يتمتع إنترنت الأشياء بتطبيقات متعددة في مجالات مثل التصنيع والرعاية الصحية والزراعة، على سبيل المثال لا الحصر. في الآونة الأخيرة، أصبحت الأجهزة القابلة للارتداء شائعة بشكل متزايد ولها تطبيقات واسعة في أنظمة مراقبة الصحة، مما يعزز نمو إنترنت الأشياء الطبية (IoMT). يلعب إنترنت الأشياء الطبية دورًا هامًا في تقليل معدلات الوفيات من خلال الكشف المبكر عن الأمراض. يُعد التنبؤ بأمراض القلب قضية رئيسية في تحليل البيانات السريرية.
يهدف البحث المقترح إلى تحديد الخصائص الرئيسية للتنبؤ بأمراض القلب باستخدام تقنيات التعلم الآلي. على الرغم من أن العديد من الدراسات ركزت على تشخيص أمراض القلب، إلا أن دقة النتائج كانت منخفضة. لذلك، لتحسين دقة التنبؤ، تم اقتراح إطار عمل لإنترنت الأشياء الطبية لتشخيص أمراض القلب باستخدام تحسين السرب المعدل (MSSO) ونظام الاستدلال العصبي الضبابي التكيفي (ANFIS).
يُحسن النظام المقترح MSSO-ANFIS من قدرات البحث باستخدام خوارزمية Levy Flight. تعتمد عملية التعلم العادية في نظام ANFIS على التعلم المستند إلى التدرج، والذي يكون عرضة للوقوع في الحدود الدنيا المحلية. يتم تحسين معلمات التعلم باستخدام MSSO لتوفير نتائج أفضل لنظام ANFIS.
تُؤخذ الخصائص التالية من السجلات الطبية للتنبؤ بمخاطر الإصابة بأمراض القلب لدى المريض، مثل ضغط الدم (BP)، العمر، الجنس، آلام الصدر، الكوليسترول، نسبة السكر في الدم، وغيرها. يتم تحديد حالة القلب عن طريق تصنيف البيانات المستلمة من المستشعرات باستخدام MSSO-ANFIS.
يقدم الإطار محاكاة وتحليلات لإثبات فعاليته في التنبؤ بالأمراض. أظهرت نتائج المحاكاة أن نموذج التنبؤ MSSO-ANFIS يحقق دقة أعلى من النهج الأخرى. حقق النموذج المقترح دقة تبلغ 99.45% مع دقة تنبؤ (precision) بنسبة 96.54%، وهي أعلى من النهج الأخرى.
4o
