زهرا پوری زاده - دانش آموخته کارشناسی، دانشکده مهندسی کامپیوتر- دانشگاه الزهرا- تهران- ایران
محمدرضا کرباسی - دانش آموخته کارشناسی، دانشکده مهندسی برق- دانشگاه صنعتی خواجه نصیرالدین طوسی - تهران- ایران

با پیشرفت گام به گام تکنولوژی های مرتبط با اینترنت اشیاء و دقت روزافزون سنسورهای پوشیدنی، همچنین بهبود چشمگیرالگوریتم های یادگیری ماشین (ML) مبتنی بر Big Data، فرصت های بی نظیری در جهت پیش بینی، پیشگیری، هشدار و حتی پیشنهاد درمان بیماریها با استفاده از ترکیب این دو تکنولوژی بوجود آمده است. در این پژوهش سیستمی مبنی بر(RPM(Remote Patient Monitoring پیشنهاد می شود که با استفاده از سنسورهای پوشیدنی، علائم بیمار مستعد حمله قلبی، بصورت بیدرنگ (Run-time) دریافت و توسط یک میکروکنترلر به سرور مبتنی بر ابر فرستاده میشود. در سرور، داده ها پس از دسته بندی، به الگوریتم CoDE-ACS ارسال میشود. این الگوریتم در صورت مشاهده علائم هشداردهنده، وقوع سکته قلبی را با احتمال بالایی پیش بینی کرده، بیمار، نزدیکان بیمار، پزشک معالج یا مرکز اورژانس را مطلع می سازد.

هوش مصنوعی، یادگیری ماشین، پیشبینی حمله قلبی، اینترنت اشیاء، الگوریتم