سیستم‌های مراقبت‌های بهداشتی سهم عمده‌ای از کاربردهای اینترنت اشیا را به خود اختصاص داده‌اند. تولید حجم عظیمی از داده‌ها در بیمارستان‌ها و مراکز درمانی منجر به دانش نهفته‌ای در این داده‌ها شده است. داده‌ها باید یک پایگاه داده داشته باشند. یکی از کاربردهای مهمی که در سیستم‌های بهداشتی و درمانی به چشم می‌خورد، سیستم‌های توصیه‌کننده پزشکی برای اهداف خاص است. سیستم‌های توصیه‌کننده پزشکی به‌طور فزاینده‌ای در کاربردهای مختلف مراقبت‌های بهداشتی نفوذ کرده و با توجه به سهم قابل توجه خود در زمینۀ مطالعات بیمار با هدف ارتقای کیفیت عملکرد کادر پزشکی و درمانی در تشخیص بیماری‌ها و کمک فوری به بیماران، نقش مهمی در مراکز درمانی و بهداشتی در دنیای کنونی دارند؛ بنابراین در این پژوهش، یک روش پیش‌بینی بیماری قلبی با استفاده از الگوریتم بهینه‌سازی کلونی زنبور عسل و یادگیری عمیق برای تشخیص بیماری‌های قلبی در سیستم مراقبت سلامت در بستر اینترنت اشیا ارائه می‌شود. برای پیاده‌سازی روش پیشنهادی از پرونده‌های سلامت بیماران که در پایگاه PhysioNet قابل دسترسی است، به‌منظور ایجاد روشی برای تشخیص و پیش‌بینی بیماری‌های قلبی استفاده شده است. در روش پیشنهادی علائم مربوط به بیماری‌های قلبی بر اساس سابقۀ بیماران از طریق یادگیری عمیق استخراج می‌شود. نتایج پیاده‌سازی روش پیشنهادی نشان می‌دهد که شبکه عصبی عمیق بر انتخاب ویژگی مبتنی بر الگوریتم بهینه‌سازی کلونی زنبور عسل متکی است. از نظر معیارهای معمول ارزیابی، روش پیشنهادی نتایج بالاتری در تشخیص بیماری‌های قلبی در مقایسه با روش یادگیری عمیق و سایر روش‌ها دارد. نتایج به دست آمده از مقایسۀ کارایی روش پیشنهادی با سایر روش‌های موجود در زمینۀ تشخیص بیماری‌ها نشانگر این است که روش پیشنهادی دارای دقت بالاتری در تشخیص بیماری‌های قلبی بوده است و می‌تواند به پزشکان در تشخیص این بیماری‌ها کمک کند.

 فصل اول: مبانی یادگیری عمیق و کاربرد آن در پزشکی

فصل دوم: بیماری‌های قلبی و تشخیص آن‌ها با استفاده از یادگیری عمیق

فصل سوم: انتخاب ویژگی مبتنی بر الگوریتم‌های فرا اکتشافی چندهدفه

فصل چهارم : تکنیک بهینه‌سازی کلونی زنبور عسل برای تشخیص بیماری‌های قلبی

منابع