对心律失常心电图诊断检测和基于云的服务和可穿戴传感器网络在智能城市环境中
c . Prajitha
k . p . bloom- 电子与通信工程系,工程学院,Karpagam高等教育学院,印度哥印拜陀
不规则的心跳是心血管疾病(CVD)的一个主要指标,这是死亡的主要原因在发展中智能城市环境。可穿戴设备能可靠地监测心脏跳动通过生产心电图(ECG)读数。相当大的价值获得无线可穿戴系统允许远程心电图评估连续实时功能。收集到的数据从智能城市的可穿戴传感器网络平台给及时警报和治疗能够拯救生命。基于云计算的心电图的方法可以在一定程度上是准确的,如延迟仍然是一个存在的问题。云门户链接立即可穿戴设备可以提供许多优势,如降低延迟和良好的服务水平。因此,一种新颖的基于云的心律失常检测使用递归神经网络(RNN) (NC-RNN)的心电图诊断方法提出了一种可佩带的传感器在智能城市环境。心电图信号收集的可穿戴传感器涉及三个阶段诊断阶段。R-peak在边缘检测技术用于初步诊断设备。心电信号在边缘设备,然后使用RNN分类与不规则击败ECG信号中发现的严重程度。 Finally, a cloud platform classification method can evaluate the obtained ECG signals. While the proposed method's training session is runnable on the technically rich Cloud data centers, the interpretation unit is deployed over the cloud infrastructure for evaluating the ECG signals and setting off the emergency remedies with minimum latency. The simulation results of the suggested framework can accomplish effective ECG detection通过可穿戴设备精度高,减少延迟。
介绍
随着世界人口的增加,对医疗设施的需求适应其公民(Jurcik et al ., 2021)。人们在许多国家的典型寿命减少了由于全球化,婴儿死亡率和塑料污染(Sharma h . b . et al ., 2021)。有害空气污染是另外的一个主要原因在人和动物心脏疾病(Aryal et al ., 2021)。
世界卫生组织报告,每年有一百万人死亡于心血管疾病(大厅et al ., 2021)。虽然没有治疗的一些条件,他们可以通过定期心脏健康监测和适当的预防措施(渡边et al ., 2021)。健康的一个人的心可以在几个方面评价,包括血液测试,ecg和压力测试(债券et al ., 2021)。定期监测心电图,因为它是最好的实现是非侵入式的、发人深省,和需要最小的比其他的复杂的机器(El-Hajj Kyriacou, 2021)。在智能城市环境中,发展与可穿戴传感器的智能设备预测疾病的最早阶段(哈et al ., 2021)。从可穿戴传感器收集的信息的智能城市环境给了医生一个警告消息,甚至从偏远地区(Sharma et al ., 2021)。
调查的主要地区远程医疗在医疗领域的重点发展远程诊断的可靠和有效的方法(Ning et al ., 2021)。一个遥远的心脏位置跟踪系统的发展对病人是由于使用多个物联网(物联网)设备,如智能背心和胸带,家里解释心电图阅读(辛格et al ., 2021)。然而,实际的分析心电图信号通过IoT-based系统检测心血管疾病是必要的(Raeesi Vanani Amirhosseini, 2021)。可穿戴传感器系统创新支持的医疗保健行业的物联网是一个快速增长的行业(德•法齐奥et al ., 2021)。由于医疗行业的快速增长,一个方便的家用诊断方法是允许关闭数据监控和管理(Kumar et al ., 2021)。最终目标是将物联网智能家居、医院、电子健康记录等。侯赛因et al ., 2022)。收集的信息实时允许在一个创新的医院医生跟踪病人的病情发展(Premkumar et al ., 2022)。这可以帮助开发新的医疗保健、医疗、制药、和与疫苗相关的发展(Defendi et al ., 2022)。最终目标是确保数据安全,同时允许授权用户使用云计算访问它,雾计算等。Deokar et al ., 2021)。
广泛的心血管疾病患者将大大受益于快速心电图分析和及时的治疗通过实时医疗技术(Rathi et al ., 2021)。现代无线可穿戴心电图的解决方案依赖于诊断算法为人工智能系统通过软件工程创建。由于所涉及的计算复杂度,他们通常用于离线、一维设置(辛格和皮莱,2022)。心脏泵血,依靠电子信号来控制许多室的收缩。心跳的强度和规律可以确定在测试期间通过阅读这些冲动以外。聪明的背心,fitbit,胸背带只是一些的物联网产品用于读取心电图阅读的家庭环境,随着系统的发展,密切关注远程心脏病人。
此外,心电图阅读从IoT-based获得系统需要精确的分析来诊断心血管疾病。有很多最近的心电信号处理的发展,中心在边缘设备或传感器设备。例如,可穿戴设备评估心电图信号识别不规则心律失常。这些方法往往会产生精确的心电图分析结果在几秒钟内,和他们高度的效率。另一方面,虽然这些日常使用很好,他们可能无法正常的更微妙的医疗保健应用程序要求高精度和低延迟。然而,可穿戴设备的容量限制意味着系统集中在边缘计算总有约束。
因为每个人的心跳通常表现出一种不变的模式,这个模式中的任何偏差都在一个心电图显示心脏问题。心电图数据记录和分析使用复杂、艰苦的计算机程序的框架。灵活的心电图诊断可以很大地得益于战略整合等方法在边缘设备,不再需要不断接触云数据库。独立诊断准确性高的ECG信号会保护传动功率较低延迟。Farooq et al。(2021)开发了一种可穿戴的无线传感器系统。该方法提供了一个创新的、低成本的方法分类的心电图波形可能在云平台中实现。合并后的传感器系统收集心电图传感器的输入信号,处理在云平台,然后输出一个分类。除了早些时候进入医院的支持系统,这个设置有潜力,以纾缓交通挤塞在繁忙的医疗保健领域的急诊室。
夏et al。(2018)介绍款对ECG信号进行分类。心电图数据收集使用蓝牙4.2支持可穿戴设备与无线传感器,然后传输到电脑。然后,心律失常分类系统自动分析心电图数据和分配适当的分类精度为98%。在学习阶段,选择最有价值的样品使用技术,使用后验概率的措施从深层神经网络与信心。
拉梅什et al。(2021)提出了一种深卷积神经网络(DCNN)。一维深卷积神经网络训练心率Variability-derived特色分类从心电图和心脏功能photoplethysmography (PPG)基于传感器为窦性心律和心房纤维性颤动在30年代。实验结果的准确性达95.50%,敏感性94.50%,特异性96.00%。
Sabbadini et al。(2022)探讨心房纤颤检测。防治心血管疾病,一个系统使用可穿戴设备与深度学习提供边缘技术。然后安装在本地设备上的概念和评估不需要互联网连接或其他设备。
Ksiazczyk et al。(2021)提出医疗Access-Smartphone应用。看看应用程序跟踪心率和识别心律失常主要集中在评估可访问性和有效性。最初诊断为房颤已被证明会降低中风发病率和公共卫生成本,结果表明这一趋势将持续下去。
Duncker, et al。(2021)接受关于心房纤颤,这些技术的实际应用和发展各种心律失常,心血管疾病,这些条件和风险指标。霍尔特监控、事件记录、心电图补丁,腕带,和纺织品都是成长的一部分区域可穿戴技术在心脏病治疗non-atrial颤心律失常。
李et al。(2022)开发的压缩深度学习(CDL)方法利用心电图数据和分类心律失常在嵌入式可穿戴设备。使用一个集成的可穿戴设备申请和评估Resnets和Mobilenets概念压缩检测心律失常。表现形式的结果是97.03%的准确率。
Umar et al。(2021)提出智能心脏保健系统将心脏单位具有低成本、高精度的答案,允许连续监测的患者在私人场合用最少的病人从医务人员接触。心脏病患者的生命体征必须不断地以不同的速度采样。该模型是一种之一,因为它使用一个混合的方式,将传统心血管指标和心电图数据。
宋et al . (2021)介绍了实时可穿戴式生理监测系统。一个心电图/ EMG信号跟踪系统使用一个无线生理信息收集装置和分享服务应用程序框架,用于实时数据分析和跟踪。云服务可访问性是开发的监控系统。
Zhang et al。(2021)描述卷积神经网络(CNN)过度学习作为房颤的已知问题识别,这研究了两种可能的培训方法来对抗它。首先是减少多样性的影响采用快速傅里叶变换(FFT)和Hanning-window-based过滤器。使模型健壮的一个策略是使用数据从心电图可穿戴设备培训。的准确性是96.23%。
与延迟相关的几个问题和心律失常分类集中在开发出一种新颖的基于云的心律失常的检测方法。三个阶段涉及RNN R-peak识别和分类。获得的ECG信号分类方法进行评估的云服务。解释单元部署在云基础设施评估心电图信号和最小延迟出发紧急补救措施。
一个新颖的基于云的心律失常的检测
有五种主要的计算机组件模型的特定设备、网关、云技术对动态心电图诊断。特定的设备之间,个人数字助理(PDA)(边缘设备),和远程云存储,有两个额外的元素:雾设备和中心。从具体的设备远程系统,计算能力和资源稳步增加。结果,问题的计算复杂性在任何给定的时间影响适应性的心电图诊断如何分配其资源。的架构NC-RNN智能城市环境中所示图1。
图1。NC-RNN智能城市环境的体系结构。
雾装置是一种云存储中心;它从可穿戴设备收集生理数据。收集的数据是给PDA,也被称为设备的优势。健康档案收集的数据存储在云未来的验证。中心设备代表了雾设备,云设备,和健康记录。完整的体系结构图1。基于智能城市环境。医疗的实现是完全利用智能城市的平台。健康档案存储未来智能城市环境的好处。
特定的设备
中使用的数字设备提出部分是可穿戴设备,和物联网设备包括pda。可穿戴传感器收集病人的生理数据,并且数据PDA。如果任何不规则的心跳检测,给出报警所以任何严重的卫生保健专业人员可以照顾病人的状况。任何数字设备内置心电图传感器跟踪病人的心率和节律在实际时间被认为是一个特定的设备。一个不断NC-RNN提出一种可佩带的传感器,监控病人的心率通过一个包含R-peak检测算法。发现如果心率不齐(心律失常),数据转移到附近的一个推理为额外的分析单位。尽管相对于边缘区域分类效率下降和云服务器,它提高了R-peak检测技术。如果没有什么不寻常的事情,具体的设备进入节能待机模式。R-Peak检测算法是基于离散小波变换(DWT)来识别本地设备的第一个异常的迹象。由于其优越的处理实际的心电图信号,采用DWT R-peak检测。R-peak DWT的检测方程(1)所示。
从上面的方程,米表示样品的数量,一个表示输入心电信号,r代表了云平台的设备数量,年代代表实际的心电图。噪声的ECG信号导致的错误检测和诊断心律失常,所以准确的检测,从收集到的心电信号必须减少噪音。最重要类型的电力线噪声的ECG信号干扰,高频噪声、基线漂移,由于肌肉运动和噪声。过滤器从心电图中删除所有这些类型的噪声信号。信噪比比较是用噪声检测阶段。该方法的信噪比主要取决于的降噪阶段高和低通滤波器。噪声的ECG信号需要考虑更好的心律失常的诊断和分类。获得的信号是低通和高通滤波器,如公式(2)所示,以减少ECG信号的噪声。
yl(米)代表了低通滤波阶段,yH(米)表示高通滤波阶段。本地设备使用几步来追踪ECG信号。
•可穿戴传感器跟踪ECG信号e(年代)作为输入数据。
•识别不规则心率和rr间隔表示为一个输出数据。
•离散小波变换用于R-Peak检测。
•从获得R-peak波、低通和高通滤波器是用来消除噪声信号。
•心跳需要通过识别R-peak计算。
DWT用于R-Peak检测。DWT的实现获得收集和低噪声的ECG信号的谱图分析。一旦特定设备R-peak检测算法已经确定异常心电图信号,明确设备ECG信号发送到PDA进行额外的检查。在这发生之前,特定设备应该在病人寻找连续违规确定有一个实际的医疗问题。一个公式来决定一个人的典型的心率每分钟在次方程(3)所示。
所需的时间为一个特定的设备来评估一个心电图信号模式长度M年代r是R-peak检测心电图每秒处理的阶段。输入心电信号中说明了图2一个见,noise-removed信号图2 b;检测R-peak见图2 c。
图2。(一)心电图信号输入。(B)噪声信号。(C)R-peak检测。
掌上电脑
pda被认为是边缘设备如智能手机。智能手机有更多的计算能力比当地同行。心电图的光谱图是一个二维表示生成的离散小波变换。RNN用于对谱图进行分类。PDA将确定如果心电图信号是标准的或不正常的节奏。当边缘设备检测到不寻常的东西,它会立即通知云和雾的中央服务器。降噪后阶段,离散小波变换用于查找ECG信号的谱图。RNN分类获得的谱图。智能城市平台实现了心律失常的诊断和分类根据规则和不规则的心跳。评估PDA的步骤是:
•收集心电图数据帧从附近的监控e(年代),可以作为输入。
•获得心律失常的分类和正常窦性节律作为输出。
•估计离散小波变换的谱图。
•最佳值的离散小波变换常数用于将每个屏幕ECG信号的谱图。
•RNN对谱图进行分类用于精确心电图分析。
•将分类的结果发送到云或医疗服务器。
人监控,心电图信号收集的人在智能家居环境中是一个雾装置。网关的数据存储在云端,以供将来使用。收集到的数据从智能家居环境给PDA如果异常。警报给医生在医疗环境中,所示图3。
图3。从智能家居环境中收集的数据。
雾设备
雾设备元素存在于网络在PDA和云。雾服务器可以是任何东西,提高云服务器连接。雾设备更接近用户;因此,他们可以提供比掌上电脑的计算能力。如果更多的训练数据和更好的参数可用,RNN分类可能会获得更高的精度。此外,断断续续的云连接加强用电,可能导致更少的延迟。云检测的用电数据的延迟的形式每个病人的医疗记录。因此,分类结果和心电图信号应该从PDA传播到雾服务器。沟通问题出现在一个edge-cloud系统时,雾设备可能被雇佣而不是云。
发送一个心电图信号从一个特定的设备,掌上电脑,这些电脑允许进一步处理或雾设备和评估。系统在云中提供最可用的处理能力。传输后,数据处理和分类使用RNN确保最大程度的精度。如果医疗服务器需要访问更多关于病人的信息,服务器发送一个请求到外围设备收集数据。云服务器,例如,可能会问PDA为它提供一个特定的帧的ECG信号。从可穿戴传感器收集到的信号预处理和边缘设备;PDA是无花果服务器。数据存储在云服务器,如所示图4。
图4。数据收集的阶段。
心电图可穿戴传感器用于收集ECG信号来自个人的信息。提出的概念包括一个网关来处理数据流量的增加从多个附近的病人。由于通信和带宽限制,组织大量的病人数据是至关重要的。网关连接各种PDA云、雾和云节点服务器。如果R-peak检测算法发现一个不规则的心电图,违法的帧传输延迟,如公式(4)所示。
S代表收集到的ECG信号的采样率,和N表示样品的长度。当一个PDA获得一个不规则的心电图信号,每一帧的离散小波变换是由以下步骤:
e(年代)是时间的心电图信号是不规则的。x和y缩放,平移因子和∅传递函数。不规则的ECG信号是时间的函数B(x, y)。
之间的关系方程(1)和(5)是一样的离散小波变换确定不规则心跳和R-peak检测。R-peak检测算法可以冒犯一个框架以更少的延迟。
拟议的系统分离PDA和雾云平台的设备。雾设备定位在一个小范围可以使检测到的心电信号进行深入评估如果预计,PDA和云服务器之间的互连操作会导致延迟。让年代米代表期间需要对病人的心电图数据从PDA的医疗服务提供者的服务器。
期间需要对病人的心电图数据从雾装置给出的PDA年代P。实现数据评估在雾层结构中一个遥远的病人监护系统。当收到一个心电图信号,一个解释单元分析来确定其类型和病人是否有任何异常。因此,系统的反应速率是通过提供即时反馈改进。此外,一旦解释组件标识意义的活动,适当的指令传达到传感器层激活紧急服务,同时密切关注是否这是必要的。之后,传感器层发送心电图信号,激活指令,和响应中央云,使训练计划可以持续升级。
云中的中央网关充当提出的健康监测系统的基础。从雾层,它接受心电图信号流程,记录得到的答案和服务结果的通用数据库,以方便访问在世界任何地方。心电图监测和识别问题使用不同情况下系统的实施和评估。研究结果证明了系统的精度高,这可能有助于增强医疗交付。拟议的NC-RNN整个流程图所示图5。最初的步骤是数据收集,其次是预处理,包括降噪。R-peak ECG信号的检测。RNN分类峰值检测信号规则和不规则的节拍。
图5。NC-RNN流程图。
结果和讨论
该方法是评估使用MIT-BIH样本数据集1。有48个录音,记录每一个两家牵头心电图信号从47人大约30分钟。带通滤波发生0.1至100赫兹,和360赫兹样本被用来记录的心电图信号。标签的时机和节奏类数据已经包含在这个数据库,和外部专家已经证实它。评价参数的准确性、敏感性,特异性,延迟和信噪比。NCC-RNN的准确性得到了通过使用方程(6)。一个二进制分类的准确性测试测量统计如何证实或排除诊断心律失常的检测。准确性(A)衡量给定数量的许多情况下正确地预测在正常的分类为心律失常或不规则的心跳,见图6。
图6。NC-RNN的准确性。
从上面的方程,tp代表了真正的积极,tn表示真正的消极,《外交政策》代表了假阳性,fn表示假阴性。
一个诊断工具的敏感度(S)被定义为其个人认同不规则心电节拍的能力。敏感性,或在临床环境中检出率,指的是测试呈阳性的个体疾病的比例(不规则心跳)或条件的人总数相比疾病。灵敏度计算使用方程(7),所示图7。
图7。NC-RNN的敏感性。
在敏感性tp代表真正的积极,fn表示假阴性。
尤其是特异性(sp),取决于它能排除异常导致健康的人。的特异性测试被定义为测试为阴性的人的百分比心率不齐没有心律失常疾病。特异性是计算使用方程(8),所示图8。
图8。NC-RNN的特异性。
精确的比例(P)是相关的实例,是准确的,它是方程(9)所示。
提出的精密数控RNN的所示表1。
表1。NC-RNN精度。
信噪比措施多少信息可以从一个心电图信号获取减去噪声水平。这是因为电极噪声、运动工件,和其他类似的因素经常影响获得心电图信号,延迟识别程序,减少疾病预测的质量。预处理信号之前压缩有助于消除噪声信号在不影响数据的准确性。信号的信噪比比较所示图9。
图9。NC-RNN的信噪比。
中使用的特定和PDA同时提议NC-RNN,和网络中不健康的数据量大大减少。数据流量的总量因此大大下降。此外,还有可能丢失信息。一个信号经历延迟,因为它所有的云存储设备之间旅行。延迟在该方法,得到方程(4),所示图10。
图10。NC-RNN延迟。
该NC-RNN与卷积神经网络(CNN)相比,深卷积神经网络(DCNN)和深层神经网络(款)形式的准确性、延迟、信噪比、灵敏度。
结论
心电图(ECG)数据可以通过可穿戴设备,成功地生成允许常数监测心率。无线可穿戴系统是非常有用的,因为它使远程心电图评估稳定实时功能。可穿戴传感器在智能城市平台中收集数据,可用于触发救生警报和干预措施。虽然云计算ECG算法改善了,但仍然是一个延迟问题。使用基于云的门户和可穿戴设备直接连接有很多潜在的好处,包括更低的延迟和更高质量的服务。NC-RNN实现心电图诊断使用可穿戴传感器在智能城市环境。三个诊断阶段存在解释对身体的ECG信号传感器。初步诊断设备检测R-peak检测边缘。一个RNN分类ECG信号边缘设备根据观察到的不规则跳动的严重性。建议方法的训练可以在执行功能丰富的云数据中心,实现和解释单元在云中快速分析心电图信号。
数据可用性声明
原始数据支持了本文的结论将由作者提供,没有过度的预订。
作者的贡献
所有作者列出了一大笔,直接和知识贡献的工作,批准发布。
的利益冲突
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
脚注
引用
Aryal,。,H一个r米on,一个。C., and Dugas, T. R. (2021). Particulate matter air pollutants and cardiovascular disease: strategies for intervention.杂志。其他。223年,107890年。doi: 10.1016 / j.pharmthera.2021.107890
键,R。,Finlay, D., Al-Zaiti, S. S., and Macfarlane, P. (2021). Machine learning with electrocardiograms: a call for guidelines and best practices for 'stress testing'algorithms.j . Electrocardiol。69年,1 - 6。doi: 10.1016 / j.jelectrocard.2021.07.003
法齐奥,R。,De Vittorio, M., and Visconti, P. (2021). Innovative IoT solutions and wearable sensing systems for monitoring human biophysical parameters: a review.电子产品10日,1660年。doi: 10.3390 / electronics10141660
Defendi, h . g . T。,d一个年代我lva Madeira, L., and Borschiver, S. (2022). Analysis of the COVID-19 vaccine development process: an exploratory study of accelerating factors and innovative environments.j .制药。创新。17日,555 - 571。doi: 10.1007 / s12247 - 021 - 09535 - 8
Deokar, S。,米一个ngla, M., and Akhare, R. (2021). “A secure fog computing architecture for continuous health monitoring,” in雾计算4.0医疗环境(Cham: Springer), 269 - 290。doi: 10.1007 / 978 - 3 - 030 - 46197 - 3 - _11
Duncker, D。,Ding, W. Y., Etheridge, S., Noseworthy, P. A., Veltmann, C., Yao, X., et al. (2021). Smart wearables for cardiac monitoring—real-world use beyond atrial fibrillation.传感器21日,2539年。doi: 10.3390 / s21072539
El-Hajj C。,和Kyriacou, P. A. (2021). Cuffless blood pressure estimation from PPG signals and its derivatives using deep learning models.生物医学。信号的过程。控制70年,102984年。doi: 10.1016 / j.bspc.2021.102984
Farooq,。,年代eyed米一个hmoudian, M., and Stojcevski, A. (2021). A wearable wireless sensor system using machine learning classification to detect arrhythmia.IEEE传感器J。21日,11109 - 11116。doi: 10.1109 / JSEN.2021.3062395
哈,t . M。,H一个年代一个n,米。K., Alshurideh, M. T., Alzoubi, H. M., Ahmad, M., Akbar, S. S., et al. (2021). IoT for smart cities: machine learning approaches in smart healthcare—A review.砰的一声。互联网13日,218年。doi: 10.3390 / fi13080218
大厅,G。,l一个ddu,D. R., Phillips, S. A., Lavie, C. J., and Arena, R. (2021). A tale of two pandemics: how will COVID-19 and global trends in physical inactivity and sedentary behavior affect one another?Cardiovasc进展。说。64年,108年。doi: 10.1016 / j.pcad.2020.04.005
侯赛因·m·J。巴里,m。,和Khan, M. M. (2022). “Development of an IoT-based health monitoring system for e-health,” in2022年IEEE 12年度计算和沟通研讨会和会议(CCWC)(拉斯维加斯,NV: IEEE), 31-37。doi: 10.1109 / CCWC54503.2022.9720825
宋,j·W。李,W。,和Kim, Y. J. (2021). A real-time wearable physiological monitoring system for home-based healthcare applications.传感器22日,104年。doi: 10.3390 / s22010104
Jurcik, T。,Jarvis, G. E., Zeleskov Doric, J., Krasavtseva, Y., Yaltonskaya, A., Ogiwara, K., et al. (2021). Adapting mental health services to the COVID-19 pandemic: reflections from professionals in four countries.Counsell。Psychol。夸脱。34岁,649 - 675。doi: 10.1080 / 09515070.2020.1785846
Ksiazczyk, M。,Debska-Kozłowska, A., Warchoł, I., and Lubiński, A. (2021). Enhancing healthcare access–smartphone apps in arrhythmia screening.JMIR mHealth uHealth9,e23425。doi: 10.2196/23425
Kumar年代。,Nehra, M., Khurana, S., Dilbaghi, N., Kumar, V., Kaushik, A., et al. (2021). Aspects of point-of-care diagnostics for personalized health wellness.Int。j .纳米级。16日,383年。doi: 10.2147 / IJN.S267212
李,k . S。,P一个rk,H。J., Kim, J. E., Kim, H. J., Chon, S., Kim, S., et al. (2022). Compressed deep learning to classify arrhythmia in an embedded wearable device.传感器22日,1776年。doi: 10.3390 / s22051776
宁,a . Y。,Cabrera, C. I., and D'Anza, B. (2021). Telemedicine in otolaryngology: a systematic review of image quality, diagnostic concordance, and patient and provider satisfaction.安。Otol。Rhinol。Laryngol。130年,195 - 204。doi: 10.1177 / 0003489420939590
Premkumar, M。,一个年代hokkumar, S. R., Jeevanantham, V., Pallavi, S. A., Mohanbabu, G., and Raaj, R. S. (2022). Design of a cost-effective real-time tremor alerting system for patients of neurodegenerative diseases.板牙。今天继续。57岁,1989 - 1994。doi: 10.1016 / j.matpr.2021.10.187
Raeesi Vanani,我。,和一个米我rhosseini, M. (2021). “IoT-based disease prediction and diagnosis system for healthcare,” in物联网的医疗技术(新加坡:Springer), 21-48。doi: 10.1007 / 978 - 981 - 15 - 4112 - 4 - _2
拉梅什,J。,年代ol一个t我dehkordi, Z., Aburukba, R., and Sagahyroon, A. (2021). Atrial fibrillation classification with smart wearables using short-term heart rate variability and deep convolutional neural networks.传感器21日,7233年。doi: 10.3390 / s21217233
Rathi诉K。,R一个jput, N. K., Mishra, S., Grover, B. A., Tiwari, P., Jaiswal, A. K., et al. (2021). An edge AI-enabled IoT healthcare monitoring system for smart cities.第一版。电气Eng。96年,107524年。doi: 10.1016 / j.compeleceng.2021.107524
Sabbadini, R。里奇奥,M。,米一个re年代ca, L., Irace, A., and Breglio, G. (2022). “Atrial fibrillation detection by means of edge computing on wearable device: a feasibility assessment,” in2022年IEEE国际医学研讨会上测量和应用程序(MeMeA)(墨西拿:IEEE), 1 - 6。doi: 10.1109 / MeMeA54994.2022.9856438
沙玛,h . B。,Vanapalli, K. R., Samal, B., Cheela, V. S., Dubey, B. K., and Bhattacharya, J. (2021). Circular economy approach in the solid waste management system to achieve UN-SDGs: solutions for post-COVID recovery.科学。总环境。800年,149605年。doi: 10.1016 / j.scitotenv.2021.149605
沙玛,N。,米一个ngla, M., Mohanty, S. N., Gupta, D., Tiwari, P., Shorfuzzaman, M., et al. (2021). A smart ontology-based IoT framework for remote patient monitoring.生物医学。信号的过程。控制68年,102717年。doi: 10.1016 / j.bspc.2021.102717
辛格,E。,和P我ll一个y,N. (2022). “A study of transfer learning in an ant-based generation construction hyper-heuristic,” in2022年IEEE国会进化计算(CEC)(帕多瓦:IEEE), 1 - 7。doi: 10.1109 / CEC55065.2022.9870415
辛格,R。,一个hmed, T., Singh, R., and Tiwari, S. (2021). “Heart rate monitoring system using Internet of Things,” inIoT-Based医疗行业数据分析(学术出版社),211 - 223。doi: 10.1016 / b978 - 0 - 12 - 821472 - 5.00006 - 5所示
Umar U。,Khan, M. A., Irfan, R., and Ahmad, J. (2021). “IoT-based cardiac healthcare system for ubiquitous healthcare service,” in国会2021年国际先进技术与工程(ICOTEN)(塔伊兹:IEEE), 1 - 6。doi: 10.1109 / ICOTEN52080.2021.9493478
渡边,M。Risi, R。,De Giorgi, F., Tuccinardi, D., Mariani, S., Basciani, S., et al. (2021). Obesity treatment within the Italian national healthcare system tertiary care centers: what can we learn?吃体重Disord螺栓厌食暴食症ob。26日,771 - 778。doi: 10.1007 / s40519 - 020 - 00936 - 1
夏,Y。,Zhang, H., Xu, L., Gao, Z., Zhang, H., Liu, H., et al. (2018). An automatic cardiac arrhythmia classification system with a wearable electrocardiogram.IEEE访问6,16529 - 16538。doi: 10.1109 / ACCESS.2018.2807700
关键词:心电图(ECG),递归神经网络(RNN),延迟,云设备,检测心血管疾病、心律失常
引用:Prajitha C, bloom KP和Baskar年代(2022)对心律失常心电图诊断检测和基于云的服务和可穿戴传感器网络在智能城市环境中。前面。维持。城市4:1073486。doi: 10.3389 / frsc.2022.1073486
收到:2022年10月18日;接受:2022年10月31日;
发表:2022年11月14日。
编辑:
v . r . Sarma Dhulipala印度安娜大学版权©2022 Prajitha bloom和Baskar。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:c . Prajithapraji.devi@gmail.com