Paramedical Sciences and Military Health

fa ارائه یک مدل جدید برای سیستم پایش سلامت با استفاده از الگوریتم های هوش مصنوعی Proposing a New Model for Health Monitoring Systems Using Artificial Intelligence Algorithms مقالات کامل full articles پژوهشي Research 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. Introduction: Continuous monitoring of heart failure patients using IoT-enabled wearable sensors can improve early diagnosis and reduce mortality. However, imbalanced clinical physiological datasets and suboptimal model tuning limit real-world performance. This study proposes an IoT-based intelligent health-monitoring framework specifically designed for heart-failure prediction and risk assessment. The proposed system integrates an adaptive deep convolutional neural network (ADCNN) whose weights are optimized by a modified Grey Wolf Optimizer (LF-GWO), together with SMOTE for class balancing, to enhance the accuracy and sensitivity of heart-failure outcome prediction. Materials and Methods: The framework consists of four phases: data acquisition (wearable/IoT sensors), cloud-edge preprocessing, feature extraction and classification using ADCNN+LF-GWO, and alert generation. Experiments were conducted on the UCI Heart Failure Clinical Records dataset, containing 299 patient samples with 13 physiological and clinical attributes. Model configuration and preprocessing (including SMOTE) are detailed, and performance was evaluated using standard metrics (accuracy, precision, recall, and confusion matrix) on held-out test sets. Results: The proposed method achieved an overall test accuracy of 0.9208 (92.08%) and demonstrated high sensitivity in detecting adverse outcomes (up to ≈97% in specific trials). Confusion-matrix analysis on the test split (N=75) yielded 69 correct predictions. A peak accuracy of 99.6% was observed in one iteration, which may indicate model overfitting or instability in that specific run. Conclusion: Integrating ADCNN with LF-GWO and SMOTE delivers strong predictive performance for heart-failure monitoring and improves sensitivity compared with baseline ML models (e.g., RF, SVM, CNN). Limitations & Practical implications: External validation on independent datasets was not performed; dataset size is limited, and some reported metrics vary across tables. Future work will include external validation and testing on real hospital environments to assess clinical feasibility and deployment challenges. پایش, سلامت, نارسایی قلبی, الگوریتم, هوش مصنوعی, اینترنت اشیا. Monitoring, Health, Heart Failure, Algorithms, Artificial intelligent (AI), Internet of Things (IOT). 20 34 http://jps.ajaums.ac.ir/browse.php?a_code=A-10-734-1&slc_lang=fa&sid=1 Faranak Nabinasab فرانک نبی نسب nabinasab.research8@gmail.com 10031947532846004744 10031947532846004744 Yes Computer Engineering, Faculty of Electrical and Computer Engineering, Shahrood University of Technology, Shahrood, Iran. مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی شاهرود، شاهرود، ایران. Leila Gholamhosseini لیلا غلامحسینی le_hosseini@yahoo.com 10031947532846004745 10031947532846004745 No Department of Health Information Technology, Faculty of Paramedicine, AJA University of Medical Sciences, Tehran, Iran. گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ارتش، تهران، ایران.