سیستم تشخیص اختلال شبکیه دیابتی پایدار مبتنی بر اینترنت اشیا
محاسبات پایدار، دسترسی راه دور به سیستم تشخیص برای پیاده سازی آسان و سریع فراهم می سازد. راهکار پیشنهادی به اندازه گیری سطح گلوکز در خون از طریق حسگرهای Dexcom G4 Plantinum در بیماران دیابتی می پردازد. بر اساس قرائت ها، پلتفرم اینترنت اشیا، یک راه حل پایدار برای اختلال شبکیه دیابتی عرضه می کند. هدف این پژوهش، حفظ جان بیماران از نابینایی است. فرایند از خود دستگاه هایی شروع می شود که به طور امن اطلاعات را با پلتفرم اینترنت اشیا انتقال می دهند و از زبان مشترک برای برنامه های کاربردی موبایل جهت همکاری با یکدیگر استفاده می کنند. این پلتفرم معمولا هزاران اطلاعات را از دستگاه جمع آوری می کند و در پایگاه داده امن ذخیره می کند و از داده های دریافت شده از دستگاه های اینترنت اشیا و تحلیل ها برای پیش بینی داده های با ارزش برای بیان نیازهای بالینی استفاده می کند. نتایج ارائه شده توسط پیاده سازی راهکارهای پیشنهادی با سیستم های پیچیده در رابطه با صحت، ویژه بودن و حساسیت قابل مقایسه می باشند. تکنیک پیشنهادی بهتر از سایر تکنیک ها با دستیابی به میانگین 99.58% صحت، 72.51% حساسیت و 99.83% ویژه بودن در شرایط تجربی عمل می کند.
کلمات کلیدی: محاسبات پایدار، اینترنت اشیا، قطعه بندی تصویر، اختلال شبکیه دیابتی، مراقبت از سلامتی، دستگاه های هوشمند.
IOT based sustainable diabetic retinopathy diagnosis system
Sustainable Computing: Informatics and Systems Available online 16 August 2018
Abstract
Sustainable computing provides a remote access to the diagnosis system for easy and fast implementation. The proposed approach measures glucose level in the blood through Dexcom G4 Plantinum sensors on diabetic patients. Based on the readings, Internet of Things (IoT) platform offer a sustainable solution to Diabetic Retinopathy. The purpose of this research is to save the life of the patient from vision loss. The process starts from the devices themselves which securely transfer information with IoT platform and pledge the common language for the mobile apps to collaborate with each other. This platform constantly gathers thousands of information from the device and store in a secure database. It incorporates the data received from IoT devices and applies analytics to predict valuable data to address clinical needs. The results exhibited by the implementation of the proposed approaches are comparable with the sophisticated systems in relations of accuracy, specificity and sensitivity. The proposed technique performs better than other techniques by achieving an average 99.58% Accuracy, 72.51% Sensitivity and 99.83% Specificity in the experimental setup.
Keywords: Sustainable computing, Internet of things, Image segmentation, Diabetic retinopathy, Health care, Smart devices
