پارس پروژه پرتال خدمات دانشگاهی
سلام دوست من ، توی این پست براتون یه مقاله انگلیسی جدید که در دسته مقالات پزشکی و مقالات مهندسی کامپیوتر هست، منتشر کردیم. خوب این مقاله یه مقاله علمی پژوهشی، از یه مجله ISI هست که توی پایگاه IEEE در سال ۲۰۲۱ منتشر شده. فایل انگلیسی ۱۱ صفحه PDF و فایل ترجمه ۲۷ صفحه WORD و قابل ویرایشه، مثل همیشه مقاله انگلیسی رو می تونید رایگان دانلود کنید. بخش هایی از ترجمه هم براتون رایگان گذاشتم که قبل از خرید ، کیفیت ترجمه رو بررسی کنید. از کیفیت ترجمه هم نگم براتون که مثل همیشه عالییییه. برای خرید ترجمه کامل مقاله روی گزینه خرید و دانلود آنی ترجمه کلیک کنید بعد از پرداخت لینک دانلود بهتون نشون داده میشه، به ایمیلتونم ارسال میشه. اگر سوالی بود می تونید زیر این پست کامنت بزارید سریع جوابتونو میدم.
کد محصول: CM61
سال نشر: ۲۰۲۱
نام ناشر (پایگاه داده): IEEE
نام مجله: IEEE Access
نوع مقاله: علمی پژوهشی(Research articles)
متغیر : ندارد
فرضیه: ندارد
مدل مفهومی: ندارد
پرسشنامه: ندارد
تعداد صفحه انگلیسی: ۱۱ صفحه PDF
تعداد صفحه ترجمه فارسی: ۲۷ صفحه WORD
قیمت فایل ترجمه شده: ۵۴۰۰۰ تومان
عنوان کامل فارسی:
مقاله انگلیسی ترجمه شده ۲۰۲۱: رویکرد شبکه های عصبی کانولوشن یک بعدی برای تجزیه و تحلیل آریتمی ECG در محیط های مه-ابر
عنوان کامل انگلیسی:
One-Dimensional CNN Approach for ECG Arrhythmia Analysis in Fog-Cloud Environments
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
فهرست مطالب
۱.مقدمه
۲. مطالعات مرتبط
۳. معماری سیستم
۴. مدول تحلیلی داده ECG
A. توصیف مدل ۱D-CNN
B. پیکربندی مدل ۱D-CNN
۵. ارزیابی عملکرد
A. کارایی مدل تحلیل سیگنال ECG
B. کارایی زیرساخت هیبرید مه-ابر
۶. نتیجه گیری و مطالعات آتی
چکیده فارسی
بیماری های قلبی عروقی به عنوان عامل شماره یک مرگ و میر در سراسر جهان در نظر گرفته می شوند که عمدتا با ریتم غیر طبیعی قلب بیماران قابل شناسایی می باشند. دستگاه های پوشیدنی اینترنت اشیا (IoT) با تولید سیگنال های الکتروکاردیوگرام (ECG)، می توانند به طور مداوم ریتم قلب بیمار را ردیابی کنند. اگرچه روش‌های مبتنی بر ابر برای آنالیز ECG می‌توانند به سطوحی از دقت دست یابند، اما همچنان محدودیت‌هایی مانند تأخیر بالا دارند. برعکس، زیرساخت محاسباتی مه قدرتمندتر از دستگاه‌های لبه‌ای است، اما نسبت به رایانش ابری برای اجرای نرم افزار تجزیه و تحلیل داده های فشرده ترکیبی،توان کمتری دارد. زیرساخت مه می‌تواند شامل درگاه های مبتنی بر مه باشد که مستقیماً به دستگاه‌های پوشیدنی متصل می‌شوند تا بسیاری از مزایای پیشرفته از جمله تأخیر کم و کیفیت بالای خدمات را ارائه دهند. برای بررسی این مسائل، یک رویکرد شبکه عصبی کانولوشن یک بعدی مدولار (۱D-CNN) در این مطالعه پیشنهاد شده است. ماژول استنتاجی این رویکرد پیشنهادی بر روی زیرساخت مه به منظور تجزیه و تحلیل سیگنال‌های ECG و شروع اقدامات متقابل اضطراری در حداقل تاخیر قابل اجرا است، در حالی که ماژول آموزشی آن در مراکز داده محاسبات ابری قدرتمنتد قابل اجرا است. رویکرد پیشنهادی به امتیاز F1-measure ~1 در پایگاه داده آریتمی MIT-BIH هنگام استفاده از الگوریتم جستجوی شبکه با روش اعتبارسنجی متقابل می رسد. این رویکرد همچنین بر روی یک رایانه تک‌برد و زیرساخت‌های ترکیبی مه-ابر مبتنی بر Google Colab پیاده‌سازی شده است و در یک سیستم نظارت از راه دور بیمار که ۲۵ درصد پیشرفت را از نظر زمان پاسخ کلی نشان می دهد، گنجانده شده است.
اصطلاحات شاخص: اینترنت اشیا، تجزیه و تحلیل ECG، ۱D-CNN، محاسبات مه، مه-ابر ترکیبی، بیماری قلبی
۱.مقدمه
بر اساس گزارش سازمان جهانی بهداشت (WHO)، بیماری های قلبی عروقی عامل مرگ و میر حدود ۱۷.۹ میلیون نفر در سال است [۱]. انواع مختلفی از بیماری های قلبی عروقی از جمله بیماری عروق کرونر قلب و نارسایی قلبی وجود دارد. اگرچه برخی از آنها را نمی توان به طور کامل درمان کرد، اما با نظارت کافی بر وضعیت قلب و انجام اقدامات پیشگیرانه بر اساس آن می توان آنها را کنترل کرد [۲]. اقدامات متعددی مانند آزمایش خون برای سطوح تروپونین، اشعه ایکس قفسه سینه، الکتروکاردیوگرام (ECG)، تست استرس و آنژیوگرافی برای تعیین اینکه آیا قلب یک فرد در وضعیت پایدار است یا خیر، در دسترس هستند [۳]. در میان آنها، ECG برای پیگیری مداوم ارجح تر می باشد، زیرا غیر تهاجمی بوده، بسیار قابل استناد است و به دستگاه های پیشرفته کمتری نیاز دارد [۴]…
۶.نتیجه گیری و مطالعات آتی
در این مطالعه، ما یک مدل DL توزیع شده را توسعه داده ایم که به طور همزمان زیرساخت های مه و ابر را برای اجرای عملیات استنتاج و آموزش کنترل می کند. برای مدل DL، ما از معماری ۱D-CNN استفاده کرده ایم و مدل خود را به طور گسترده در پایگاه داده آریتمی MIT-BIH ارزیابی کرده ایم. یک آزمون اثبات ایده سیستم نظارت از راه دور بر بیمار قلبی نیز در بالای مدل DL پیشنهادی اجرا شده است. از طریق آزمایش‌ها، ثابت شده است که راه‌حل پیشنهادی می‌تواند با پردازش سیگنال‌های ECG تولید شده توسط دستگاه اینترنت اشیا با دقت بالاتر (حدود ۹۹.۴۶ درصد)، پاسخ‌هایی با تاخیر کم در شناسایی موقعیت‌های اضطراری برای بیماران قلبی ارائه دهد…
شکل ۳. معماری ۱D-CNN
ABSTRACT
Cardiovascular diseases are considered the number one cause of death across the globe which can be primarily identi ed by the abnormal heart rhythms of the patients. By generating electrocardiogram (ECG) signals, wearable Internet of Things (IoT) devices can consistently track the patient’s heart rhythms. Although Cloud-based approaches for ECG analysis can achieve some levels of accuracy, they still have some limitations, such as high latency. Conversely, the Fog computing infrastructure is more powerful than edge devices but less capable than Cloud computing for executing compositionally intensive data analytic software. The Fog infrastructure can consist of Fog-based gateways directly connected with the wearable devices to offer many advanced bene ts, including low latency and high quality of services. To address these issues, a modular one-dimensional convolution neural network (1D-CNN) approach is proposed in this work. The inference module of the proposed approach is deployable over the Fog infrastructure for analysing the ECG signals and initiating the emergency countermeasures within a minimum delay, whereas its training module is executable on the computationally enriched Cloud data centers. The proposed approach achieves the F1-measure score 1 on the MIT-BIH Arrhythmia database when applying GridSearch algorithm with the cross-validation method. This approach has also been implemented on a single-board computer and Google Colab-based hybrid Fog-Cloud infrastructure and embodied to a remote patient monitoring system that shows 25% improvement in the overall response time.
INDEX TERMS: Internet of Things, ECG analysis, 1D-CNN, fog computing, hybrid fog-cloud, heart disease.
I.INTRODUCTION
According to theWorld Health Organisation (WHO), cardiovascular diseases are the causes of an estimated 17.9 million deaths each year [1]. There are different forms of cardiovascular diseases, including coronary heart disease and heart failure. Although some of them cannot be completely cured, they can be controlled by adequately monitoring the heart status and taking preventive measures accordingly [2]. Several measures such as blood tests for troponin levels, chest X-ray, electrocardiogram (ECG), stress tests, and angiogram are available to determine whether the heart of a person is in stable condition or not [3]. Among them, ECG is preferable for continuous tracking as it is non-invasive, highly indicative, and requires less sophisticated machines [4]…
VI.CONCLUSION AND FUTURE WORK
In this work, we have developed a distributed DL model that simultaneously harnesses the Fog and Cloud infrastructures to run the inference and training operations. For the DL model, we have used a 1D-CNN architecture and extensively evaluated our model on the MIT-BIH Arrhythmia database. A proof-of-concept remote cardiac patient monitoring system is also implemented on top of the proposed DL model. Through experiments, it has been proved that the proposed solution can offer low-latency responses in identifying emergency situations for cardiac patients by processing the IoT device-generated ECG signals with higher accuracy (around 99.46%)…
| مقالات مرتبط با این موضوع |