Ein intelligentes System zur Schlafüberwachung durch Integration von IoT mit Big Data Analyse

Obtrusive Schlafapnoe (OSA) ist eine der wichtigsten Schlafstörungen, da sie direkte negative Auswirkungen auf die Lebensqualität hat. Intellektuelle Verschlechterung, verminderte psychomotorische Leistung sowie Verhaltens- und Persönlichkeitsstörungen sind einige der Folgen von OSA. Daher ist eine Echtzeitüberwachung dieser Störung eine kritische Notwendigkeit in der Gesundheitsversorgung. Es gibt verschiedene Systeme zur OSA-Erkennung. Dennoch führen diese Systeme trotz ihrer vielversprechenden Ergebnisse nicht zu einer gezielten Behandlung. Aus diesen Gründen präsentiert diese Forschung ein innovatives System sowohl zur Erkennung als auch zur Unterstützung der Behandlung von OSA bei älteren Menschen, indem es mehrere Faktoren wie das Schlafumfeld, den Schlafstatus, körperliche Aktivitäten und physiologische Parameter sowie die Nutzung offener Daten in smarten Städten überwacht. Unsere Systemarchitektur führt zwei Arten der Verarbeitung durch. Einerseits eine regelbasierte Vorverarbeitung, die das Versenden von Echtzeitbenachrichtigungen an die für die Pflege älterer Menschen Verantwortlichen im Falle einer Notfallsituation ermöglicht. Diese Vorverarbeitung basiert im Wesentlichen auf einem Fog-Computing-Ansatz, der in einem intelligenten Gerät implementiert ist, das am Rand des Netzwerks arbeitet und zusätzlich fortschrittliche Interoperabilitätsdienste bietet: technisch, syntaktisch und semantisch. Andererseits eine Batch-Datenverarbeitung, die eine beschreibende Analyse ermöglicht, die das Verhalten der Daten statistisch detailliert, sowie eine prädiktive Analyse zur Entwicklung von Dienstleistungen, wie zum Beispiel die Vorhersage des am wenigsten verschmutzten Ortes für Outdoor-Aktivitäten. Diese Verarbeitung nutzt Big-Data-Tools auf Cloud-Computing. Die durchgeführten Experimente zeigen eine Effektivität von 93,3 % bei der Vorhersage des Luftqualitätsindex zur Anleitung der OSA-Behandlung. Die Leistung des Systems wurde in Bezug auf Latenz bewertet. Die erzielten Ergebnisse zeigen eindeutig, dass die Vorverarbeitung von Daten am Rand des Netzwerks die Effizienz des Systems verbessert.