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.
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.
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.
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.
پردازش انطباقی آگاه از وضعیت (SAAP) در جریان های داده
سبک معماری برای پردازش انطباقی آگاه از وضعیت(SAAP) در جریانهای داده شامل 3 قسمت ِ استنتاج وضعیتهای فازی (FSI)، مانیتور منابع (RM) و موتور انطباقی (AE) میباشد که در شکل 1 نشان داده شده است. موتور FSI ، آگاهی از وضعیت را با استفاده از اصول منطق فازی فراهم میکند. مانیتور منابع (RM) یک مؤلفه نرم افزار است که به طور پیوسته منابع موجود مانند حافظه در دسترس و استفاده از باتری را مانیتور میکند و میزان در دسترس بودن آنها را به موتور انطباق گزارش میکند. موتور انطباق (AE) نسبت به تنظیم تدریجی پارامترهای پردازش جریان دادهها در زمان واقعی مسئول میباشد که بر اساس وضعیتهای وقوع و منابع در دسترس است. لایهی SAAP در بالای الگوریتمهای جریان داده کاوی ساخته میشود که روی دستگاههای تلفن همراه اجرا میگردد و آنها را با انطباق آگاه از وضعیت مجهز میکند. بخش بعدی تکنیک FSI را مورد بحث و بررسی قرار میدهد.
استنتاج وضعیت فازی
FSI یک مدلسازی و بخورد با علت از وضعیت است که منطق فازی را در مدل فضاهای زمینه (CS) ادغام میکند [4]. FSI از مزایای مدل CS استفاده میکند تا به طور فراگیر محیطهای محاسبه را پشتیبانی کند و این در حالی است که منطق فازی برای مقابله با عدم قطعیت را با شرایط مبهم و در دنیای واقعی ترکیب میکند.
مدل فضاهای زمینه
مدل فضاهای زمینه (پس از این CS) اطلاعات متنی را به صورت اشیای هندسی در فضای چندبُعدی نمایش میدهد که موقعیت نامیده میشود. مفهوم عبارت «فضای موقعیت» با یک دسته از مناطق توصیف شده است. هر «منطقه» یک دسته از ارزشهای قابل قبول در یک جنبه از زمینه میباشد که یک استناد را اقناع میکند. علاوه بر مفاهیم بنیادی و تکنیکها برای مدل سازی موقعیت و ایجاد منطق، مدل CS اکتشافی را فراهم میکند که به طور به خصوص برای نشان دادن آگاهی از زمینه تحت عدم قطعیت توسعه یافته است. این اکتشافیها در تکنیکهای منطقی ادغام شدهاند که ابزار مبتنی بر الگوریتمهای فازی داده میباشند و سطح اعتماد را در وقوع یک موقعیت محاسبه میکنند. CS با عدم قطعیت سروکار دارد که به طور کلی با اشتباهات سنسورها همراه است. با این حال یک مورد دیگر از جنبه عدم قطعیت در مفاهیم انسانی و موقعیتهای دنیای واقعی وجود دارد که نیاز دارد به وسیلهی مدل زمینه نشان داده شود و در نتایج منطقی وضعیت منعکس شود. منطق فازی از منطق چند-ارزشی استفاده میکند که مزایای سروکار داشتن با این سطح از عدم قطعیت را با ارجاع درجههای عضویت به ارزشها دارد.
موتور تطبیقی (AE)
موتور انطباق یا AE مسئول تنظیم تدریجی پارامترهای پردازش جریان دادهها بر اساس وقوع یک واقعیت یا واقعیتها و منابع قابل دسترس در زمان واقعی میباشد. تکنیکهای داده کاوی جریان سبک وزن مانند LWC ، LWClass، RA-Cluster ، ERA-Cluster و DRA-Cluster نسبت به قابل دسترس بودن منابع با کمک تنظیم پارامترهای الگوریتم انطباق پذیر میباشند. این پارامترها خروجی ، ورودی و یا پردازش الگوریتم را کنترل مینمایند. در این الگوریتمها، پردازش انطباق در داخل برخورد الگوریتم دانهای(AG) انجام میشود.
استراتژی تطبیقی آگاه از منبع
استراتژی تطبیقی آگاه از منبع زمانی رخ میدهد که موقعیت در یک سطح امن قرار دارد ولی دسترسی منبع در سطح متوسطی باشد. به این خاطر است که موقیت های معمولی نیاز به مانیتور کردن به طور مکرر ندارد و نتیجهی یک انطباق آگاه از منبع نیازهای یک موقعیت معمولی را نقض نمیکند. آگاه از منبع با برخورد AGالهام یافته است. یکی از الگوریتمهای خوشه بندی بر اساس AOGخوشه بندی سبک وزن نامیده میشود [29] (LWC) . LWC یک فاصلهی آستانهای را برای خوشه بندی دادهها در نظر میگیرد. افزایش آستانه شکل و شمایل خوشههای جدید را سست میکند و به نوبه خود باعث کاهش مصرف منابع میگردد.
پیاده سازی
ما یک نمونه اولیه از نرمافزار نظارت بر سلامت را بر اساس FSI در J2ME پیاده سازی کردیم و آن را بر روی نوکیا N95 مستقر ساختیم (در شکل 3 نمایش داده شده است). دلایل ایجاد نمونه اولیه در مورد شرایط <طبیعی>، افت فشار خون و فشار خون بالا و غیره بوده است. این نرم افزار میتواند توسط بیمارانی که از بیماری نوسانات فشار خون رنج میبرند مورد استفاده قرار بگیرد. یک تابع عوضیت ذوزنقهای برای محاسبه درجه عضویت مقادیر زمینه مورد استفاده قرار میگیرد. اطلاعات متنی که در اینجا استفاده شده است شامل فشار خون سیتولی و دیاستولی (SBPو DBP) و همچنین ضربان قلب بوده است (HR).
ارزیابی
برای ارزیابی SAPP، ما دو نوع ارزیابی را انجام دادیم. اولین ارزیابی یک ارزیابی مقایسهای از FSI، CS و دمپستر شافر (DEMPSTER-Shafer) و ارزیابی دوم بر روی اقتباس پارامتر آستانه از LWC با توجه به شرایط وقوع تمرکز دارد.
ارزیابی FSI
برای ارزیابی مدل FSI، ما اقدام به مقایسه شرایط تکنیک استدلال FSI با CS و دمپستر شافر کردیم (که از این پس به آن DS خواهیم گفت) از نظر روشهای استدلالی کردیم. هدف از این ارزیابی در وهله اول اعتبارسنجی مدل FSI در برابر تکنیک استدلال شناخت شده مانند DS و یک مدل مفهومی توسعه یافته برای محیطهای محاسباتی فراگیر مانند CS است. هدف دوم از ارزیابی برجسته سازی مزایای FSI برای مقابله با شرایط نامطمئن است.
نتیجه گیری و کارهای آینده
در این مقاله ما یک رویکرد کلی برای پردازش تطبیقی آگاه از وضعیت (SAAP) از جریان دادهها را پیشنهاد و تأیید کردیم که شامل پردازش جریان دادهها آگاه از موقعیت با استفاده از منطق فازی بود. مدل فازی استنتاج موقعیت اجازه میدهد تا مدل سازی و استدلال در مورد دنیای واقعی و شرایط مرتبط با سلامت صورت پذیرد. معماری SAAP تجزیه و تحلیل بلادرنگی از دادههای ناشی از سنسورهای مختلف از جمله سنسورهای زیستی در دستگاههای تلفن همراه را فعال میکند در حالی که زمینه/اطلاعات موقعیتی و در دسترس بودن منابع را مقاطعه مینماید. این رویکرد به طور قابل توجهی طیف وسیعی از برنامه بهداشت و درمان تلفن همراه را افزایش میدهد.
ما در چند جهت در حال گسترش این کار بودهایم. ما در حال حاضر به اتمام پیاده سازی و ارزیابی انطباق ترکیبی با استفاده از خوشهی RA [22] میپردازیم که انطباق از پارامترهای آستانهی شعاع، عامل تصادفی و نمونه برداری از نرخ را با توجه به حافظه، CPU و استفاده از باتری فعال میکند. علاوه بر این، ما در حال کار بر روی آزمایشهای گسترده از نمونه در وضعیت دنیای واقعی هستیم که در رابطه با متخصصان مراقبتهای بهداشتی مربوطه و کارشناسان این حوزه است و به منظور توسعه درک درستی از شرایط پر خطری که برای نظارت بر بیماران وجود دارد بپردازیم و همچنین به شناسایی این موضوع بپردازیمکه چه اطلاعاتی از سنسورهای زیستی مورد نیاز ما است.
این مقاله در سال 2009 در نشریه آی تریپل ای و در کنفرانس بین المللی سالانه هاوایی در علوم سیستم، توسط مرکز سیستم های توزیع شده و مهندسی نرم افزار منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله داده کاوی موبایل برای پشتیبانی هوشمند از مراقبت های بهداشتی در سایت ای ترجمه مراجعه نمایید.