Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hệ thống Nhận diện Trạng thái Bệnh nhân cho Cơ sở Y tế Sử dụng Giọng nói và Biểu cảm Khuôn mặt
Tóm tắt
Y tế thông minh và tương tác là cần thiết trong thời đại hiện đại. Nhiều vấn đề, chẳng hạn như chẩn đoán chính xác, mô hình chi phí thấp, thiết kế đơn giản, truyền tải liền mạch và lưu trữ đủ, cần được giải quyết trong quá trình phát triển một cấu trúc y tế hoàn chỉnh. Trong bài báo này, chúng tôi đề xuất một hệ thống nhận diện trạng thái bệnh nhân cho cấu trúc y tế. Chúng tôi thiết kế hệ thống sao cho nó cung cấp độ chính xác nhận diện tốt, mô hình chi phí thấp và có khả năng mở rộng. Hệ thống tiếp nhận hai loại đầu vào chính, video và âm thanh, được ghi lại trong một môi trường đa giác quan. Đầu vào giọng nói và video được xử lý riêng biệt trong quá trình trích xuất đặc trưng và mô hình hóa; hai loại đầu vào này được hợp nhất ở mức điểm số, nơi điểm số được lấy từ các mô hình trạng thái khác nhau của bệnh nhân. Đối với các thí nghiệm, 100 người đã được tuyển chọn để giả lập các trạng thái của một bệnh nhân như bình thường, đau đớn và căng thẳng. Kết quả thí nghiệm cho thấy hệ thống được đề xuất có thể đạt được độ chính xác nhận diện trung bình là 98,2%.
Từ khóa
#Nhận diện trạng thái bệnh nhân #Y tế thông minh #Mô hình hóa chi phí thấp #Tương tác đa giác quan #Chẩn đoán chính xácTài liệu tham khảo
Park, C., et al., M2M-based smart health service for human UI/UX using motion recognition. Cluster Comput. 18:221–232, 2015.
Chen, M., Ma, Y., Song, J., Lai, C., Hu, B., Smart clothing: connecting human with clouds and big data for sustainable health monitoring. ACM/Springer Mobile Netw. Appl., 2016. doi:10.1007/s11036-016-0745-1.
Solanas, et al., Smart health: A context aware health paradigm within smart cities. IEEE Commun. Mag. 52(8):74–81, 2014.
Grunerbl, A., et al., Smartphone based recognition of States and state changes in bipolar disorder patients. IEEE J. Biomed. Health Inform. 19(1):140–148, 2015.
Hossain, M. S.: Patient status monitoring for smart home health-care. In: IEEE ICME 2016, Seattle (2016)
Muhammad, G., Automatic speech recognition using interlaced derivative pattern for cloud based healthcare system. Clust. Comput. 18(2):795–802, 2015.
Ma, Y., et al., Robot and cloud-assisted multi-modal healthcare system. Clust. Comput. 18(3):1295–1306, 2015.
Hassanalieragh, M., et al.: Health monitoring and management using internet-of-things (IoT) sensing with cloud-based processing: opportunities and challenges. In: IEEE International Conference on Services Computing, pp. 285–292 (2015)
Jara, J., Zamora-Izquierdo, M. A., Skarmeta, A. F., Interconnection framework for mHealth and remote monitoring based on the internet of things. IEEE J. Sel. Areas Commun. 31(9):47–65, 2013.
Hossain, M. S., and Muhammad, G., Cloud-assisted industrial internet of things (IIoT)-enabled framework for health monitoring. Comput. Netw. 101(2016):192–202, 2016.
Henze, M., Hermerschmidt, L., Kerpen, D., Häußling, R., Rumpe, B., Wehrle, K., A comprehensive approach to privacy in the cloud-based internet of things. Futur. Gener. Comput. Syst. 56(2016):701–718, 2016.
Hossain, M. S., Cloud-supported cyber–physical localization framework for patients monitoring. IEEE Syst. J., 1–10, 2015. doi:10.1109/JSYST.2015.2470644.
Rabiner, L., and Juang, B. H., Fundamentals of Speech Recognition. Englewood Cliffs: Prentice-Hall, 1993.
Campbell, J. P., Speaker recognition: a tutorial. Proc. IEEE 85(9):1437–1462, 1997.
Muhammad, G., et al.: Environment recognition using selected MPEG-7 audio features and mel-frequency cepstral coefficients. In: International Conference on Digital Telecommunications (ICDT10), pp. 11–16, Greece (2010)
Godino-Llorente, J. I., Gomes-Vilda, P., Blanco-Velasco, M., Dimensionality reduction of a pathological voice quality assessment system based on Gaussian mixture models and short-term cepstral parameters. IEEE Trans. Biomed. Eng. 53(10):1943–1953, 2006.
Muhammad, G., et al., Multi directional regression (MDR) based features for automatic voice disorder detection. J. Voice. 26(6):817.e19–817.e27, 2012.
Muhammad, G., et al., Spectro-temporal directional derivative based automatic speech recognition for a serious game scenario. Multimedia Tools Appl. 74(14):5313–5327, 2015.
Viola, P., and Jones, M. J., Robust real-time face detection. Int. J. Comput. Vis. 57(2):137–154, 2004.
Ahonen, T., Hadid, A., Pietikäinen, M., Face description with local binary patterns: application to face recognition. IEEE Trans. Pattern Anal. Mach. Intell. 28(12):2037–2041, 2006.
Chen, J., et al., WLD: A robust local image descriptor. IEEE Trans. Pattern Anal. Mach. Intell. 32(9): 1705–1720, 2010.
Tan, X., and Triggs, B., Enhanced local texture feature sets for face recognition under difficult lighting conditions. IEEE Trans. Image Process. 19(6):1635–1650, 2010.
Shi, X., et al., Towards interactive medical content delivery between simulated body sensor networks and practical data center. J. Med. Syst. 40:214, 2016.
Bishop, C., Pattern Recognition and Machine Learning. New York: Springer, 2006. ISBN 978-0-387-31073-2.
González-Valenzuela, S., Chen, M., Leung, V. C. M., Mobility support for health monitoring at home using wearable sensors. IEEE Trans. Inf. Technol. Biomed. 15(4):539–549, 2011.
Chen, M., Ma, Y., Wang, J., Dung, O. M., Song, E., Enabling comfortable sports therapy for patient: a novel lightweight durable and portable ECG monitoring system. Healthcom, 271–273, 2013.
Li, Y., Dai, W., Ming, Z., Qiu, M., Privacy protection for preventing data over collection in smart city. IEEE Trans. Comput. 610 65(5):1339–1350, 2016.