یک معماری محاسبات هوشمند در اینترنت اشیاء پزشکی جهت کاهش تاخیر سیستم نظارت مستمر بیماران کم¬توان حرکتی و بیماران خاص

محورهای موضوعی : مهندسی کامپیوتر و فناوری اطلاعات

رضا  آریانا ¹ (گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
محمدرضا مجمع ² (گروه مهندسی کامپیوتر، واحد پردیس، دانشگاه آزاد اسلامی، پردیس، ایران)
سمیه جعفرعلی جاسبی ³ (گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)

تاریخ دریافت : 1402/08/28 تاریخ پذیرش : 1402/10/17 تاریخ انتشار : 1402/11/19

کلید واژه: تشخیص انجماد راه رفتن (FOG), بیماری پارکینسون (PD),

چکیده مقاله :

فناوری اینترنت اشیاء (IoT) یک رویکرد ساختاریافته برای رسیدگی به جنبه¬های ارائه خدمات مراقبت¬های بهداشتی از نظر سلامت و نظارت از راه¬دور برای بیماران دارای شرایط خاص و بیمار¬های تهدیدکننده زندگی ارائه می¬دهد. اینترنت اشیاء حجم بی¬سابقه ای از داده را تولید می¬کند که می¬تواند با استفاده از محاسبات ابری پردازش شود که به دلیل محدودیت منابع ،تاخیر بسیار زیادی را به دنبال خواهد داشت. اما برای برنامه¬های نظارت بر سلامت از راه دور بی¬درنگ، تأخیر ناشی از انتقال داده¬ها به ابر و بازگشت به برنامه غیرقابل قبول است. در این مقاله نظارت از راه دور سلامت بیمار در خانه¬های هوشمند با استفاده از مفهوم محاسبه مه در دروازه هوشمند پیشنهاد شده است. سیستم تشخیص FOG پیاده‌سازی‌شده تحت محاسبات مه، شامل یک نگاشت خطی و نگاشت موبیوس در ترکیب با منطق فازی برای ایجاد خروجی چند سطحی(MLFM-Map) بود که از وضوح‌های فضایی مختلف در تجزیه و تحلیل داده‌های حرکتی بهره‌برداری می¬کند. رویکرد پیشنهاد شده عملکرد طبقه‌بندی خوب تا عالی را نشان داد، با دقت بیش از 90٪ از قسمت‌های FOG به طور متوسط با تاخیر بسیار کم در مجموعه داده اصلی شناسایی شد.

چکیده انگلیسی:

Internet of Things (IoT) technology offers a structured approach to address aspects of health care delivery in terms of health and remote monitoring for patients with specific conditions and life-threatening diseases. The Internet of Things will generate an unprecedented amount of data that can be processed using cloud computing, which will result in huge delays due to resource limitations. But for real-time remote health monitoring applications, the delay caused by transferring data to the cloud and back to the application is unacceptable. we proposed remote monitoring of patient health in smart homes using the concept of fog computing in smart gateway. The FOG detection system implemented under fog computing consisted of a linear map and a Mobius map in combination with fuzzy logic to create a multi-level output (MLFM-map) that exploits different spatial resolutions in motion data analysis. The model architecture and parameters are designed to provide optimal performance while reducing computational complexity and testing time. The proposed approach showed good to excellent classification performance, with an accuracy of more than 90% of FOG episodes detected on average with very low latency in the original dataset

منابع و مأخذ:

1. Joyia, Gulraiz J., Rao M. Liaqat , Aftab Farooq, and Saad Rehman. "Internet of Medical Things (IOMT): applications, benefits and future challenges in healthcare domain." J Commun 12, no. 4 (2017): 240-247.
2. Dilawar, N., Rizwan, M., Ahmad, F., & Akram, S. (2019). Blockchain: securing internet of medical things (IoMT). International Journal of Advanced Computer Science and Applications, 10(1).
3. A. Elbaz, J. H. Bower, D. M. Maraganore, S. K. McDonnell, B. J. Peterson, J. E. Ahlskog, et al.,Risk tables for parkinsonism and Parkinson's disease. Journal of clinical epidemiology.55:25-31, 2002.
4. Elke Heremans, Alice Nieuwboer, and Sarah Vercruysse. Freezing of gait in parkinson’s disease: Where are we now? Current Neurology and Neuroscience Reports, 13(6):350, Apr 2013.
5. B. T. Cole, S. H. Roy, and S. H. Nawab, Detecting freezing-of-gait during unscripted and unconstrained activity. Engineering in Medicine and Biology Society, EMBC, 2011 Annual International Conference of the IEEE. 5649-5652, 2011.
6. Q.W.Oung, M. Hariharan, H.L.Lee, S.N.Basah, S.Yaacob, M.Sarillee, et al., Objective assessment of Parkinson's disease symptoms severity: A review. Biomedical Engineering (ICoBE), 2015 2nd International Conference on. 1-6, 2015.
7. Q.W.Oung, M.Hariharan, S.N.Basah, S.Yaacob, M.Sarillee, and H.L. Lee, Use of technological tools for Parkinson's disease early detection: A review. Control System, Computing and Engineering (ICCSCE), 2014 IEEE International Conference on. 343-348, 2014.
8. Q.W.Oung, H.Muthusamy, H.L.Lee, S.N.Basah, S. Yaacob, M.Sarillee, et al., Technologies for assessment of motor disorders in Parkinson’s disease: a review.Sensors.15:21710-21745, 2015.
9. Yıldırım, E., Cicioğlu, M., & Çalhan, A. (2023). Fog-cloud architecture-driven Internet of Medical Things framework for healthcare monitoring. Medical & Biological Engineering & Computing, 61(5), 1133-1147.
10. Nimisha Ghosh, Indrajit Banerjee, IoT-based Freezing of Gait detection using, Grey Relational Analysis, Internet of Things (2019), doi: https://doi.org/10.1016/j.iot.2019.100068.
11. Verma, P., & Sood, S. K. (2018). Fog assisted-IoT enabled patient health monitoring in smart homes. IEEE Internet of Things Journal, 5(3), 1789-1796. 12. Pardoel S, Nantel J, Kofman J and Lemaire ED (2022) Prediction of Freezing of Gait in Parkinson’s Disease Using Unilateral and Bilateral Plantar-Pressure Data. Front. Neurol. 13:831063. doi: 10.3389/fneur.2022.831063
13. Iranpak, S., Shahbahrami, A., & Shakeri, H. (2021). Remote patient monitoring and classifying using the internet of things platform combined with cloud computing. Journal of Big Data, 8, 1-22. https://doi.org/10.1186/s40537-021-00507-w.
14. Bandopadhaya S, Dey R, Suhag A, Integrated Healthcare, Monitoring Solutions for Soldier using the Internet of Things with Distributed Computing,Sustainable Computing: Informatics and Systems (2020), doi: https://doi.org/10.1016/j.suscom.2020.100378.
15. Khan, J. S., Tahir, A., Ahmad, J., Shah, S. A., Abbasi, Q. H., Russell, G., & Buchanan, W. (2020, July). 5G-FOG: Freezing of gait identification in multi-class softmax neural network exploiting 5G spectrum. In Science and Information Conference (pp. 26-36). Cham: Springer International Publishing.
16. Abbasi, M., Mohammadi-Pasand, E., & Khosravi, M. R. (2021). Intelligent workload allocation in IoT–Fog–cloud architecture towards mobile edge computing. Computer Communications, 169, 71-80.
17. Oung, Q. W., Basah, S. N., Muthusamy, H., Vijean, V., Lee, H., Khairunizam, W., ... & Ibrahim, Z. (2018, August). Objective evaluation of freezing of gait in patients with Parkinson's Disease through machine learning approaches. In 2018 International Conference on Computational Approach in Smart Systems Design and Applications (ICASSDA) (pp. 1-7). IEEE.
18. Iranpak, S., Shahbahrami, A., & Shakeri, H. (2022). Analyzing IoT big data in healthcare using Deep learning and Distributed Fog Computing.
19. Camps, J., Sama, A., Martin, M., Rodriguez-Martin, D., Perez-Lopez, C., Arostegui, J. M. M., ... & Rodriguez-Molinero, A. (2018). Deep learning for freezing of gait detection in Parkinson’s disease patients in their homes using a waist-worn inertial measurement unit. Knowledge-Based Systems, 139, 119-131.
20. Ashour, A. S., El-Attar, A., Dey, N., Abd El-Naby, M. M., & Abd El-Kader, H. (2018, December). Patient-dependent freezing of gait detection using signals from multi-accelerometer sensors in Parkinson’s disease. In 2018 9th cairo international biomedical engineering conference (CIBEC) (pp. 171-174). IEEE.
21. Li, B., et al. Automatic Detection System for Freezing of Gait in Parkinson's Disease Based on the Clustering Algorithm. in 2018 2nd IEEE Advanced Information Management,Communicates,Electronic and Automation Control Conference (IMCEC). 2018.
22. Mikos, V., et al. A Neural Network Accelerator With Integrated Feature Extraction Processor for a Freezing of Gait Detection System. In 2018 IEEE Asian Solid-State Circuits Conference (A-SSCC).
23. Mohammadian Rad, N., et al., Novelty Detection using Deep Normative Modeling for IMU-Based Abnormal Movement Monitoring in Parkinson's Disease and Autism Spectrum Disorders. Sensors (Basel), (2018).
24. El-Attar, A., et al., Hybrid DWT-FFT Features for Detecting Freezing of Gait in Parkinson's Disease, in Information Technology and Intelligent Transportation Systems. , IOS Press. p117-126.
25. Punin, C., et al., A non-invasive medical device for parkinson’s patients with episodes of freezing of gait. Sensors, 2019.19 (3): p737.
26. Mazzetta, I., et al., Wearable sensors system for an improved analysis of freezing of gait in Parkinson’s disease using electromyography and inertial signals. Sensors, 2019. 19(4): p.948.
27. van den Berg, M. and A. Maeder, Prediction of freezing of gait in patients with Parkinson’s disease using EEG signals. Telehealth for Our Ageing Society: Selected Papers from Global Telehealth ,2017.2018. 246 : p.124.
28. Torvi, V.G., A. Bhattacharya, and S. Chakraborty. Deep domain adaptation to predict freezing of gait in patients with Parkinson's disease. in 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA).2018. IEEE.
29. Novák, V.; Perfilieva, I.; Močkoř, J. (1999). Mathematical principles of fuzzy logic. Dordrecht: Kluwer Academic. ISBN 978-0-7923-8595-0.
30. ^ "Fuzzy Logic". Stanford Encyclopedia of Philosophy. Bryant University. 23 July 2006. Retrieved 30 September 2008.
31. ^ Zadeh, L. A. (June 1965). "Fuzzy sets". Information and Control. San Diego. 8 (3): 338–353. doi:10.1016/S0019-9958(65)90241-X. ISSN 0019-9958. Wikidata Q25938993.
32. ^ Pelletier, Francis Jeffry (2000). "Review of Metamathematics of fuzzy logics" (PDF). The Bulletin of Symbolic Logic. 6 (3): 342–346. doi:10.2307/421060. JSTOR 421060. Archived (PDF) from the original on 3 March 2016.
33. ^ "What is Fuzzy Logic? "Mechanical Engineering Discussion Forum"". mechanicalsite.com. Archived from the original on 11 November 2018. Retrieved 11 November 2018.
34. ^ Babuška, Robert (1998). Fuzzy Modeling for Control. Springer Science & Business Media. ISBN 978-94-011-4868-9.
35. Mamdani, E. H. (1974). "Application of fuzzy algorithms for control of simple dynamic plant". Proceedings of the Institution of Electrical Engineers. 121 (12): 1585–1588. doi:10.1049/PIEE.1974.0328.
36. Takagi, Tomohiro; Sugeno, Michio (January 1985). "Fuzzy identification of systems and its applications to modeling and control". IEEE Transactions on Systems, Man, and Cybernetics. SMC-15 (1): 116–132. doi:10.1109/TSMC.1985.6313399. S2CID 3333100.
37. S. Mirjalili, A.H. Gandomi, S.Z. Mirjalili, S. Saremi, H. Faris, S.M. Mirjalili, Salp swarm algorithm: a bio-inspired optimizer for engineering design problems, Adv. 38. M. Mirrashid and H. Naderpour, “Transit search: An optimization algorithm based on exoplanet exploration,” Results Control Optim., vol. 7, p. 100127, Jun. 2022, doi: 10.1016/j.rico.2022.100127.
M. Bachlin, M. Plotnik, D. Roggen, I. Maidan, J. M. Hausdorff, N. Giladi, and G. Troster. Wearable assistant for parkinson’s disease patients with the freezing of gait symptom. IEEE Transactions on Information Technology in Biomedicine, 14(2):436–446, March 2010.

متن کامل:



 

یک معماری محاسبات هوشمند در اینترنت اشیاء پزشکی جهت کاهش تاخیر سیستم نظارت مستمر بیماران کم­توان حرکتی و بیماران خاص

رضا آریانا1 ، محمدرضا مجمع2*، سمیه جعفرعلی جاسبی3

1- گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

[e-mail]

2- گروه مهندسی کامپیوتر، واحد پردیس، دانشگاه آزاد اسلامی، پردیس، ایران

[e-mail]

3- گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

 [e-mail]

چکیده: فناوری اینترنت اشیاء (IoT) یک رویکرد ساختاریافته برای رسیدگی به جنبه­های ارائه خدمات مراقبت­های بهداشتی از نظر سلامت و نظارت از راه­دور برای بیماران دارای شرایط خاص و بیمار­های تهدیدکننده زندگی ارائه می­دهد. اینترنت اشیاء حجم بی­سابقه ای از داده را تولید می­کند که می­تواند با استفاده از محاسبات ابری پردازش شود که به دلیل محدودیت منابع ،تاخیر بسیار زیادی را به دنبال خواهد داشت. اما برای برنامه­های نظارت بر سلامت از راه دور بی­درنگ، تأخیر ناشی از انتقال داده­ها به ابر و بازگشت به برنامه غیرقابل قبول است. در این مقاله نظارت از راه دور سلامت بیمار در خانه­های هوشمند با استفاده از مفهوم محاسبه مه در دروازه هوشمند پیشنهاد شده است. سیستم تشخیص FOG پیاده‌سازی‌شده تحت محاسبات مه، شامل یک نگاشت خطی و نگاشت موبیوس در ترکیب با منطق فازی برای ایجاد خروجی چند سطحی(MLFM-Map) بود که از وضوح‌های فضایی مختلف در تجزیه و تحلیل داده‌های حرکتی بهره‌برداری می­کند. رویکرد پیشنهاد شده عملکرد طبقه‌بندی خوب تا عالی را نشان داد، با دقت بیش از 90٪ از قسمت‌های FOG به طور متوسط با تاخیر بسیار کم در مجموعه داده اصلی شناسایی شد.

واژه های کلیدی: تشخیص انجماد راه رفتن (FOG)، بیماری پارکینسون (PD)

An intelligent computing architecture in the Internet of Medical Things to reduce the delay of the continuous monitoring system of patients with low mobility and special patients

Reza ariana1, mohamadreza majma2*, somayyeh jafarali jassbi3

1 Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran

[e-mail]

2 Department of Computer Engineering, Pardis Branch, Islamic Azad University, Pardis, Iran

[e-mail]

3 Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran

[e-mail]

Abstract: 

Internet of Things (IoT) technology offers a structured approach to address aspects of health care delivery in terms of health and remote monitoring for patients with specific conditions and life-threatening diseases. The Internet of Things will generate an unprecedented amount of data that can be processed using cloud computing, which will result in huge delays due to resource limitations. But for real-time remote health monitoring applications, the delay caused by transferring data to the cloud and back to the application is unacceptable. we proposed remote monitoring of patient health in smart homes using the concept of fog computing in smart gateway. The FOG detection system implemented under fog computing consisted of a linear map and a Mobius map in combination with fuzzy logic to create a multi-level output (MLFM-map) that exploits different spatial resolutions in motion data analysis. The model architecture and parameters are designed to provide optimal performance while reducing computational complexity and testing time. The proposed approach showed good to excellent classification performance, with an accuracy of more than 90% of FOG episodes detected on average with very low latency in the original dataset

Keywords: Detection of freezing of gait (FOG), Parkinson's disease (PD)

DOI: 00.00000/0000		نوع مقاله: پژوهشی
تاریخ چاپ مقاله:  27/9/1402	تاریخ پذیرش مقاله:  23/08/1402	تاریخ ارسال مقاله: 28/06/1402

 

 

 

1-        مقدمه

اینترنت اشیاء پزشکی¹ سیستمی از دستگاه­های به هم پیوسته، یک ماشین دیجیتال با یک شیء واقعی و یک دستگاه مکانیکی است که مجهز به UID است و قادر است داده­ها را از مکانی به مکان دیگر بدون دخالت انسان منتقل کند. اینترنت اشیاء پزشکی همانطور که در [1] تعریف شده، گروهی از لوازم پزشکی است که با کمک Gateway به یک شبکه متصل می شوند. اینترنت اشیاء پزشکی قدرت تولید برنامه­های کاربردی بسیاری مانند سیستم نظارت از راه دور سلامت، سیستم مراقبت از بیمار، برنامه تناسب اندام و سیستم مراقبت از سالمندان را دارد. استفاده از اینترنت اشیاء پزشکی، پتانسیل خود را در مدیریت مراقبت از بیمار با کاهش هزینه نیروی انسانی و کاهش زمان معالجه، نشان داده است. بعلاوه، سیستم زمانبندی کارآمد را برای دسترسی بیمار به تجهیزات معالجه فراهم می­کند. مطالعات اخیر بیان کرده­اند که با افزایش سن جمعیت، شیوع بیماری­های عصبی به­طور تصاعدی در حال افزایش است. استفاده از فناوری‌های اینترنت اشیاء برای خانه‌های هوشمند در سال‌های اخیر رواج یافته است و یکی از زمینه­های اصلی کمک به افراد معلول و سالمندان است. بیماری پارکینسون² (PD) یکی از بیماری­های مزمن پیشرونده عصبی است که با اختلالات حرکتی ارتباط دارد. بر اساس آمار سازمان بهداشت جهانی³، جهان در حال حاضر هفت تا ده میلیون بیمار مبتلا به پارکینسون⁴ را تخمین زده است [3]؛ که موارد زیادی از بیماری پارکینسون پیشرفته در میان افراد مسن گزارش شده است. یخ زدن راه رفتن (FOG)⁵ یک علامت حرکتی ناتوان­کننده شایع در بیماران مبتلا به بیماری پارکینسون است [4]. یخ زدن راه رفتن یک اتفاق اپیزودیک است که بر راه رفتن تأثیر می­گذارد و باعث عدم انجام یا ادامه راه رفتن می­شود و اغلب با بی­حرکتی غیر منتظره یا لرزش پاها همراه است. [5-8]. 

یخ زدن راه رفتن با افتادن، آسیب دیدگی و کاهش تحرک کلی مرتبط است. دستگاه‌های مبتنی بر حسگر پوشیدنی می‌توانند یخ‌های در حال انجام را تشخیص دهند و نشانه‌ای برای کمک به فرد برای از سرگیری راه رفتن ارائه دهند. اگرچه این مفید است، اما پیش‌بینی اپیزودهای FOG قبل از شروع و ارائه یک نشانه به موقع ممکن است از وقوع یخ زدگی جلوگیری کند. سنسورهای پوشیدنی نصب­شده بر روی قسمت­های مختلف بدن برای توسعه سیستم­های پیش­بینی مه استفاده شده است. با ظهور فناوری‌هایی مانند رایانش ابری، اینترنت اشیاء و 5G، می‌توان اطلاعات را سریع‌تر و ایمن‌تر رد و بدل کرد. اینترنت اشیاء فرصت های زیادی را در زمینه سلامت الکترونیک ارائه می­دهد.

اکثر بیماری­های افراد نیاز به فناوری‌های جدید، مانند اینترنت اشیاء پزشکی، شبکه‌های بی‌سیم ناحیه­ی بدن⁶ (WBAN) و محاسبات ابری را در بخش بهداشت و در بسیاری از زمینه‌ها افزایش داده است. این فناوری­ها همچنین امکان اتصال میلیاردها دستگاه را به اینترنت و ارتباط با یکدیگر فراهم کرده است. در [9]، یک چارچوب اینترنت اشیاء پزشکی  متشکل از شبکه‌های بی‌سیم ناحیه بدن (WBAN) طراحی شده است و داده‌های بزرگ سلامت از WBAN‌ها با استفاده از فناوری‌های مه و محاسبات ابری مورد تجزیه و تحلیل قرار گرفته‌اند. محاسبات مه برای تجزیه و تحلیل سریع و آسان و رایانش ابری برای تجزیه و تحلیل زمان­بر و پیچیده استفاده می­شود. چارچوب پیشنهادی اینترنت اشیاء پزشکی با یک سناریوی پیش‌بینی دیابت ارائه شده است. فرآیند پیش‌بینی دیابت بر روی مه با تصمیم‌گیری منطق فازی انجام می‌شود و بر روی ابر با ماشین بردار پشتیبانی⁷ (SVM)، جنگل تصادفی⁸ (RF) و شبکه عصبی مصنوعی⁹ (ANN) به عنوان الگوریتم‌های یادگیری ماشین به دست می‌آید. مجموعه داده تولید شده در WBAN­ها برای تحلیل داده های بزرگ در سناریو برای منطق فازی و الگوریتم یادگیری ماشین استفاده می­شود. منطق فازی عملکرد دقت 0/64% را در مه و SVM، RF و ANN به ترتیب 5/89%، 4/88% و 2/67% عملکرد دقت در ابر برای پیش‌بینی دیابت دارند. علاوه بر این، نتایج خروجی و تاخیر گره‌های ناهمگن با اولویت‌های مختلف در سناریوی WBAN ایجاد شده با استفاده از استاندارد IEEE 802.15.6 و پروتکل مسیریابی AODV نیز مورد تجزیه و تحلیل قرار گرفته‌اند.

در [10]، یک روش تشخیص FOG بر اساس تجزیه و تحلیل رابطه خاکستری پیشنهاد شده که از خوانش‌های حسگرها برای پیش‌بینی وجود یا عدم وجود انجماد در بیمار استفاده می‌کند. علاوه بر این، یک رویکرد یادگیری گروهی که از تحلیل رابطه خاکستری به عنوان مدل طبقه‌بندی پایه استفاده می‌کند نیز برای تشخیص FOG نشان داده شده است. نتایج شبیه‌سازی نشان می‌دهد که روش‌های پیشنهادی در مقایسه با سایر روش‌های یادگیری ماشین موجود، دقت بهتری دارند. مدل پیشنهادی در [11] از روش­ها و خدمات پیشرفته مانند داده کاوی تعبیه شده، ذخیره سازی توزیع شده و خدمات اطلاع رسانی در لبه شبکه استفاده می­کند. روش انتقال داده مبتنی بر رویداد برای پردازش داده‌های بلادرنگ بیمار در لایه مه اتخاذ شده است. نتایج نشان می‌دهد که مدل مبتنی بر طبقه‌بندی‌کننده BBN پیشنهادی در مقایسه با سایر الگوریتم‌های طبقه‌بندی، دقت و زمان پاسخ بالایی در تعیین وضعیت یک رویداد دارد. علاوه بر این، تصمیم گیری بر اساس داده­های مراقبت­های بهداشتی در زمان واقعی، کاربرد سیستم پیشنهادی را بیشتر افزایش می­دهد. در [12]، مدل LAS عملکرد پیش‌بینی مه مشابه با مدل دوطرفه به قیمت مقادیر مثبت کاذب کمی دارد. با توجه به مزایای سیستم­های تک سنسور، افزایش نرخ مثبت کاذب ممکن است برای افراد مبتلا به PD قابل قبول باشد. بنابراین، یک سنسور فشار کف پایی منفرد که روی LAS قرار می‌گیرد می‌تواند برای توسعه یک سیستم پیش‌بینی مه و تولید عملکردی مشابه یک سیستم دوطرفه استفاده شود.

استفاده از محاسبات ابری و اینترنت اشیاء در این فرآیند می­تواند نظارت بر بیماران را به میزان قابل توجهی بهبود بخشد. در [13] از یک سیستم اولویت‌بندی برای اولویت‌بندی اطلاعات حساس در اینترنت اشیاء ء استفاده شده و در محاسبات ابری از شبکه عصبی عمیق LSTM برای طبقه‌بندی و نظارت بر وضعیت بیماران از راه دور استفاده می‌شود. یک راه حل یکپارچه نظارت بر مراقبت­های بهداشتی برای سربازانی که در شرایط نامطلوب محیطی مستقر شده­اند، با استفاده از اینترنت اشیاء  با محاسبات توزیع شده در [14] پیشنهاد شده است. برای این سربازان، پارامترهای سلامتی هر فرد باید به صورت بلادرنگ پایش شود و تجزیه و تحلیل بعدی مجموعه داده­ها برای شروع حمایت پزشکی مناسب با کمترین تاخیر ممکن انجام شود. در [15] بهره برداری از طیف 5G ارائه می­شود که در فرکانس 8/4 گیگاهرتز (یک باند فرکانس بالقوه چینی برای اینترنت اشیاء ) کار می­کند تا اپیزودهای انجماد تجربه شده توسط بیماران PD را شناسایی کند. ایده اصلی استفاده از دستگاه­های بی سیم مانند کارت رابط شبکه (NIC)، ژنراتور سیگنال فرکانس رادیویی (RF) و آنتن­های دوقطبی برای استخراج ویژگی کانال بی سیم حاوی اطلاعات دامنه واریانس است که می­تواند در سیستم ارتباطی 5G ادغام شود.

مقاله [16] تلاشی برای اصلاح مدل انرژی دستگاه­های مه در لبه شبکه با استفاده از مفهوم انرژی سبز و کاهش تاخیر و مصرف انرژی در چارچوب‌های چند حسی در سیستم‌های اینترنت اشیاء پزشکی ایمن است. در روش پیشنهادی، یک الگوریتم ژنتیک (GA) برای رسیدگی به تعداد زیادی درخواست و محدودیت‌های کیفیت و امنیت مربوطه استفاده می‌شود. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی می‌تواند به طور همزمان تاخیر و توان مصرفی دستگاه‌های لبه را در مقایسه با یک استراتژی پایه کاهش دهد. در [17]، ابتدا سعی شده روش‌های استخراج و استنتاج ویژگی قوی فعلی را تطبیق داده و گسترش دهد تا ویژگی‌های اضافی در مقایسه با ویژگی‌های موجود در حال حاضر لحاظ شود. سپس با اعمال انتخاب ویژگی با هدف به دست آوردن حداکثر نتایج تشخیص با استفاده از مجموعه داده DAPHNet موجود، یک قدم جلوتر می‌رود. این مجموعه داده با استفاده از یک سیستم کمکی سلامت پوشیدنی که از شتاب‌سنج 3 محوری برای اندازه‌گیری حرکت بیمار تشکیل شده است، جمع‌آوری شد. نتایج نشان داد که روش‌های یادگیری ماشین پیشنهادی توانایی تشخیص FOG با حداکثر میانگین دقت، حساسیت، ویژگی و ناحیه زیر منحنی (AUC) تقریباً 99 درصد را دارد. با هدف بهبود دقت طبقه‌بندی داده‌ها با پیاده‌سازی رویکردهای ترکیبی انتخاب ویژگی (FS) و یادگیری عمیق (DL) در زیرساخت محاسبات مه، در حالی که زمان پاسخ (RT) و استفاده از پهنای باند را کاهش می‌دهد، در [18] بیان شده است. همچنین، هدف اصلی تجزیه و تحلیل و طبقه‌بندی حالات بیماران از راه دور از طریق فناوری‌های IOT، رایانش ابری و محاسبات مه است. زمان پردازش اطلاعات با اجرای بهینه‌سازی ازدحام ذرات (PSO) و الگوریتم رقابتی امپریالیستی (ICA) در محاسبات مه برای انتخاب ویژگی‌های برجسته کاهش می‌یابد، و دقت طبقه‌بندی از طریق طبقه‌بندی داده‌های جدید توسط یک مدل شبکه عصبی عمیق (DNN) بهبود می‌یابد. نتایج شبیه سازی نشان می دهد که دقت طبقه بندی و مانیتورینگ از راه دور بیماران 54/98 درصد است که بدون استفاده از الگوریتم PSO-ICA حدود 5/4 درصد بهتر است و همچنین به طور متوسط حدود 10 درصد نسبت به سایر روش ها، مانند رگرسیون خطی LR)، (K نزدیکترین همسایگان (KNN)، شبکه عصبی (NN) و شبکه باور بیزی (BBN)، بهبود یافته است.

مقاله [19]، یک روش یادگیری عمیق را برای تشخیص اپیزودهایFOG  در بیماران PD پیشنهاد می­کند. این مدل با استفاده از یک استراتژی جدید نمایش داده­های طیفی آموزش داده شده که اطلاعات را از هر دو پنجره سیگنال قبلی و فعلی در نظر می­گیرد. مدل یادگیری عمیق، 90٪ برای میانگین هندسی بین حساسیت و ویژگی به دست آورد، در حالی که روش های پیشرفته نتوانستند از 83٪ برای همان متریک پیشی بگیرند. در [20]، انتخاب مکان سنسورهای شتاب، که حرکت بیمار را برای نظارت بر بیمار PD اندازه‌گیری می‌کند، با استفاده از چندین قسمت برای توسعه یک مدل وابسته به بیمار برای تشخیص FOG معرفی شد. طبقه­بندی پیشنهادی با استفاده از تشخیص مه براساس ماشین بردار پشتیبان خطی به ویژگی­های رتبه بندی شده با استفاده از روش انتخاب ویژگی نامحدود (IFS) برای تمایز بین رویدادهای انجماد و بدون انجماد اعمال شد.

تشخیص FOG را می­توان به عنوان یک مشکل طبقه­بندی در نظر گرفت. یک مشکل طبقه‌بندی مشخص می‌کند که مشاهدات جدید بر اساس مجموعه آموزشی داده‌ها به کدام یک از دسته‌بندی‌ها تعلق دارند. برای این منظور، طبقه‌بندی‌کننده‌های مختلفی شناسایی شده‌اند که از تجزیه و تحلیل آماری برای نتیجه‌گیری در مورد یک مشاهده استفاده می‌کنند. بنابراین، یک ایده اولیه در مورد داده­ها برای آموزش نمونه­های مشاهده مورد نیاز است. از سویی دیگر، روزانه مقادیر بالایی از داده­های بیمار و مراقبت­های بهداشتی در اینترنت اشیاء پزشکی تولید می­شود. زمان پردازش و تجزیه و تحلیل کلان داده­های دریافتی از دستگاه­های حسگر در لبه و همچنین ارائه دقت لازم برای طبقه­بندی داده­ها از مهم‌ترین چالش‌های اینترنت اشیاء پزشکی محسوب می­شود. برای کاهش این کاستی‌های روش‌های موجود، این مقاله یک مدل تصمیم‌گیری مبتنی بر نگاشت­های تحلیلی ساده ترکیبی با منطق فازی و آموزش آنها با کمک الگوریتم­های فراابتکاری، برای طبقه‌بندی یک مجموعه داده دافنت جهت تشخیص FOG پیشنهاد می‌کند. معماری سیستم تشخیص پیشنهاد شده به منظور کاهش پیچیدگی­های سیستم تشخیص و انجام عملیات زمان واقعی تحت معماری اینترنت اشیاء پزشکی معرفی شده­است. این مدل تصمیم‌گیری با یک رویکرد یادگیری مبتنی بر الگوریتم­های فراابتکاری در ترکیب منطق فازی ضمن افزایش سرعت یادگیری برای یک مجموعه داده بزرگ، دقت آموزش را هم بالا برده است. سیستم ارائه شده بعد از آموزش تنها یک نگاشت خطی یا نگاشت کسری موبیوس می­باشد که در هر لحظه از زمان با کمترین پیچیدگی در سطح محاسبات مه قابل برنامه­ریزی و مدلسازی است. این عمل به کاهش تاخیر برای محاسبات تشخیص FOG کمک فراوانی خواهد کرد. این روش، چندین ویژگی عملکرد را جمع­آوری می­کند تا به یک تصمیم کمی برسد، بنابراین بر معایب روش­های موجود که به طور کلی نیاز به تجزیه و تحلیل آماری دقیق دارند، غلبه می کند.

سهم‌های اصلی این کار به شرح ذیل می باشد:

·       طراحی یک معماری هوشمند با کمترین پیچیدگی برای دستیابی به یک سیستم تشخیص یخ‌زدگی در راه رفتن FOG برای بیماران پارکینسون PD در زمان واقعی.

·       بهبود عملکرد سیستم آموزش مدل پیشنهادی برای افزایش دقت طبقه­بندی با کمک الگوریتم­های Fuzzy-ISSA و TSO با توجه به تعداد بسیار زیاد اطلاعات آموزش.

·       استفاده از منطق فازی نوع تاکاگی سوگنو برای ایجاد یک خروجی چند سطحی برای سیستم تشخیص FOG جهت کلاسه­بندی سیستم برای داده­های مختلف.

·       بهره­گیری از نگاشت­های ساده خطی و موبیوس برای بهبود عمکرد طبقه­بندی.

·       بهبود عملکرد الگوریتم SSA با کمک یک سیستم منطق فازی نوع ممدانی.

2-       مفاهیم

در این قسمت به معرفی مفاهیم اصلاح شده از روش‌ها و الگوریتم­های به کار رفته در این کار، می­پردازیم.

 

1-2- نگاشت­ها

تابع  را می­توان به عنوان یک تبدیل در نظرگرفت که هر نقطه از صفحه  ( صفحه  و ) را به نقطه­ای از صفحه  (صفحه  و  v) تبدیل می­کند. چنین تبدیلی را نگاشت می­خوانیم. قبل از معرفی نگاشت­های مورد استفاده در این مطالعه، تعاریفی را ارائه می­کنیم:

·       نقاط ثابت نگاشت: نقاطی که بعد از نگاشت تغییری در آنها ایجاد نمی­شود را نقاط ثابت نگاشت می­خوانند و اگر تابع نگاشت به صورت w تعریف شود برای به دست آوردن نقاط ثابت نگاشت باید معادله­  را حل کنیم.

·       نگاشت همدیس: نگاشت  را در نقطه   همدیس گویند اگر هر زاویه با رأس  بدون تغییر منتقل شود. یعنی اندازه و جهت آن عوض نشود.

·       قضیه: اگر تابع  در نقطه  تحلیلی باشد و  در این نقطه مخالف صفر باشد نگاشت  در نقطه همدیس خواهد بود.

1-1-2- نگاشت خطی

این نگاشت با تبدیل  بیان می­شود که در آن  و  اعداد حقیقی دلخواهی هستند. این تابع تام است و اگر  غیرصفر باشد. این نگاشت همه جا همدیس خواهد بود.

2-1-2- نگاشت خطی کسری یا نگاشت موبیوس

نگاشت موبیوس  به نام نگاشت دوخطی نیز خوانده می­شود. برای نگاشت موبیوس فرض می­شود  است چرا که اگر باشد، نگاشت تبدیل به یک نگاشت خطی خواهد شد. همچنین فرض دیگری نیز بر این نگاشت حاکم است: جهت اینکه تابع، تبدیل به یک ثابت عددی نشود  در نظر گرفته می­شود. مشتق این نگاشت  می­باشد. این نگاشت همه جا به ­غیر ­از  همدیس می­باشد. نگاشت موبیوس حاصل ترکیب نگاشت خطی، نگاشت معکوس و یک نگاشت خطی دیگر می­باشد. این نگاشت خط و یا دایره را بدون رعایت ترتیب به خط و یا دایره تبدیل می­کند.

2-2- سیستم منطق فازی

منطق فازی شکلی از منطق چند ارزشی است که در آن مقدار درستی متغیرها ممکن است هر عدد واقعی بین 0 و 1 باشد. از این منطق برای مدیریت مفهوم درستی جزئی استفاده می­شود، که مقدار درستی ممکن است بین کاملاً درست و کاملاً نادرست باشد [29]. در منطق بولی، مقادیر درستی متغیرها ممکن است فقط مقادیر صحیح 0 یا 1 باشد. اصطلاح منطق فازی با پیشنهاد نظریه مجموعه­های فازی در سال 1965 توسط لطفی­زاده معرفی شد [30-31]. با این حال، منطق فازی از دهه 1920 به عنوان منطق بی­نهایت ارزش به ویژه توسط تارسکای و تاکاسیویس¹⁰ مورد مطالعه قرار گرفته بود [32]. منطق فازی مبتنی بر مشاهده است که افراد بر اساس اطلاعات غیردقیق و غیرعددی تصمیم می­گیرند. مدل‌های فازی یا مجموعه‌های فازی، ابزارهای ریاضی برای نمایش اطلاعات مبهم و نادقیق هستند. از این رو اصطلاح فازی به­کار برده می‌شود. این مدل­ها قابلیت تشخیص، بازنمایی، دستکاری، تفسیر و استفاده از داده­ها و اطلاعات مبهم و فاقد قطعیت را دارند [33-34].

1-2-2- ممدانی

نظام قاعده محور ممدانی از قوانین زیر استفاده می کند [35]:

·       فازی­سازی: فازی کردن تمام مقادیر ورودی در توابع عضویت فازی.

·       قانون فازی: برای محاسبه توابع خروجی فازی، تمام قوانین قابل اجرا در پایگاه قوانین اجرا می­شود.

·       دفازی­سازی: توابع خروجی فازی را غیرفازی کنید تا مقادیر خروجی واضح به دست آورید.

2-2-2- تاکاگی – سوگنو – کانگ (TSK)

سیستم TSK [36] مشابه ممدانی است، اما فرآیند فازی­سازی در اجرای قوانین فازی گنجانده شده است. اینها همچنین به گونه­ای تطبیق داده شده­اند، که در عوض نتیجه قاعده از طریق یک تابع چند جمله­ای (معمولاً ثابت یا خطی) نشان داده می­شود. یک مثال از یک قانون با خروجی ثابت می­تواند به صورت زیر باشد: اگر دما خیلی سرد است یعنی در این حالت، خروجی برابر با ثابت نتیجه (مثلاً 2) خواهد بود. در اکثر سناریوها، ما یک پایه قانون کامل، با دو یا چند قانون خواهیم داشت. در این صورت، خروجی کل پایه قانون، میانگین نتیجه هر قانون  () خواهد بود که بر اساس مقدار عضویت پیشین آن () وزن داده می­شود و با  تعریف می­شود.

3-2- الگوریتم ازدحام  SALP (SSA)

الگوریتم ازدحام سالپ¹¹ (SSA) را می­توان به عنوان یک الگوریتم الهام گرفته از زیست شناسی عملی طبقه­بندی کرد، که توسط میرجلیلی ابداع شده است [37]. اساس توسعه الگوریتم از جهت­یابی و جستجوی سالپ در اقیانوس­ها است. دو گروه در SSA انجام می­شود که می­توان آنها را به عنوان رهبر و پیروان تعریف کرد. نامزد حل بر اساس موقعیت سالپ­ها در جهت­یابی و جستجوی غذا است، معمولا برای بهینه­سازی مسئله به عنوان ماتریس دو بعدی به نام در نظر گرفته می­شود. بهترین راه حل فعلی منبع غذایی،  نامیده می­شود و موقعیت رهبر سالپ­ها،  بر اساس عبارات زیر به روز می شود:

که در آن ، ، ،  و  کران بالایی و پایینی فضای جستجو و پارامترها به تعداد تصادفی یکنواخت بین 0 و 1 هستند، که در SSA جاسازی شده‌اند. پارامتر  بر اساس [37] محاسبه می­شود:

(1)

که در آن  تکرار جاری و  حداکثر تکرارهایی است که باید تنظیم شوند. برای موقعیت هر فالوور سالپ­ها به صورت زیر محاسبه می شود:

(2)

4-2- بهبود الگوریتم ازدحام سالپ با منطق فازی (Fuzzy-ISSA)

در SSA، پیروان سالپ توسط رهبر هدایت می‌شوند تا نتیجه بهینه را بر اساس ناحیه راه‌حل امکان‌پذیر جستجو کنند. در این حالت با تفاوت بین کران بالا و پایین متغیرهای کنترل شناسایی‌شده محاسبه می‌شود. در حل مسائل بهینه­سازی، تعادل بین اکتشاف و بهره­برداری باید از (3) تعیین شود. می‌توان مشاهده کرد که توانایی اکتشاف SSA محدود است. به منظور افزایش قابلیت‌های اکتشاف بهره‌برداری از SSA اصلی، از یک مدل بهبود یافته فازی استفاده خواهد شد. اولین نسخه پیشرفته در (4) انجام شده ، که در آن تنظیمات مرز پایین حذف می­شود تا ظرفیت فرآیند برای استفاده از منابع بهبود یابد، که به صورت زیر بیان می شود:

(3)

به منظور افزایش قابلیت اکتشاف SSA اصلی، بهبود دیگر اجرا شده که در آن بیان، پیروان در (3) به (5) که در آن سیستم فازی fuzzySSA نوع ممدانی به عنوان تابع میانگین­گیر فازی در محدوده [0، 1] طبق سیستم فازی تعریف شده محاسبه می­شود:

(4)

مبنای تعریف قوانین فازی بر اساس ارائه یک مدل میانگین فازی از دو مقدار قبلی می­باشد. ورود سیستم فازی بعد از نرمال­سازی محاسبه و اعمال می­شود. در شکل (1) نمای کلی سیستم فازی به همراه توابع عضویت ورودی و خروجی به همراه مشخصه ورودی و خروجی آورده شده است. در جدول (1) هم قوانین فازی اشاره شده است.

جدول (1): قوانین حاکم بر سیستم منطق فازی

(5)

X1	X2	Output
Low	Low	L
Low	Mid	LM
Low	High	M
Mid	Low	LM
Mid	Mid	M
Mid	High	MH
High	Low	M
High	Mid	MH
High	High	H

الف

ب

ج

شکل (1): الف- نمای سیستم منطق فازی ممدانی. ب- نمایش توابع عضویت ورودی و خروجی. ج- مشخصه ورودی و خروجی سیستم میانگین گیری فازی.

 

شکل (2) نمای بلوک دیاگرام طرح پیشنهادی.

 

شکل (3): نمایش تاثیر نگاشت های موفق برای طبقه بندی اطلاعات

5-2- الگوریتم بهینه­سازی جستجوی سیاره TSO

در [38] یک الگوریتم بهینه‌سازی فرااکتشافی جدید با الهام از اخترفیزیک، یعنی جستجوی ترانزیت سیاره­یاب (TS) بر اساس یک روش معروف اکتشاف سیاره فراخورشیدی پیشنهاد شده ‌است. بیش از 3800 سیاره با استفاده از روش گذر توسط پایگاه­داده تلسکوپ­های فضایی شناسایی شده است. ترانزیت روشی است که پتانسیل بیشتری نسبت به دومین روش موفق شناخته شده (سرعت شعاعی) با 915 سیاره کشف شده تا مارس 2022 نشان داده است. تشخیص سیارات به دلیل ابعاد کوچک آنها در مقیاس کیهان دشوار است. با توجه به کارایی بالای روش ترانزیت در اخترفیزیک و قابلیت­های آن، برای تدوین روش بهینه­سازی در این تحقیق استفاده شده است. در الگوریتم ترانزیت، با مطالعه نور دریافتی از ستارگان در فواصل زمانی معین، تغییرات درخشندگی بررسی می­شود و اگر کاهشی در مقدار نور دریافتی مشاهده شود، نشان دهنده عبور سیاره­ای از جبهه ستاره است.

3-       روش پیشنهادی

در میان علائم حرکتی بیماری پارکینسون، یخ زدن در هنگام راه رفتن (FOG) ممکن است ناتوان کننده­ترین نوع بیماری باشد. دوره­های مه ممکن است منجر به زمین خوردن و کاهش کیفیت زندگی بیماران شود. ارزیابی دقیق FOG اطلاعات عینی را در مورد وضعیت بیمار و ویژگی‌های علائم در اختیار متخصصان مغز و اعصاب قرار می‌دهد، در حالی که می‌تواند پشتیبانی غیردارویی را بر اساس نشانه‌های ریتمیک فعال کند. سنسورهای پوشیدنی وسیله­ای ارزشمند برای تشخیص FOG در محیط خانه هستند. علاوه بر این، بازخورد بلادرنگ ثابت کرده است که به کاهش مدت زمان قسمت‌های FOG کمک می‌کند. این کار یک الگوریتم تشخیص FOG بی‌درنگ قوی را پیشنهاد می‌کند، که اجرای آن در دستگاه‌های مستقلی که در شرایط بدون نظارت کار می‌کنند آسان است. با توجه به حجم بسیار بالای اطلاعاتی که در این راستا برای پردازش جهت تشخیص FOG در هر لحظه ارسال می­شود، می­تواند از چالش­های پیش رو برای ارائه یک معماری در شبکه IOMT باشد. بنابراین، این کار به دنبال ارائه یک سیستم طبقه بندی هوشمند و با پیچیدگی­های بسیار کم برای تشخیص FOG برای افراد مختلف است، تا بتواند با کمترین تاخیر رخداد یخ زدگی را به بیمار پارکینسون هشدار دهد تا در اسرع وقت بیمار را از افتادن ناگهانی نجات دهد. بر این اساس، طراحی یک مدل زمان واقعی از اهداف این روش پیشنهادی می­باشد. شکل (2) نمای بلوک دیاگرام طرح پیشنهادی بر اساس یادگیری با الگوریتم­های فراابتکاری نمایش داده شده است. در ادامه روش­های به کار رفته در این مقاله تشریح شده است.

1-3- نگاشت اطلاعاتی

مجموعه داده­های بزرگ ممکن است حاوی داده­های اضافی باشد. روش­های انتخاب متغیر که بیشترین متغیرهای مرتبط را در مجموعه داده انتخاب می­کنند، تعامل بین متغیرها را در نظر نمی­گیرند. روش‌های نگاشت داده برای انتقال داده‌های اصلی به یک بعد جدید و گرفتن مهم‌ترین اطلاعات در مجموعه داده استفاده می‌شود. این جابجایی اطلاعات نیاز حیاتی به روش‌های استاندارد شده برای بهبود دقت و تکرارپذیری نتایج را برجسته می‌کند. نگاشت داده‌های موبیوس می‌تواند برخی از چالش‌های ذکر شده را کاهش دهد، اما استفاده از آنها در وظایف یادگیری ماشین تا حد زیادی ناشناخته مانده است. هدف ما استفاده حداکثری از تاثیر نگاشت‌های داده‌های مختلف بر دقت، تعمیم‌پذیری و انتخاب ویژگی با استفاده از تجزیه و تحلیل با استفاده از بیش از 150000 نمونه از مجموعه داده حرکت افراد تحت اطلاعات 10 نفر در دافنت خواهد بود. یافته‌های ما امکان تمایز بین حالتهای رخداد FOG در بیمار پارکینسون را با استفاده از داده‌های آموزشی با حداقل پیچیدگی موجود تحت شبکه IOMT نشان می‌دهد. به طور قابل توجهی، تعیین ضرایب نگاشت موبیوس برای مجموعه داده مورد مطالعه برای طبقه‌بندی دقیق بسیار مهم است.

نکته مهم در مساله پردازش­های اطلاعات دسته­بندی و خوشه­بندی مجموعه داده­ها در کنار یکدیگر می­باشد. بر این اساس رویکرد نگاشت همدیس برای اطلاعات به طبقه­بندی و مرزبندی بهتر اطلاعات می­رسد. شکل (3) به معرفی این تاثیر برای جابجایی اطلاعات می­پردازد. با این کار می­توانیم بیشترین انحراف اطلاعاتی را برای بهبود طبقه­بندی داشته باشیم. همان طور که در شکل (3) مشاهده می­شود، با جابجایی الگوهای ورودی در جهت یک اصلاح طبقه­بندی قابل قبول می­توان به سیستم­های یادگیری ماشین کمک کرد تا سیستم با دقت بالاتر طبقه­بندی را انجام دهد و داده­های ناهنجار را به سمت داده­های هنجار جابجا کند. البته با کمک یک انتقال در فضای دو بعدی مطابق شکل می­توان به یک چارچوب بهینه رسید که در آن تعداد خطاهای داده­های طبقه بندی را کاهش داد. حال بایستی بدانیم در این کار برای یک نگاشت خطی یا موبیوس پیشنهادی از چه پارامترهایی استفاده خواهد شد. برای محاسبه این پارامترها از الگوریتم های فراابتکاری استفاده شده است. سه الگوریتم در این کار استفاده شده است که در ادامه بررسی می­شود.

2-3- آموزش و تعیین ضرایب نگاشت موبیوس و خطی با کمک الگوریتمهای فراابتکاری

در این مرحله برای طبقه­بندی مجموعه داده­های مورد تست بعد از دو نگاشت خطی و موبیوس به منظور داشتن یک دقت بالا برای طبقه بندی از دو الگوریتم TSO و الگوریتم SSA بهینه­شده فازی استفاده خواهیم کرد. این دو الگوریتم با تعریف ضرایب و پارامترهای نگاشت­­ها برای هر یک ازمتغیرهای داده­های تست که در این مجموعه دافنت شامل 10 متغییر ورودی است تلاش می­کند به یک کلاسه­بندی دو طبقه دست یابد. شکل (4) نحوه آموزش سیستماتیک طرح پیشنهادی برای شبکه نگاشت را نمایش داده است.

مطابق شکل (4) بعد از بارگذاری پارامترها به­عنوان متغیرهای تابع هدف، برای مینیمم کردن تابع از یک الگوریتم پیشنهادی برای اصلاح ضریب نگاشت­ها تا رسیدن به حداکثر دقت طبقه­بندی دو دسته، استفاده می­شود. شبه کد مربوط به تابع شبکه به­دست آمده برای سیستم تخمین FOG مبتنی بر نگاشت موبیوس مطابق شکل (3) آورده شده است. نکته قابل توجه در این مقاله این است که برای ایجاد یک نتیجه مفید از نگاشت موبیوس تلاش شده که از یک حلقه تکرار تودرتو برای ایجاد نگاشت­های چندوجهی بهره ببریم تا بتوانیم یک رمزگذاری قابل قبول برای داده­های ارسالی تحت شبکه IOMT داشته باشیم. همچنین بتوانیم در مسیر پردازش اطلاعات با موفقیت عمل کنیم.

مشکل مهم و قابل توجه در این روش طبقه­بندی پیشنهادی این است که در روش پیش رو ما برای کلاسه­بندی اطلاعات به دو دسته برنامه ریزی کرده­ایم. اما سیستم مورد مطالعه دارای خوشه­ها چندگانه می­باشد. وقتی تعداد طبقات اطلاعات افزایش می­یابد، ما از یک رویکرد منطقی برای طبقه­بندی بهره خواهیم برد. در این روش ما برای مجموعه داده­های دافنت سه کلاس خروجی 0 و 1 و 2 داریم. برای حل این مساله ما داده­های مربوط به اطلاعات لحظه­ای بیماران پارکینسون را در دو گروه بررسی می­کنیم. خروجی این مجموعه داده­ها برای گروه­ها مطابق جدول (2) بخش­بندی می­شود. سپس هر کدام از این مجموعه داده­ها جداگانه آموزش و مقداردهی می­شود. نتایج خروجی حاصل از این سیستم­های آموزش دیده برای خروجی نهایی مطابق (6) محاسبه می­گردد. شکل (5) نمایش فضایی این روش را برای یک مجموعه داده دو بعدی جهت تفهیم این کار نمایش داده است.

(6)                     

 

شکل (4): نمایش فلوچارت آموزش معماری پیشنهادی تشخیص FOG جهت طبقه­بندی به دو دسته

 

شکل (5): نحوه برنامه­ریزی افزایش تعداد طبقات.

 

3-3- طبقه بندی فازی FOG

هر چند این رویکرد طبقه­بندی منطقی مفید واقع شده است اما با افزایش تعداد طبقات، کلاسه­بندی مساله را پیچیده کرده و زمان تخمین را افزایش خواهد داد؛ چون نیازمند یک سری سیستم­های تخمین مجزا در شبکه خواهد بود. همچنین این تخمین با رویکرد چند سیستمی نیاز به تعداد اجراهای بیشتر برای هر طبقه به صورت مجزا خواهد داشت. بنابراین در این کار یک روش طبقه­بندی فازی نوع تاکاگی سوگنو در آخر تابع هدف ارائه شده، که جایگزین تابع علامت SGN(.) شود. بر اساس این سیستم منطق فازی پیشنهادی به یک نگاشت چند کلاسه می­رسد. شکل (6) ساختار سیستم فازی تشخیص FOG را برای سه کلاس مختلف برای مطالعه این کار ارائه کرده است. در این شکل ساختار توابع عضویت ورودی و مشخصه ورودی و خروجی ارائه شده است. قوانین فازی حاکم بر آن در جدول (3) آورده شده است.

برای روش فازی پیشنهاد شده در این تحقیق به جای اجرای سیستم­های مختلف و کلاسه بندی در فضای تابع سیگموئید که با افزایش تعداد طبقات تعداد سیستم­ها را افزایش می­دهد، از یک تابع فازی چند کلاسه بهره خواهد برد. در این کار به جای وزن­دهی ویژگی­ها برای دو کلاس مختلف، از یک سیستم منطق فازی با بازه­های مختلف برای کلاس­های مختلف در یک اجرای سیستماتیک توسط الگوریتم­های طبقه­بندی مانند TSO و Fuzzy-ISSA بهره خواهد برد.

 

شکل (6): مشخصه ورودی و خروجی سیستم میانگین گیری فازی.

جدول (2): عملکرد سیستم پیشنهادی برای سیستم­های مختلف.

سیستم نهایی	سیستم دوم	سیستم اول
0	-1	-1
1	1	-1
2	1	1

جدول (3): قوانین حاکم بر سیستم منطق فازی

Input	Output
Low	M1
Mid	M2
High	M3

4-       تجزیه و تحلیل تجربی

اعتبار روش‌های پیشنهادی مبتنی بر تحلیل رابطه نگاشت خطی یا موبیوس آموزش دیده با الگوریتم­های بهینه­سازی پیشنهادی و طبقه­بندی فازی، از طریق تحلیل تجربی بر روی مجموعه داده‌های انجماد دافنت راه رفتن نشان داده شده است. تجزیه و تحلیل با استفاده از MATLAB R2016b انجام شده است. نتیجه با روش‌های معروف یادگیری ماشینی، مانند ماشین بردار پشتیبان (SVM) و جنگل‌های تصادفی (RF) مقایسه شده است.

1-4- شرح مجموعه داده  FOG

مجموعه داده­ها معیاری برای تشخیص یخ زدگی راه رفتن، از حسگرهای شتاب پوشیدنی است، که روی پاها و لگن 10 بیمار قرار داده شده است [39]. آن­ها کارهایی مانند راه رفتن در خط مستقیم و فعالیت­های واقعی­تر مانند گرفتن قهوه و بازکردن درها را انجام دادند. مجموعه داده­ها نتیجه همکاری آزمایشگاه محاسبات پوشیدنی، ETH  زوریخ سوئیس است. سه کلاس وجود دارد که نتیجه نهایی در آنها تقسیم شده است: کلاس 1 برای بدون انجماد، کلاس 2 برای فریز و کلاس 0 برای نمونه­هایی که بخشی از آزمایش نیستند. برای آزمایش، هر سه کلاس در نظر گرفته شده است، ولی دقت پیش­بینی فقط برای کلاس‌های 1 و 2 انجام می‌شود. همچنین تجزیه و تحلیل برای دو مجموعه داده به‌دست‌آمده به‌ترتیب با انتخاب تصادفی 8516 نمونه و 17063 نمونه از 150000 نمونه در مجموعه داده‌ها انجام شده از بیماران مختلف ارائه شده است.

2-4- سنجش عملکرد

برای آزمایش‌های وابسته به موضوع، داده‌های آموزشی و آزمایشی هر دو از یک دسته بیماران هستند. طرح‌های اعتبارسنجی متقابل 10 متغیری بر روی ویژگی‌های مهم از طریق هر راه‌حل طبقه‌بندی ارائه شده در بخش قبلی اجرا شد. در ارزیابی اعتبار متقابل 10 متغیری، داده­ها به طور تصادفی در دو بخش آموزش و تست بررسی می­شوند. یک بخش به عنوان مجموعه آزمایشی انتخاب می­شود، در حالی که داده­های باقیمانده به عنوان مجموعه آموزشی انتخاب می­شود. سپس ارزیابی برای نگاشت 3 بار تکرار می­شود، که این کار برای انجام نگاشت قابل تفکیک سیستم می­شود. هر بخش از داده­ها یک بار به عنوان داده ارزیابی استفاده می­شود و دقت نهایی بعد از 3 تکرار به دست می­آید.

در آزمایش مستقل از موضوع، طبقه‌بندی‌کننده‌ها بر روی ویژگی‌های انتخاب شده از افراد مختلف آموزش دیدند و عملکرد بر روی افراد باقی‌مانده آزمایش شد. برای اعتبارسنجی متقاطع 10 برابری و مستقل از موضوع، دقت طبقه‌بندی (ACC)، حساسیت (SE)، ویژگی (SP) و ناحیه زیرمنحنی (AUC) برای آزمایش عملکرد روش پیشنهادی، همانطور که در (7-11) تعریف شده استفاده شد. این چهار معیار عملکرد بر اساس ماتریس سردرگمی همانطور که در جدول (4) ارائه شده است، تعریف شده است.

 (7)                                   

 (8)                                               

 (9)                                                

 (10)                                                   

در تجزیه و تحلیل طبقه­بندی باینری، F1-Score پارامتر دیگری برای اندازه­گیری دقت یک آزمون است، که از رابطه زیر محاسبه می­شود:

 (11)                                  

در این ماتریس سردرگمی، TP مجموع موارد مثبت واقعی است که FOG را به طور دقیق به عنوان FOG نشان می­دهد. FP، کل مثبت کاذب که نشان دهنده غیر FOG است که به درستی به عنوان FOG شناسایی نشده است. TN، مجموع منفی­های واقعی، که نشان دهنده غیر FOG است که به طور دقیق به عنوان غیر FOG شناسایی شده است. FN، کل منفی کاذب، که نشان دهنده FOG است که به درستی به عنوان غیر FOG شناسایی نشده است. و AUC ناحیه زیر منحنی مشخصه عملکرد گیرنده¹² (ROC) است که نرخ مثبت واقعی و نرخ منفی واقعی را نمایش می­دهد. نکته مهم این است که این روش حالت "0" را هم برای داده­های غیر آزمایشی طبقه­بندی می­کند. سپس برای محاسبه معیارها تنها حالت­های 1 و 2 بررسی می­شود؛ یعنی شناسایی برای همه حالت­ها در سیستم بررسی می­شود اما بررسی معیارهای تعریف شده فقط برای حالت­های رخداد یا عدم رخداد یخ­زدگی، انجام می­شود.

3-4- نتایج شبیه سازی

جدول (6) مقادیر معیارهای مختلف روش­های پیشنهادی در مقایسه با سایر روش­ها، SVM و RF را برای مجموعه داده­های مختلف همانطور که در جدول (5) ارائه شده، بیان کرده است. از جدول (6) می­توان دریافت که MT-FISSA بهترین دقت را برای مجموعه داده دارد. مقدار AUROC نشان می­دهد که MT-FISSA و LT-FISSA در مقایسه با سایر طبقه­بندی کننده­ها عملکرد بهتری دارند. RF عملکرد بهتری نسبت به سایر مدل‌های یادگیری ماشینی موجود SVM دارد. به دلیل روش یادگیری گروهی آن که از بخش­بندی استفاده می­کند.

با استفاده از محاسبه ضریب دقت طبقه­بندی¹³ (ACC) که نسبت هر کلاس از ماتریس سردرگمی را در نظر می­گیرد، می­توان مشکل عدم در نظر گرفتن تمام متغیرهای جدول (6) را حل کرد. مقدار ACC نیز برتری MT-FISSA و MT-TSO را نسبت به سایر طبقه‌بندی‌کننده‌ها تأیید می‌کند. با این حال، هنگامی که سایر معیارهای عملکرد در نظر گرفته می­شود، نتایج متفاوتی وجود دارد. به عنوان مثال، از جدول (6) مشاهده می­شود که از نظر حساسیت، SVM و RF بهتر از MT-FISSA و MT-TSO عمل می­کنند. شایان ذکر است که اگرچه SVM یک نتیجه 100% را برای حساسیت نشان می­دهد، ویژگی اندازه­گیری شده توسط SVM  0% است و عملا آن را غیرممکن می­کند. بنابراین، برای تعیین اینکه کدام طبقه‌بندی‌کننده کلاس‌ها را به بهترین شکل پیش‌بینی می‌کند، مفهوم ناحیه تحت یک منحنی مشخصه عملیاتی گیرنده (ROC) در نظر گرفته می‌شود. منطقه تحت مشخصه عملیاتی گیرنده (AUROC) یک آمار خلاصه برای خوب بودن یک طبقه‌بندی کننده در یک کار طبقه‌بندی باینری است.

این نتیجه ابهامی را که معیارهای مختلف ممکن است ایجاد کنند برطرف می­کند. شکل (7) منحنی­های ROC را نشان می­دهد که عملکرد طبقه­بندی کننده­ها را در تمام آستانه­های ممکن خلاصه می­کند. منحنی­ها با ترسیم نرخ مثبت واقعی (حساسیت) در برابر نرخ مثبت کاذب (ویژگی 1) ایجاد می­شوند.از نتایج مقادیر AUROC گزارش شده در جدول (6)، به وضوح می­توان مشاهده کرد که در مقایسه با سایر طبقه­بندی کننده­های پیشرفته، روش­های پیشنهادی (MT-FISSA و MT-TSO و LT-FISSA) عملکرد رقابتی بهتری دارند. از نظر مقادیر AUROC، MT-FISSA بهبود 4/12% نسبت به RF، 137/7% نسبت به MT-TSO ، 32/78% نسبت به SVM و 25/1% نسبت به LT-FISSA برای مجموعه داده تشخیص FOG برای بیماران پارکینسون را نشان می‌دهد، در حالیکه LT-FISSA  بهبودی 22/11% نسبت به RF دارد. 51/7% نسبت به MT-TSO ، 94/78% بیش از SVM و 6/1% نسبت به MT-TSO. شکل (8) نمایش نمودار میله­ای را برای سیستم­های مورد مطالعه ایجاد کرده است. 

جدول (4): ماتریس سردرگمی

مقادیر	پیش­بینی شده مثبت	پیش­بینی شده منفی
واقعی مثبت	مثبت درست(TP)	منفی غلط (FN)
واقعی منفی	مثبت غلط (FP)	منفی درست (TN)

جدول (5): توضیحات مجموعه داده

کل	عدم انجماد	حالت انجماد	تعداد مجموعه های داده
92802	87655	5147

 

 

شکل (7): ROC تشخیص FOG برای مجموعه داده دافنت.

 

---

[1]  Internt of Medical Things (IOMT)

[2]  Parkinson's disease (PD)

[3]  Word Health Orgainzation (WHO)

[4]  Patient with Parkinson's (PWP)

[5]  freezing of gait (FoG)

[6]  Body area wireless networks

[7]  Support Vector Machine (SVM)

[8]  Random Forest (RF)

[9]  Artificial Neural Network

[10]  Łukasiewicz و Tarski

[11]  SALP Swarming Algorithm (SSA)

[12]  Receiver operating characteristic

[13]  Accuracy Classification coefficient

جدول (6): نتایج برای مجموعه توالی مرجع برای مجموعه داده مورد مطالعه.

	RF	SVM	LT-FISSA	LT-TSO	MT-FISSA	T-TSO
ACC	88.17%	45.43%	90.34%	53.76%	98.95%	88.96%
SE	89.05%	0	89.67%	50.56%	99.34%	89.47%
SP	87.10%	100%	91.05%	54.13%	98.62%	87.06%
F1-Score	0.8914	nan	0.8923	0.5672	0.9932	0.8912
AUROC	0.8806	0.5	0.9036	0.52345	0.9898	0.88515

 

 

شکل (8): نمایش نمودار میله­ای نتایج جدول (6)

5-       نتیجه‌گیری

مزیت مهم این رویکرد پیشنهادی سادگی در اجرای سخت­افزاری سیستم­های نگاشت و توابع سیستم بعد از آموزش تحت الگوریتم­های پیشنهادی است. با توجه به الزامات پیاده­سازی، استقرار یک سیستم واقعی (بر اساس مدل پیشنهادی) مطمئناً مؤثر است زیرا شامل هیچ تحلیل آماری پیچیده یا آستانه برای به دست آوردن یک تصمیم نیست. علاوه بر این، مستقل از هر گونه تخصیص احتمالی است. مزیت اصلی مدل پیشنهادی عملکرد متعادل است. برخلاف رویکردهای موجود، عدم تعادل بالایی بین ویژگی و حساسیت در مدل پیشنهادی قابل مشاهده نیست. علاوه بر این، مدل مبتنی بر اینترنت اشیاء به هیچ سیستم مکمل اصلی به جز حسگرهای بدن و اشیاء هوشمند برای جمع‌آوری داده‌ها برای تشخیص انجماد راه رفتن نیاز ندارد. مدل سخت افزاری مورد نیاز نیز مقرون به صرفه است. نصب سنسورهای شتاب و دروازه اینترنت اشیاء برای پردازش داده­های ورودی از طریق یک اتصال اینترنتی پایدار نیازی به هزینه بالایی ندارد. نیاز به یک هدفون ساده برای ارائه سیگنال­های شنیداری خروجی برگشت داده شده برای هوشیار کردن بیمار و توانبخشی راه رفتن نیز، پرهزینه نیست.

این مقاله یک روش طبقه‌بندی مبتنی بر نگاشت خطی یا موبیوس و نسخه مجموعه آن با استفاده از سیستم کلاسه­بندی منطق فازی برای تشخیص و طبقه­بندی وجود انجماد راه رفتن (FOG) در یک بیمار مبتلا به بیماری پارکینسون در محیط اینترنت اشیاء پیشنهاد کرده است. روش­های پیشنهادی مستقل از هر گونه تخصیص احتمالی یا تجزیه و تحلیل آماری پیچیده برای تصمیم­گیری در مورد هر دنباله مرجع جدید هستند. روش‌های پیشنهادی یک نمونه جدید را بر اساس تبدیل­های نگاشت به هر یک از کلاس‌های نمونه‌های نسبی (0 بدون آزمایش و 1 برای بدون یخ و 2 برای فریز) دسته‌بندی می‌کنند. تجزیه و تحلیل روش‌های پیشنهادی نشان می‌دهد که آنها از روش‌های یادگیری ماشین موجود از نظر دقت (بالای 90٪ است)، امتیاز F1، ACC و همچنین از نظر عملکرد کلی که توسط نتایج AUROC منعکس می‌شود، بهتر عمل می‌کنند. از همه مهمتر سادگی مدل نهایی سیستم بعد از آموزش می­باشد که کاربرد آن را برای سیستم های زمان واقعی بیشتر آشکار می­کند. در نهایت به خاطر استفاده از این استراتژی تاخیر در پیش­بینی وضعیت اضطراری کاهش می­یابد. در آینده، نویسندگان مایلند یک طبقه‌بندی‌کننده ترکیبی بر اساس الگوریتم­های خوشه­بندی با برخی دیگر از روش‌های یادگیری ماشین غیرپارامتری موجود برای بهبود بیشتر نتایج روش تشخیص FOG پیشنهادی ایجاد کنند.

مراجع

[1]        G. J. Joyia, R. M. Liaqat, A. Farooq, and S. Rehman, "Internet of medical things (IOMT): Applications, benefits and future challenges in healthcare domain," J. Commun., vol. 12, pp. 240-247, 2017.

[2]        N. Dilawar, M. Rizwan, F. Ahmad, and S. Akram, "Blockchain: securing internet of medical things (IOMT)," International Journal of Advanced Computer Science and Applications, vol. 10, 2019.

[3]        A. Elbaz, J. H. Bower, D. M. Maraganore, S. K. McDonnell, B. J. Peterson, J. E. Ahlskog, et al., "Risk tables for parkinsonism and Parkinson's disease," Journal of clinical epidemiology, vol. 55, pp. 25-31, 2002.

[4]        E. Heremans, A. Nieuwboer, and S. Vercruysse, "Freezing of gait in Parkinson’s disease: where are we now?," Current neurology and neuroscience reports, vol. 13, pp. 1-9, 2013.

[5]        B. T. Cole, S. H. Roy, and S. H. Nawab, "Detecting freezing-of-gait during unscripted and unconstrained activity," in 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2011, pp. 5649-5652.

[6]        Q. Oung, M. Hariharan, H. Lee, S. Basah, S. Yaacob, M. Sarillee, et al., "Objective assessment of Parkinson's disease symptoms severity: A review," in 2015 2nd international conference on biomedical engineering (icobe), 2015, pp. 1-6.

[7]        Q. W. Oung, M. Hariharan, S. N. Basah, S. Yaacob, M. Sarillee, and H. L. Lee, "Use of technological tools for Parkinson's disease early detection: A review," in 2014 IEEE International Conference on Control System, Computing and Engineering (ICCSCE 2014), 2014, pp. 343-348.

[8]        Q. W. Oung, H. Muthusamy, H. L. Lee, S. N. Basah, S. Yaacob, M. Sarillee, et al., "Technologies for assessment of motor disorders in Parkinson’s disease: a review," Sensors, vol. 15, pp. 21710-21745, 2015.

[9]        E. Yıldırım, M. Cicioğlu, and A. Çalhan, "Fog-cloud architecture-driven Internet of Medical Things framework for healthcare monitoring," Medical & Biological Engineering & Computing, vol. 61, pp. 1133-1147, 2023.

[10]        N. Ghosh and I. Banerjee, "IoT-based freezing of gait detection using grey relational analysis," Internet of Things, vol. 13, p. 100068, 2021.

[11]        P. Verma and S. K. Sood, "Fog assisted-IoT enabled patient health monitoring in smart homes," IEEE Internet of Things Journal, vol. 5, pp. 1789-1796, 2018.

[12]        S. Pardoel, J. Nantel, J. Kofman, and E. D. Lemaire, "Prediction of freezing of gait in Parkinson's disease using unilateral and bilateral plantar-pressure data," Frontiers in Neurology, vol. 13, p. 831063, 2022.

[13]        S. Iranpak, A. Shahbahrami, and H. Shakeri, "Remote patient monitoring and classifying using the internet of things platform combined with cloud computing," Journal of Big Data, vol. 8, pp. 1-22, 2021.

[14]        S. Bandopadhaya, R. Dey, and A. Suhag, "Integrated healthcare monitoring solutions for soldier using the internet of things with distributed computing," Sustainable Computing: Informatics and Systems, vol. 26, p. 100378, 2020.

[15]        J. S. Khan, A. Tahir, J. Ahmad, S. A. Shah, Q. H. Abbasi, G. Russell, et al., "5G-FOG: Freezing of gait identification in multi-class softmax neural network exploiting 5G spectrum," in Science and Information Conference, 2020, pp. 26-36.

[16]        M. Abbasi, E. Mohammadi-Pasand, and M. R. Khosravi, "Intelligent workload allocation in IoT–Fog–cloud architecture towards mobile edge computing," Computer Communications, vol. 169, pp. 71-80, 2021.

[17]        Q. W. Oung, S. N. Basah, H. Muthusamy, V. Vijean, H. Lee, W. Khairunizam, et al., "Objective evaluation of freezing of gait in patients with Parkinson's Disease through machine learning approaches," in 2018 International Conference on Computational Approach in Smart Systems Design and Applications (ICASSDA), 2018, pp. 1-7.

[18]        S. Iranpak, A. Shahbahrami, and H. Shakeri, "Analyzing IoT big data in healthcare using Deep learning and Distributed Fog computing," 2022.

[19]        J. Camps, A. Sama, M. Martin, D. Rodriguez-Martin, C. Perez-Lopez, J. M. M. Arostegui, et al., "Deep learning for freezing of gait detection in Parkinson’s disease patients in their homes using a waist-worn inertial measurement unit," Knowledge-Based Systems, vol. 139, pp. 119-131, 2018.

[20]        A. S. Ashour, A. El-Attar, N. Dey, M. M. Abd El-Naby, and H. Abd El-Kader, "Patient-dependent freezing of gait detection using signals from multi-accelerometer sensors in Parkinson’s disease," in 2018 9th cairo international biomedical engineering conference (CIBEC), 2018, pp. 171-174.

[21]        B. Li, Y. Zhang, L. Tang, C. Gao, and D. Gu, "Automatic detection system for freezing of gait in Parkinson's Disease based on the clustering algorithm," in 2018 2nd IEEE advanced information management, communicates, electronic and automation control conference (IMCEC), 2018, pp. 1640-9.

[22]        V. Mikos, C.-H. Heng, A. Tay, S.-C. Yen, N. S. Y. Chia, K. M. L. Koh, et al., "A neural network accelerator with integrated feature extraction processor for a freezing of gait detection system," in 2018 IEEE Asian Solid-State Circuits Conference (A-SSCC), 2018, pp. 59-62.

[23]        N. Mohammadian Rad, T. Van Laarhoven, C. Furlanello, and E. Marchiori, "Novelty detection using deep normative modeling for imu-based abnormal movement monitoring in parkinson’s disease and autism spectrum disorders," Sensors, vol. 18, p. 3533, 2018.

[24]        A. El-Attar, A. S. Ashour, N. Dey, H. A. El-Kader, M. M. A. El-Naby, and F. Shi, "Hybrid DWT-FFT Features for Detecting Freezing of Gait in Parkinson's Disease," in Information Technology and Intelligent Transportation Systems, ed: IOS Press, 2019, pp. 117-126.

[25]        C. Punin, B. Barzallo, R. Clotet, A. Bermeo, M. Bravo, J. P. Bermeo, et al., "A non-invasive medical device for parkinson’s patients with episodes of freezing of gait," Sensors, vol. 19, p. 737, 2019.

[26]        I. Mazzetta, A. Zampogna, A. Suppa, A. Gumiero, M. Pessione, and F. Irrera, "Wearable sensors system for an improved analysis of freezing of gait in Parkinson’s disease using electromyography and inertial signals," Sensors, vol. 19, p. 948, 2019.

[27]        M. van den Berg and A. Maeder, "Prediction of freezing of gait in patients with Parkinson’s disease using EEG signals," Telehealth for Our Ageing Society: Selected Papers from Global Telehealth 2017, vol. 246, p. 124, 2018.

[28]        V. G. Torvi, A. Bhattacharya, and S. Chakraborty, "Deep domain adaptation to predict freezing of gait in patients with Parkinson's disease," in 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), 2018, pp. 1001-1006.

[29]        V. Novák, I. Perfilieva, and J. Mockor, Mathematical principles of fuzzy logic vol. 517: Springer Science & Business Media, 2012.

[30]        F. Logic, "Stanford Encyclopedia of Philosophy. Bryant University," 2006.

[31]        L. A. Zadeh, "Fuzzy sets," Information and control, vol. 8, pp. 338-353, 1965.

[32]        F. J. Pelletier, "Metamathematics of fuzzy logic," ed: JSTOR, 2000.

[33]        B. Zohuri, M. Moghaddam, B. Zohuri, and M. Moghaddam, "What Is Fuzzy Logic and How It Works," Business Resilience System (BRS): Driven Through Boolean, Fuzzy Logics and Cloud Computation: Real and Near Real Time Analysis and Decision Making System, pp. 199-219, 2017.

[34]        R. Babuška, Fuzzy modeling for control vol. 12: Springer Science & Business Media, 2012.

[35]        E. H. Mamdani, "Application of fuzzy algorithms for control of simple dynamic plant," in Proceedings of the institution of electrical engineers, 1974, pp. 1585-1588.

[36]        T. Takagi and M. Sugeno, "Fuzzy identification of systems and its applications to modeling and control," IEEE transactions on systems, man, and cybernetics, pp. 116-132, 1985.

[37]        S. Mirjalili, A. H. Gandomi, S. Z. Mirjalili, S. Saremi, H. Faris, and S. M. Mirjalili, "Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems," Advances in engineering software, vol. 114, pp. 163-191, 2017.

[38]        M. Mirrashid and H. Naderpour, "Transit search: An optimization algorithm based on exoplanet exploration," Results in Control and Optimization, vol. 7, p. 100127, 2022.

[39]        M. Bachlin, M. Plotnik, D. Roggen, I. Maidan, J. M. Hausdorff, N. Giladi, et al., "Wearable assistant for Parkinson’s disease patients with the freezing of gait symptom," IEEE Transactions on Information Technology in Biomedicine, vol. 14, pp. 436-446, 2009.

9

نشریه تحلیل مدارها، داده ها و سامانه ها - سال اول- شماره سوم - پاییز 1402

 

---