التخصص: علوم الحاسب

التخصص الدقيق: Neural Nets

المستخلص: أظهرت الدراسات الحديثة أن الأنظمة الغذائية القوية الموصى بها للمرضى من قبل اختصاصي التغذية أو نظام السحابة القائم على النظام الغذائي الطبي الآلي الذكي الاصطناعي يمكن أن يزيد من طول العمر ، ويحمي من المزيد من الأمراض ، ويحسن نوعية الحياة بشكل عام. ومع ذلك ، لا يزال يتعين على العاملين في المجال الطبي فهم الأساس المنطقي لأخصائي التغذية للمرضى لنظام التوصية. تقترح هذه الورقة حلاً تعليميًا عميقًا لمجموعة البيانات الطبية الصحية التي تكتشف تلقائيًا أي طعام يجب أن يُعطى لأي المريض على أساس المرض وميزات أخرى مثل العمر والجنس والوزن والسعرات الحرارية والبروتين والدهون والصوديوم والألياف والكوليسترول. يركز إطار العمل البحثي هذا على تنفيذ كل من خوارزميات التعلم الآلي والعميق مثل الانحدار اللوجستي والخلايا الساذجة والشبكة العصبية المتكررة (RNN) والمدرك متعدد الطبقات (MLP) والوحدات المتكررة ذات البوابات (GRU) والذاكرة طويلة المدى (LSTM) . تتكون مجموعة البيانات الطبية التي تم جمعها عبر الإنترنت والمستشفيات من 30 بيانات مريض مع 13 سمة لأمراض مختلفة و 1000 منتج. قسم المنتج لديه 8 ميزات مجموعة. تم تحليل ميزات بيانات IoMT هذه وترميزها بشكل أكبر قبل تطبيق البروتوكولات العميقة والآلية والقائمة على التعلم. تم تنفيذ أداء مختلف تقنيات التعلم الآلي والتعلم العميق والنتيجة تثبت أن تقنية LSTM تؤدي بشكل أفضل من أي مخطط آخر فيما يتعلق بدقة التنبؤ والتذكر والدقة وقياسات F1. حققنا دقة 97.74٪ باستخدام نموذج التعلم العميق LSTM. وبالمثل ، يتم تحقيق دقة 98٪ واسترجاع 99٪ و 99٪ قياس F1 للفئة المسموح بها ، وبالنسبة لدقة الفئة غير المسموح بها هي 89٪ ، تكون درجة الاسترجاع 73٪ ودرجة قياس F1 80٪.

Abstract: Recent studies have shown that robust diets recommended to patients by Dietician or an Artificial Intelligent automated medical diet based cloud system can increase longevity, protect against further disease, and improve the overall quality of life. However, medical personnel are yet to fully understand patient-dietician's rationale of recommender system. This paper proposes a deep learning solution for health base medical dataset that automatically detects which food should be given to which patient base on the disease and other features like age, gender, weight, calories, protein, fat, sodium, fiber, cholesterol. This research framework is focused on implementing both machine and deep learning algorithms like, logistic regression, naive bayes, Recurrent Neural Network (RNN), Multilayer Perceptron (MLP), Gated Recurrent Units (GRU), and Long Short-Term Memory (LSTM). The medical dataset collected through the internet and hospitals consists of 30 patient's data with 13 features of different diseases and 1000 products. Product section has 8 features set. The features of these IoMT data were analyzed and further encoded before applying deep and machine and learning-based protocols. The performance of various machine learning and deep learning techniques was carried and the result proves that LSTM technique performs better than other scheme with respect to forecasting accuracy, recall, precision, and F1-measures. We achieved 97.74% accuracy using LSTM deep learning model. Similarly 98% precision, 99% recall and 99% F1-measure for allowed class is achieved, and for not-allowed class precision is 89%, recall score is 73% and F1 Measure score is 80%.

الحالة: محكم ومنشور

جهة التحكيم: Peer Reviewed

دار النشر:

سنة النشر: 2020