  منابع محض در دسترس سود خواهد برد و همچنین می‌تواند سبب فعال‌سازی، اگر تضمین نشده باشد، تداوم و ثبات برنامه‌های کاربردی شود که در حال اجرا هستند.

         در دنیای واقعی، شرایط معمولا تکامل پیدا می‌کند و تبدیل به شرایط دیگر خواهد شد (برای مثال از وضعیت سالم بودن ممکن است شرایط به فشار خون بالا تغییر پیدا کند). تغییراتی که بین شرایط رخ می‌دهد شاخص خوبی از موقعیت‌هایی است که ممکن است با ابهام و عدم قطعیت ظهور پیدا کنند. به منظور فعال‌سازی آگاهی از وضعیت در برنامه‌های کاربردی بهداشت و درمان در تلفن‌های همراه، مدل‌سازی شرایط و رویکرد‌هایی استدلالی به منظور نشان‌دادن عدم قطعیت و ابهام در ارتباط با شرایط مرتبط با سلامت امری بسیار مهم است.

         با بررسی آثار اخیری که در مورد بهداشت و درمان در تلفن‌های همراه بوده است پی به این نکته خواهیم برد که اکثر این پروژه‌ها [5-8] به طور عمده بر استفادده، افزایش یا ترکیب فناوری‌های فعلی و پروژه‌های آگاه از مفهوم تمرکز داشته‌اند [9-13] و اکثرا با یک دامنه محدودی مقابله کرده‌اند (برای مثال، قابل اعمال بر روی سایر سناریو‌های آگاه از متن نیستند). در محاسبات برنامه‌های کاربردی مرتبط با سلامت و بهداشتی، یک روش کلی برای مدل‌سازی و استدلال از شرایط نامطمئن بهداشتی و انجام تجزیه و تحلیل‌های هوشمند و مقرون به صرفه از داده‌ها به شکل بلادرنگ معرفی نشده است و همچنان یک مشکل حل نشده است.

         در این مقاله ما یک پردازش تطبیقی وضعیت آگاه (SAAP) از جریان‌های داده برای برنامه‌های کاربردی بهداشت و درمان در تلفن‌های همراه ارائه خواهیم کرد. نوآوری و سهم این پروژه به شرح زیر است : 1) آگاهی وضعیت توسط استنتاج فازی وضعیت(FSI)  بدست خواهد آمد، که اقدام به ترکیب اصول منطق فازی با فضاهای مدل مفهومی (CS)  خواهد کرد، یک مفهوم کلی و رسمی مدل‌‌سازی و استدلالی که برای محیط‌های محاسباتی فراگیر مورد استفاده قرار می‌گیرد. نقاط قوت منطق فازی برای مدل‌سازی شرایط مبهمی است که ترکیب شده با مبنای نظری اساسی CS برای پشتیبانی از سناریوهای محاسباتی فراگیر آگاه از زمینه است. 2) SAAP آگاهی از شرایط را در داخل داده کاوی جریان داده جای خواهد داد و سبب فراهم‌سازی تنظیم تدریجی پارامترهای جریان داده مطابق با شرایط وقوع و منابع در دسترس خواهد شد. این روش سبب بهبود عملیات داده‌کاوی جریان داده به شکلی مقرون به صرفه و هوشمند خواهد شد. روش SAAP تداوم و ثبات عملیات در حال اجرا را فراهم خواهد ساخت که به شدت برای برنامه‌های کاربردی نظارت بر سلامتی مهم است که به مقابله با داده‌های حساس و بحرانی می‌پردازند.

1. 1 یک سناریو

         جان دچار یک حمله قلبی شده بود و به تازگی از بیمارستان ترخیص شده است اما همچنان این نگرانی وجود دارد که وی ممکن است مستعد ابتلا به حمله قلبی دیگری باشد و همچنین احتمال این وجود دارد که وی نوسانات مرتبط با فشار خون را تجربه کند. نظارت ثابت بر علائم حیاتی وی می‌تواند سبب کاهش اضطراب وی شود، و نیاز به بازدید‌های روزمره توسط تجهیزات پزشکی را کاهش دهد، و همچنین تشخیص زودهنگام علائم هشداردهنده می‌تواند از وقوع یک حادثه جلوگیری کند. وی دارای یک تلفن همراه هوشمند است که بر روی آن SAAP نصب شده است و وی اکنون حسگرهای زیستی را برای اندازه‌گیری علائم حیاتی خود پوشیده است. داده‌ها به شکل بی‌سیم به تلفن همراه وی فرستاده می‌شود که در آن SAAP هر گونه تغییری نه تنها در علائم حیاتی وی، بلکه در مورد اطلاعات متنی که مرتبط با نرم‌افزار است را مورد شناسایی قرار می‌دهد (برای مثال سطح باطری تلفن همراه). SAAP از این اطلاعات به منظور استدلال در مورد شرایط به شکل بلادرنگ استفاده می‌کند و با توجه به این شرایط، به تجزیه و تحلیل هوشمند داده‌ها به شکلی مقرون به صرفه و هوشمند خواهد پرداخت. زمانی که علائم حیاتی در داخل آستانه قابل قبولی باشند، نیازی به بررسی های مکرر نیست و این خود سبب کاهش استفاده از منابع خواهد شد. با این حال، زمانی که این نوسانات فراتر از آستانه باشد، این شرایط هشداری را مبنی بر نظارت نزدیک توسط سیستم و بررسی مکرر اعلام خواهد کرد. این نوع از سازگاری‌ها نیاز به در نظر گیری منابع در دسترس و  میزان حساسیت شرایط سلامتی دارد.

        این مقاله به شکل زیر ساختاردهی شده است: در بخش 2 در مورد کارهای مرتبط بحث خواهیم کرد. در بخش 3 معماری SAAP را ارئه خواهیم کرد. بخش 4 به توصیف استنتاج فازی وضعیت (FSI) خواهیم پرداخت که سبب آگاهی از وضعیت خواهد شد. در بخش 5 در مورد موتور تطبیق بحث خواهد کرد. در بخش 6 و 7 پیاده‌سازی و ارزیابی آورده شده است. در نهایت در بخش 8 به جمع‌بندی مقاله و بحث در مورد کارهای آینده خواهیم پرداخت.

2. کارهای مرتبط

         مراقبت‌های بهداشتی تلفن همراه به محاسبه یک ناحیه از تحقیقات جدید و به روزی می‌پردازد که از پیشرفت کنونی در شبکه‌ها و ارتباطات تلفن همراه استفاده می‌نماید که برای برنامه‌های نظارت بر سلامتی است. [5] EPI-MEDICS یک پروژه‌ی بزرگ مقیاس ِ اروپایی است که نظارت فردی بر سیگنال‌های ECG را فراهم می‌کند که برای تشخیص زود هنگام ایسکمی قلبی و آریتمی و تولید سطوح مختلف آلارم می‌باشد. پروژه‌ی اروپایی دیگری به نام پروژه‌ی [5] MobiHealth از تکنولوژی GPRS ِ 2.5 و 3G استفاده می‌کند تا تمام سنسورها و دیسک‌ها را در یک شبکه‌ی وایرلس به نام حوزه بدنه شبکه (BAN) ادغام کند. پروژه‌ی ubimon (محیط مانیتورینگ همه گیر برای حسگرهای پوششی و قابل القاء) [7] با هدف فراهم سازی مدیریتی پیوسته از بیماران بوده است که به طور کلی روی تکنولوژی سنسورها و وایرلس به جای تکنیک‌های تحلیل داده تمرکز می‌کند. شخصی سازی یک حوضه دیگری از تمرکز به روی توسعه برنامه‌های نظارت بر سلامت تلفن همراه است که در بخش [8] مطالعه شده است.

Abstract

       The growth in numbers and capacity of mobile devices such as mobile phones coupled with widespread availability of inexpensive range of biosensors presents an unprecedented opportunity for mobile healthcare applications. In this paper we propose a novel approach for Situation-Aware Adaptive Processing (SAAP) of data streams for smart and real-time analysis of data. The implementation and evaluation of the framework for a health monitoring application is described.

1. Introduction

         Recently, innovations in mobile communications and low-cost of wireless biosensors have paved the way for development of mobile healthcare applications that provide a convenient, safe and constant way of monitoring of vital signs of patients. A key in the provision of mobile healthcare services is the issue of using technological innovation to support continuous monitoring of patient conditions, providing a degree of self-diagnosis and enabling effective real-time decision making to reduce fatalities. Ubiquitous Data Stream Mining (UDM) techniques [1] such as lightweight, one-pass data stream mining algorithms [2-3] can perform real-time analysis on-board small/mobile devices while considering available resources such as battery charge and available memory. However, to perform smart and intelligent analysis of data on mobile devices, it is imperative for adaptation strategies to factor in contextual information.

         Contextual information can be related to a network, application, environment, process, user or device. As a meta-level concept over context we define the notion of a situation that is inferred from contextual information [4]. Situation-awareness provides applications with a more general and abstract view of their environment rather than focusing on individual pieces of context. Situation-aware adaptive data stream mining leverages the full potential of UDM by going beyond mere available resources and can enable, if not guarantee, the continuity and consistency of the running applications.

         In real-world, situations evolve and change into other situations (e.g.healthyhanges to hypertension). Changes that occur between situations are also good indicators of situations that may emerge albeit with some vagueness and uncertainty. To enable situation-awareness in mobile healthcare applications, it is important for the situation modeling and reasoning approach to represent uncertainty and vagueness associated with health-related situations.

        Reviewing recent works in mobile healthcare reveals that most of these projects [5-8] have mainly focused on using, enhancing or combining existing technologies and context-aware projects [9-13] mostly deal with a limited scope (i.e. not applicable to other context-aware scenarios). In mobile healthcare computing, a general approach for modeling and reasoning about uncertain, health situations and performing smart and cost-efficient analysis of data in real-time has not been introduced and is an open issue.

        In this paper we propose situation-aware adaptive processing (SAAP) of data streams for mobile healthcare applications. The novelty and contribution of this project are as follows: i) situation-awareness is achieved by Fuzzy Situation Inference (FSI) that combines fuzzy logic principles with the Context Spaces (CS) model, a formal and general context modeling and reasoning for pervasive computing environments. The strengths of fuzzy logic for modeling of vague situations are combined with the CS model’s underlying theoretical basis for supporting context-aware pervasive computing scenarios; ii) SAAP incorporates situation-awareness into data stream mining and provides gradual tuning of data streaming parameters according to occurring situations and available resources. This approach improves data stream mining operations in an intelligent and costefficient manner. The SAAP approach enables continuity and consistency of running operations that are of high important for health monitoring applications that deal with sensitive and critical data.

1.1. A Scenario

         John has had a heart attack and is released from hospital but there are concerns that he might be susceptible to another heart attack and is also experiencing blood pressure fluctuations. Constant monitoring of his vital signs could help him to reduce his anxiety, decrease the need for routine visits to medical facilities, and also detect early warning features of a possible impending event. He has a smart phone with SAAP installed on it and is willing to wear biosensors to measure his vital signs. The data is wirelessly sent to his mobile where SAAP detects any changes not only in his vital signs but in any contextual information that is related to the application (e.g. the battery level of the mobile phone). SAAP uses this information to reason about situations in real-time and according to inferred situations, it performs intelligent and cost-efficient analysis of data. When fluctuations of vital signs are within a specified acceptable threshold, there is no need for frequent measurement and use of resources can be reduced and moderated. However, when these fluctuations are over the threshold, this situation warrants a closer monitoring by the system and more frequent measurements. This type of adaptation requires factoring in both available resources and criticality of health situations.

        This paper is structured as follows: Section 2 discusses the related work. Section 3 presents the SAAP architecture. Section 4 describes the Fuzzy Situation Inference (FSI) that enables situationawareness. Section 5 discusses the adaptation engine. Section 6 and 7 describes implementation and evaluation respectively. Finally section 8 concludes the paper and discusses the future work.

2. Related Work

        Mobile healthcare computing is a new and evolving area of research that exploits the recent development in mobile networks and communications for health monitoring applications. EPI-MEDICS [5] is a large scale European project that provides personal monitoring of ECG signals for early detection of cardiac ischemia and arrhythmia and generating different levels of alarms. Another European project called the MobiHealth project [6] uses 2.5 (GPRS) and 3G (UMTS) technologies to integrate all the sensors and actuators into a wireless network called Body Area Network (BAN). The project of ubimon (Ubiquitous Monitoring Environment for Wearable and Implantable Sensors) [7] aims to provide continuous management of patients mainly focusing on sensors and wireless technology rather than data analysis techniques. Personalization is another area of focus in developing mobile health monitoring applications that has been studied in [8].

چکیده

1. مقدمه

1. 1 یک سناریو

2. کارهای مرتبط

3.  پردازش انطباقی آگاه از وضعیت (SAAP) در جریان‌های داده

4. استنتاج وضعیت فازی 

1. 4 مدل فضاهای زمینه

2. 4 مدل سازی موقعیت

3. 4 استدلال موقعیت

1 . 3 .4 وزن و سطح ِمشارکت

2 . 3 . 4 بی دقتی سنسور

4.3.3 ویژگی‌های زمینه متقارن و نامتقارن

4. 3 .4 مهار جزئی و کامل

5. موتور تطبیقی (AE)

1. 5 استراتژی تطبیقی آگاه از منبع

2. 5  استراتژی تطبیقی آگاه از موقعیت

3. 5 استراتژی تطبیقی ترکیبی

6. پیاده‌سازی

7. ارزیابی

1 .7. ارزیابی FSI

2. 7 ارزیابی یک انطباق آگاه از موقعیت

8. نتیجه گیری و  کارهای آینده

منابع

Abstract

1. Introduction

1.1. A Scenario

2. Related Work

3. Situation-Aware Adaptive Processing (SAAP) of Data Streams

4. Fuzzy Situation Inference (FSI)

4.1. The Context Spaces model

4.2. Situation Modeling

4.3. Situation Reasoning

4.3.1. Weights and contribution level

4.3.2. Sensors’ inaccuracy

4.3.3. Symmetric and asymmetric context attributes

4.3.4. Partial and complete containment

5. Adaptation Engine (AE)

5.1. Resource-aware Adaptation Strategy

5.2. Situation-aware Adaptation Strategy

5.3. Hybrid Adaptation Strategy

6. Implementation

7. Evaluation

7.1. Evaluation of FSI

7.2. Evaluation of Situation-Aware Adaptation

8. Conclusion and Future Work

References