ارائه یک مدل توصیه‌گر مبتنی بر تئوری بیزین برای شناسایی کووید-19 در زیست بوم اینترنت اشیا
الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند
زهرا قربانخانی
1
,
مانی زارعی
2
,
راحیل حسینی
3
1 - کارشناسی‌ارشد، گروه کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
2 - استادیار، گروه کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران.
3 - دانشیار، گروه کامپیوتر، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: اینترنت اشیا, مدل توصیه‌گرتئوری بیزین, داده کاوی, بیماری کرونا, کووید-19,
ملخص المقالة :
شیوع یک بیماری با قابلیت انتشار بالا باعثمیشود تا عوامل پیشگیرانه کم تأثیر بوده و اپیدمی زودهنگام رخ دهد. استفاده از هوش مصنوعی در حوزه سلامت و بهره مندی از تکنیکهای توصیه گر از تأثیرگذاری بالایی در ارتقای سیستم سلامت هوشمند برخوردارند که منتج به تسریع در کنترل نسخه های جهش یافته بیماریهای ویروسی نظیر کووید-19 و کاهش هزینه‌های درمانی میشود. بنابراین، استفاده از تکنیکهای داده کاوی در زیست بوم اینترنت اشیا میتواند یک سیستم توصیه گر قابل اعتماد در حوزه سلامت جوامع هوشمند به منظور شناسایی افراد مبتلا به بیماریهای ویروسی نظیر کووید-19 تلقی گردد. اگرچه بیماری کووید-19 در حال حاضر باعث مرگ انسانها نمیشود، اما هنوز دوره درمان طولانی تری دارد و همچنین در افراد سالخورده و یا افراد با بیماریهای زمینهای همچنان فاجعه آفرین است. در این مقاله یک مدل توصیه گر مبتنیبر تئوری بیزی برای شناسایی کووید-19 در زیست بوم اینترنت اشیا پیشنهاد می گردد. برای این منظور ابتدا به عوامل تأثیرگذار در بیماری همه‌گیر کرونا پرداخته میشود و از مجموعه داده حاصل از 50000 بیمار برای شناسایی ابتلا به بیماری کووید-19 در افراد مختلف استفاده میشود. تکنیکهای داده کاوی استفاده شده در این مقاله شامل مدل تئوری بیزی، مدل ترکیبی پیشنهادی بیزی‌بوستینگ، مدل نزدیک ترین همسایه و مدل رگرسیون لجستیک به عنوان روش‌های یادگیری ماشین است. نتایج حاصل از مقایسه این چهار روش نشان میدهد مدل باور بیزی به میزان %87 و مدل تقویت شده آن با %98، بیشترین میزان دقت را به خود اختصاص داده‌اند.
[1] P. Sunhare, R. R.Chowdhary, and M. K.Chattopadhyay. "Internet of things and data mining: An application oriented survey". Journal of King Saud University-Computer and Information Sciences, vol. 34, no. 6, pp.3569-3590. 2022
[2] M. Gholami, Sh. Damanabi, P. Rezaei Hachesu, and F. S. Ghyassi. "Evaluation of Nursing Information Systems using the HIS-Monitor Instrument: Nurses Perspectives". Iranian Journal of Medical Informatics, vol. 8, no. 1, 2019.
[3] E. M. Silva, and R. Jardim-Goncalves. "IoT ecosystems design: A multimethod, multicriteria assessment methodology". IEEE Internet of Things Journal, vol. 7, no. 10, pp.10150-10159. 2020.
[4] D. Kumar, S. K. Sood, and K. S. Rawat. "IoT-enabled technologies for controlling COVID-19 Spread: A scientometric analysis using CiteSpace". Internet of Things, vol. 23, pp.100863. 2023
[5] W. Lindquist, S. Helal, A. Khaled, and W. Hutchinson. "IoTility: architectural requirements for enabling health IoT ecosystems". IEEE Transactions on Emerging Topics in Computing, vol. 9, no. 3, pp.1206-1218. 2019.
[6] M. Ndiaye, S. S. Oyewobi, A. M. Abu-Mahfouz, G. P. Hancke, A. M. Kurien, and K. Djouani, K. "IoT in the wake of COVID-19: A survey on contributions, challenges and evolution". Ieee Access, 8, pp.186821-186839. 2020
[7] R. Sandhu, S. K. Sood, and G. Kaur" An intelligent system for predicting and preventing MERS-CoV infection outbreak". The Journal of supercomputing, vol. 72, no. 8, pp.3033-305. 2016.
[8] P. Verma. and S. K. Sood, 2018." Fog assisted-IoT enabled patient health monitoring in smart homes". IEEE Internet of Things Journal, vol. 5, no. 3, pp.1789-1796. 2018.
[9] P. Verma, and S. K. Sood. "A comprehensive framework for student stress monitoring in fog-cloud IoT environment: m-health Perspective". Medical & biological engineering & computing, vol. 57, no. 1, pp. 231-244. 2019.
[10] M. Bhatia and S.K. Sood. "Exploring temporal analytics in fog-cloud architecture for smart office healthcare". Mobile Networks and Applications, 24(4), pp.1392-1410. 2019.
[11] Z. Karimi, H. Haghihi. "The Opinion Mining of Digikala Reviews by Semi-Supervised Support Vector Machine" Intelligent Multimedia Processing and Communication Systems, vol. 1, no. 11, pp. 51-61, 2023.
[12] M. Bazergani, M. and Homayounpour, Z. "Providing A New Method to Discover the Closest Neighborhood in Recommendation Systems Based on Collaborative Filtering" Intelligent Multimedia Processing and Communication Systems, vol. 1, no. 1, pp. 55-64, 2020.
[13] G. Latif , A. Shankar, J. M. Alghaz, V. Kalyanasundaram, C. S. Boopathi, and M. Arfan Jaffar. "I-CARES: advancing health diagnosis and medication through IoT". Wireless Networks. vol. 26, no. 4, pp. 2375-2389. 2020.
[14] P. Verma, S. K. Sood. "Cloud-centric IoT based disease diagnosis healthcare framework". Journal of Parallel and Distributed Computing. vol. 116, pp. 27-38. 2018.
[15] J. Han, M. Kamber, and J. Pei. "Data Mining Concepts and Techniques", Third Edition, Elsevier Publisher, USA, 2012.
[16] G.F. Cooper, and E. Herskovits, "A Bayesian method for the induction of probabilistic networks from data". Machine learning, vol. 9, no. 4, pp.309-347. 1992.
[17] M. Esmaeili, Azad University publisher, "Concepts and techniques of data mining". 2018.
[18] Kaggle. (March 2020-November 2021). Covid-19 Dataset for year 2020 & 2021. https://www.kaggle.com/datasets/mykeysid10/covid19-dataset-for-year-2020/data?select=covid_data_2020-2021.csv
