عنوان مقاله :
مدل خوشه‌بندي ابزارها و نرم‌افزارهاي پايش جسمي بيمار در محيط اينترنت اشيا در حوزه سلامت
عنوان به زبان ديگر :
A Clustering model for gadgets and apps used in patient monitoring in HIOT environment
پديد آورندگان :
قنواتي نژاد، محسن دانشگاه تربيت مدرس - دانشكده مهندسي صنايع و سيستم‌ها، تهران، ايران , توكلي، مهديه دانشگاه تربيت مدرس - دانشكده مهندسي صنايع و سيستم‌ها، تهران، ايران , سپهري، محمدمهدي دانشگاه تربيت مدرس - دانشكده مهندسي صنايع و سيستم‌ها، تهران، ايران
كليدواژه :
پايش بيمار , ابزار و نرم‌افزار , اينترنت اشيا در سلامت , خوشه‌بندي
چكيده فارسي :
زمينه و هدف: امروزه با افزايش تقاضاي درمان، بيماران با كمك اينترنت اشيا مراقبت و پايش مي شوند. فناوري‌هاي پايش جسمي بيمار در محيط اينترنت اشيا شامل اندازه‌گيري ضربان قلب، فشارخون، قند خون و ديگر علائم حياتي هستند. هدف مقاله، ارائه مدل خوشه بندي فناوري هاي مذكور با استفاده از تكنيك هاي داده‌كاوي است تا مناسب ترين فناوري، طبق نيازها و ويژگي هاي كاربر انتخاب شود.
مواد و روشها: پژوهش حاضر، مروري و از منظر نتيجه كاربردي مي‌باشد. داده‌ها شامل شش مشخصه منحصربه فرد 60 فناوري منتخب، شامل كاربرد، قيمت، نحوه اتصال، منبع تغذيه، مكان استفاده و نوع استفاده مي باشد كه از سايت هاي توسعه و تبليغات فناوري‌ها و همچنين بررسي مقالات مرتبط استخراج شده است. روش تجزيه‌وتحليل داده‌ها، تكنيك خوشه‌بندي و الگوريتم K-medoids است. همچنين براي شناسايي مؤثرترين مشخصه‌ها، از الگوريتم جنگل تصادفي استفاده شده است.
يافته ها: مدل ارائه شده، با در نظر گرفتن مشخصه هاي انتخاب شده كاربر به عنوان ورودي، خوشه‌‌اي از فناوري‌ها را به عنوان خروجي مدل ارائه مي‌دهد. مطابق با الگوريتم، داده‌ها در بهترين حالت در چهار دسته خوشه‌بندي شدند. شاخص سيلوئت براي چهار خوشه، مقدار 0/45 شده است كه اعتبار مدل را نشان مي‌دهد. با اجراي الگوريتم جنگل تصادفي، نوع كاربرد و پس از آن قيمت، بيشترين تاثير را در خوشه‌بندي داشته‌اند.
نتيجه گيري: توسط مدل پيشنهادي پژوهش، بيماران يا كاربران مي توانند مناسب ترين فناوري را بر حسب نوع بيماري و ديگر ويژگي هاي موثر همچون قيمت، بيابند و به اين ترتيب با پايش جسمي درست و لحظه‌به‌لحظه، آمار پيشروي بيماري ها كمتر و پيشگيري آنها بهتر انجام گيرد
چكيده لاتين :
Background: with increasing demand for treatment, patients are monitored with help of Internet of Things(IOT). Patient's monitoring devices and technologies include heart rate measurement, blood pressure measurement, blood glucose and other vital signs. The purpose of study is to provide a model of clustering patient physical monitoring gadgets and apps in Healthcare Internet of Things (HIOT) environment using data mining techniques, so based on the needs and characteristics of the user, the more appropriate results of choosing technologies acquired.
Materials and methods: This study is a review and functional since its result. The data includes 6 unique features of 60 selected technologies including function, price, connectivity route, power supply, location and type of use that has been extracted from R&D and advertising sites of technologies and also relevant articles. data analysis method is clustering technique and K-medoids algorithm. to identify the most effective features, random forest algorithm has been used.
Results: the proposed clustering model takes into account 6 as inputs and clusters gadgets and apps in accordance with selected characteristics as the model outputs. clustering problem data is clustered in 4 categories. Silhouette index is 0.45, which indicates the validity of the model. The type of application and then the price had the greatest impact on clustering.
Conclusion: By this model, patients or users can find the most appropriate technology based on the type of disease and other effective features, such as price. So with accurate physical and momentary monitoring, disease progression decrease and prevention of disease will improve.
