Sistema de Predicción de Enfermedades Cardiovasculares Inteligente Basado en Niebla Impulsado por una Unidad Recurrente de Compuertas Modificada

La tendencia tecnológica actual de ritmo acelerado ha traído una transformación constante. En este sentido, la computación en la nube ha demostrado ser el principal proveedor de servicios como potencia de computación, software, redes, almacenamiento y bases de datos, bajo un modelo de pago por uso. La nube es un gran defensor del internet de las cosas (IoT), proporcionando la computación y el almacenamiento necesarios para abordar aplicaciones del internet de las cosas. Con la proliferación de dispositivos IoT que desencadenan un aumento continuo de datos, la interacción entre la nube y el IoT enfrenta restricciones de latencia, ancho de banda y conectividad. La inclusión de una capa de computación en la niebla descentralizada y distribuida entre la nube y la capa IoT amplía los servicios de procesamiento, almacenamiento y redes de la nube cerca de los usuarios finales. Este modelo jerárquico de borde-niebla-nube distribuye la computación y la inteligencia, produciendo soluciones óptimas mientras aborda restricciones como el volumen masivo de datos, la latencia, el retraso y la vulnerabilidad de seguridad. El dominio de la salud, que exige funcionalidades críticas en tiempo, puede beneficiarse de la interacción entre nube-niebla-IoT. Este artículo de investigación propuso un sistema de salud inteligente asistido por niebla para diagnosticar enfermedades cardíacas o cardiovasculares. Combinó un sistema de inferencia difusa (FIS) con la variante del modelo de red neuronal recurrente de la unidad recurrente de compuertas (GRU) para tareas de pre-procesamiento y análisis predictivo. El sistema propuesto muestra resultados de rendimiento significativamente mejorados, con una precisión de clasificación del 99.125%. Con un procesamiento importante de análisis de datos de salud realizado en la capa de niebla, se observa que el trabajo propuesto revela resultados optimizados en relación con los retrasos en términos de latencia, tiempo de respuesta y jitters, en comparación con la nube. Los modelos de aprendizaje profundo son hábiles en el manejo de tareas sofisticadas, particularmente en el análisis predictivo. Las aplicaciones de salud críticas en tiempo obtienen beneficios del exclusivo potencial del aprendizaje profundo para proporcionar resultados casi perfectos, junto con las ventajas del modelo de niebla descentralizada, como lo revelan los resultados experimentales.