用于分析医疗物联网中健康因素的深度学习框架

摘要 物联网技术（如远程健康监测应用中使用的技术）的引入彻底改变了传统的医疗保健。此外，从对生活方式要素和活动的检查中获得洞察力的方法，对于量身定制的医疗保健和疾病预防服务的成功至关重要。智能数据检索和分类算法可用于调查疾病和预测异常健康状态。卷积神经网络（CNN）策略可用于预测此类异常情况，因为它能从无定形的医疗健康记录中成功识别出对疾病预测有重要意义的知识。相反，如果使用完全耦合的网络拓扑结构，卷积神经网络会耗费大量内存。此外，随着层数的增加，模型的复杂性分析也会上升。因此，我们提出了一种基于皮尔逊相关系数（PCC）和标准模式活动的 CNN 目标识别和预测策略，以解决 CNN 模型的这些缺点。它建立在此框架内，用于分类目的。在初始隐藏层，选择最关键的健康相关因素，然后进行相关系数检验，将健康因素分为正相关和负相关两组。在分类的健康参数中挖掘规律性模式的出现也揭示了规律性模式的行为。模型输出被细分为具有已知相关性的肥胖、高血压和糖尿病相关因素。为了减少 CNN 典型知识发现范式的影响，我们使用了两个独立的数据集。实验结果表明，所提出的模型优于其他三种机器学习技术，同时所需的计算量也较少。