Το διαδίκτυο των πραγμάτων στο τομέα της υγείας.
Φόρτωση...
Ημερομηνία
2024-07-22
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Επιβλέπων
Περίληψη
Η παρούσα πτυχιακή εργασία διερευνά την ενσωμάτωση του Διαδικτύου
Ιατρικών Πραγμάτων (ΔτΙΠ) με προηγμένες τεχνικές μηχανικής μάθησης για τη
βελτίωση των αποτελεσμάτων της υγειονομικής περίθαλψης. Εμβαθύνει στην
αξιοποίηση των δεδομένων βιοϊατρικών αισθητήρων, αναδεικνύοντας τον
μετασχηματισμό της υγειονομικής περίθαλψης μέσω της συλλογής και ανάλυσης
δεδομένων σε πραγματικό χρόνο. Σημαντική έμφαση δίνεται στο ρόλο της
υπολογιστικής ομίχλης στη διαχείριση του τεράστιου όγκου δεδομένων από
αισθητήρες υγειονομικής περίθαλψης, δίνοντας έμφαση στην αποτελεσματικότητά της
στην προεπεξεργασία για εφαρμογές μηχανικής μάθησης. Η μελέτη εξετάζει
διάφορους αλγορίθμους μηχανικής μάθησης, από τα βαθιά νευρωνικά δίκτυα έως την
ομαδοποίηση, για την εξαγωγή σημαντικών μοτίβων σε βιοϊατρικά δεδομένα,
βοηθώντας έτσι στην παρακολούθηση των ασθενών και την πρόβλεψη ασθενειών.
Επιπλέον, η πτυχιακή ασχολείται με τις κρίσιμες προκλήσεις της ασφάλειας δεδομένων
και της ιδιωτικότητας στο Διαδίκτυο των Ιατρικών Πραγμάτων προτείνοντας λύσεις
όπως η ομοσπονδιακή μάθηση για τη διασφάλιση ευαίσθητων πληροφοριών υγείας.
Εξετάζει επίσης τους ηθικούς προβληματισμούς στην αυτοματοποιημένη λήψη
αποφάσεων στο πλαίσιο της υγειονομικής περίθαλψης. Επιπλέον, η έρευνα συζητά τη
σημασία των εργαλείων οπτικοποίησης στο να γίνουν κατανοητά τα πολύπλοκα
αποτελέσματα της Μηχανικής Μάθησης στους επαγγελματίες του τομέα της υγείας,
ενισχύοντας τις διαδικασίες λήψης αποφάσεων. Η πτυχιακή επιχειρεί επίσης να
εξετάσει τις αρχιτεκτονικές υλικού και βάσεων δεδομένων που απαιτούνται για την
υποστήριξη πολυτροπικών δεδομένων αισθητήρων, τονίζοντας την ανάγκη για ισχυρά
συστήματα που να χειρίζονται αποτελεσματικά διαφορετικούς τύπους δεδομένων
υγειονομικής περίθαλψης. Τέλος, διερευνά τον προγραμματισμό με GPU και τις
παράλληλες υπολογιστικές τεχνικές, απαραίτητες για την επεξεργασία βιοϊατρικών
δεδομένων μεγάλης κλίμακας, και καταλήγει με την αξιολόγηση της παρακολούθησης
της υγείας με βάση σήματα για κάθε ασθενή, υπογραμμίζοντας την πορεία προς την
εξατομικευμένη υγειονομική περίθαλψη.
This thesis is about how the Internet of Medical Things (IoMT) can be integrated with advanced machine learning techniques to improve healthcare outcomes. Exploring the use of biomedical sensor data to demonstrate the advent of real-time data collection and analysis in health care. More importantly, it looks at the role played by fog computing in managing huge amounts of data from medical sensors and highlights its effectiveness as a preprocessing tool for machine learning applications. The research also investigates different types of machine learning algorithms such as deep neural networks and clustering for biomedical data that are both important for monitoring patients and predicting diseases. Furthermore, this thesis considers the major challenges associated with safeguarding data privacy and security in IoMT; suggesting solutions such as federated learning which protects sensitive health information. It also examines ethical issues surrounding automated decision making in healthcare settings. Moreover, this study shows how complex ML outputs can be understood by healthcare professionals through visualization tools. Additionally, it discusses hardware and database architectures required for multimodal sensor data including robust systems that can handle different healthcare data modalities efficiently. Finally, it delves into GPU programming and parallel computational techniques which are crucial to process large-scale biomedical signals, ends with an evaluation of personalized health monitoring based on patient-specific signals.
This thesis is about how the Internet of Medical Things (IoMT) can be integrated with advanced machine learning techniques to improve healthcare outcomes. Exploring the use of biomedical sensor data to demonstrate the advent of real-time data collection and analysis in health care. More importantly, it looks at the role played by fog computing in managing huge amounts of data from medical sensors and highlights its effectiveness as a preprocessing tool for machine learning applications. The research also investigates different types of machine learning algorithms such as deep neural networks and clustering for biomedical data that are both important for monitoring patients and predicting diseases. Furthermore, this thesis considers the major challenges associated with safeguarding data privacy and security in IoMT; suggesting solutions such as federated learning which protects sensitive health information. It also examines ethical issues surrounding automated decision making in healthcare settings. Moreover, this study shows how complex ML outputs can be understood by healthcare professionals through visualization tools. Additionally, it discusses hardware and database architectures required for multimodal sensor data including robust systems that can handle different healthcare data modalities efficiently. Finally, it delves into GPU programming and parallel computational techniques which are crucial to process large-scale biomedical signals, ends with an evaluation of personalized health monitoring based on patient-specific signals.
Περιγραφή
Λέξεις-κλειδιά
Διαδίκτυο των πραγμάτων, Μηχανική μάθηση, Βιοϊατρικοί αισθητήρες, Υγεία, Internet of things, Machine learning, Biomedical sensors, Health