علوم پیراپزشکی و بهداشت نظامی

مقدمه: پایش پیوسته بیماران نارسایی قلبی با استفاده از حسگرهای پوشیدنی متصل به اینترنت اشیا می‌تواند تشخیص به موقع را افزایش دهد؛ اما نامتوازن بودن داده‌های بالینی و تنظیم ناقص مدل‌ها مانع عملکرد عملی می‌شود. در این مقاله یک مدل نوین و کارآمد برای سیستم پایش سلامت بیماران مبتلابه نارسایی قلبی پیشنهاد شد که از یک شبکه عصبی کانولوشن عمیق تطبیقی با وز‌ن‌های بهینه شده توسط الگوریتم گرگ خاکستری اصلاح شده
( LF-GWO) همراه با SMOTE جهت متعادل‌سازی کلاس‌ها بهره میبرد تا تشخیص و پیش‌بینی خطر نارسایی قلبی را بهبود بخشد.
مواد و روش‌ها: روش پیشنهادی شامل چهار فاز؛ کسب داده از حسگرهای پوشیدنی، پیش‌پردازش لبه/ابر، استخراج ویژگی و طبقه‌بندی با ADCNN+LF-GWO و تولید هشدار است. آزمایش‌ها با مجموعه‌ داده Heart-Failure Clinical Records از مخزن UCI شامل داده‌های بالینی 299 بیمار با 13 ویژگی فیزیولوژیکی انجام شد و معیارهای سنجش شامل؛ دقت، دقت مثبت، حساسیت و ماتریس اغتشاش بودند.
یافته ها: نتایج نشان داد که مدل پیشنهادی در ارزیابی روی مجموعه آزمایش عملکرد بالایی دارد و دقت کلی (%92.08) و حساسیت در برخی آزمایش‌ها تا حدود 97 % گزارش شده است. تحلیل ماتریس اغتشاش روی 75 نمونه آزمون، 69 پیش‌بینی صحیح را نشان داد. لازم‌ به ذکر است که در یک تکرار گزارش شده، پیک دقت (%99/6) مشاهده شد که احتمالاً نشان دهنده بیش‌برازش یا عدم‌پایداری نتایج در آن تکرار خاص است.
نتیجه‌گیری: ترکیب ADCNN با LF-GWO و SMOTE عملکرد پیش‌بینی را در مجموعه‌ داده مورد بررسی بهبود میبخشد و نسبت به برخی روش‌های پایه‌ای ML حساسیت بالاتری نشان می‌دهد.