Remote Monitoring of COVID-19 Patients Using Multisensor Body Area Network Innovative System
Notice bibliographique
Résumé
As of late 2019, the COVID19 pandemic has been causing huge concern around the world. Such a pandemic posed serious threats to public safety, the well-being of healthcare workers, and the overall health of the population. If automation can be implemented in healthcare systems, patients could be better cared for and health industries could be less burdened. To combat such challenges, e-health requires apps and intelligent systems. Using WBAN sensors and networks, a doctor or medical professional can advise patients on the best course of action. Patients' fitness could be assessed using WBAN sensors without interfering with their daily activities. When designing a monitoring system, system performance reliability for competent healthcare is critical. Existing research has failed to create a large device capable of handling a large network or to improve WBAN topologies for fast transmitting and receiving patient data. As a result, in this research, we create a multisensor WBAN (MSWBAN) intelligent system for transmitting and receiving critical patient data. To gather information from all cluster nodes and send it to multisensor WBAN, a novel additive distance-threshold routing protocol (ADTRP) is proposed. In small networks where data are managed by the transmitting node and the best data route is determined, this protocol has less redundancy. An edge-cutting-based routing optimization (ES-EC-R ES-EC-RO) is used to find the best route. The Trouped blowfish MD5 (TB-MD5) algorithm is used to encrypt and decrypt data, and the encrypted data are stored in a cloud database for security. The performance metrics of our proposed model are compared to current techniques for the best results. End-to-end latency is 63 ms, packet delivery is 95%, security is 95.7%, and throughput is 9120 bps, according to the results. The purpose of this article is to encourage engineers and front-line workers to develop digital health systems for tracking and controlling virus outbreaks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».