7、利用深度学习应对医疗物联网网络中的 COVID - 19 大流行

利用深度学习应对医疗物联网网络中的 COVID - 19 大流行

1. 引言

通信和传感技术的飞速发展让物联网网络能够连接多个物理对象，催生了众多物联网应用，如智能家居、智能医疗、智能交通和智能环境监测等。然而，物联网应用对数据的快速响应，使得满足其延迟、流量减少、隐私和带宽要求成为一个重大问题。以智能医疗应用为例，它需要保障患者数据的安全和隐私，对紧急状况做出快速响应，并具备高带宽以在物联网网络上上传大量日常感知的患者数据。但当前的物联网网络因带宽限制、不可避免的延迟以及大量上传数据的高成本，无法满足这些需求。为此，思科开发了雾计算。

雾计算是云计算的扩展，它利用边缘设备在智能终端设备和云数据中心之间进行本地计算、存储和分析，将智能和处理能力带到离数据源更近的地方。因此，在雾计算层进行决策可以让智能终端设备快速响应，而无需将数据传输到云平台进行决策，这在实时应用中尤为重要。

机器学习技术被用于根据个体的独特特征识别感染者。例如，肿瘤检测使用多层感知器和朴素贝叶斯等机器学习算法。首先对照片进行预处理，然后使用灰度共生矩阵（GLCM）提取特征，最后用多层感知器和朴素贝叶斯方法对图像进行分类。支持向量机、多元逻辑回归和人工神经网络等也被用于帕金森病的分类，这些技术的疾病分类准确率均超过 90%。

由于有大量快速设备可用于收集、分析和存储海量数据，机器学习方法在实验诊断中得到广泛应用。它可有效应用于众多医疗保健应用，包括疾病发现、识别、诊断、药物生产、医学图像分析和智能记录管理等。不过，机器学习在应用中也存在一些问题，如不规则数据、多样性、缺乏识别工具、时间依赖性、未使用完整医疗数据集等，导致一些系统方法尚未实施。为缓解这些限制，可通过利用人类创造力进行特征工程，但