توسعه مدل پيش‌بيني حمله قلبي در بستر محاسبات مه

Development of a Model for Predicting Heart Attack Based on Fog Computing

مقدمه: مطالعات مختلف مزاياي استفاده از محاسبات توزيع شده مه براي شبكه‌هاي اينترنت اشياء را به اثبات رسانده‌اند؛ زيرا قابليت‌هاي رايانش ابري همچون محاسبات، ذخيره‌سازي و پردازش را به گره‌هاي اينترنت اشياء نزديك‌تر كرده است. الگوي جديد محاسبات مه و محاسبات لبه با نزديك كردن منابع به كاربران در مقايسه با محاسبات ابري، تأخير كمتري براي پردازش داده‌ها ارائه داده است كه اين امر براي كاربردهاي حساس به تأخير همچون حوزه مراقبت سلامت از راه دور ضروري است و ارائه خدمات قابل اعتماد‌تر را فراهم مي‌كند. در اين پژوهش جهت پايش وضعيت بيماران قلبي يك سيستم مبتني بر مه ارائه شده است. روش: اين پژوهش از نوع توسعه‌اي- كاربردي است. به منظور ارزيابي‌، از مجموعه داده بيماران عروق كرونر قلبي موجود در مخزن داده‌ يادگيري ماشين دانشگاه ارواين استفاده شد. در اين سيستم، هر يك از علامت‌هاي بيمار قلبي بر اساس محدوده نرمال در لايه مه ارزيابي و وخامت حال بيمار بررسي مي‌گردد. در اين لايه، تقاضاها بر اساس تعداد علائمي كه خارج از محدوده نرمال هستند، اولويت‌بندي مي‌شوند. كارايي سيستم پيشنهادي از نظر مصرف پهناي باند، تأخير و زمان پاسخ مورد ارزيابي قرار گرفت. نتايج: سيستم ارائه شده در اين پژوهش منجر به بهبود پهناي باند به ميزان 23/77%، كاهش زمان تأخير به ميزان 23/71% و بهبود زمان پاسخ به ميزان 32/95% گرديد. نتيجه‌گيري: بهره‌گيري از صف اولويت به منظور اولويت‌بندي تقاضاها در لايه مه، زمان پاسخ‌دهي به درخواست‌هاي اورژانسي را كاهش مي‌دهد.

Introduction: Various studies have demonstrated the benefits of using distributed fog computing for the Internet of Things (IoT). Fog computing has brought cloud computing capabilities such as computing, storage, and processing closer to IoT nodes. The new model of fog and edge computing, compared to cloud computing, provides less latency for data processing by bringing resources closer to users. This is essential for delay-sensitive applications such as remote healthcare and provides more reliable services. In this study, a fog-based system was proposed to monitor the condition of heart patients. Method: This study was a developmental-applied one. A set of data relevant to coronary heart patients available in the machine learning data repository of the University of California Irvine was used for evaluation. In this system, each of the heart patient's symptoms is evaluated based on the normal range in the fog layer and the status of the patient is determined. In this layer, requests are prioritized based on the number of symptoms that are out of the normal range. The efficiency of the proposed system was evaluated in terms of network usage time, latency, and response time. Results: The system presented in this study led to the improvement of network usage time by 23.77%, reduction of latency by 23.71%, and enhancement of response time by 32.95%. Conclusion: Using the priority queue to prioritize requests at the fog layer reduces the response time to emergency requests.