FAST : Un système d'analytique distribué assisté par fog computing pour surveiller les chutes en vue de la mitigation des AVC

Le fog computing est un paradigme informatique récemment proposé qui étend le cloud computing et les services jusqu'à la périphérie du réseau. Les nouvelles fonctionnalités offertes par le fog computing (par exemple, l'analytique distribuée et l'intelligence en périphérie), si elles sont appliquées avec succès aux applications de surveillance de la santé omniprésente, ont un grand potentiel pour accélérer la découverte de prédicteurs précoces et de nouveaux biomarqueurs pour soutenir la prise de décision en matière de soins intelligents dans des scénarios de santé connectée. Bien que prometteur, comment concevoir et développer un système de surveillance de la santé omniprésente basé sur le fog computing dans le monde réel reste une question ouverte. Comme première étape pour répondre à cette question, dans cet article, nous utilisons la détection de chutes omniprésente pour la mitigation des AVC comme cas d'étude. Il y a quatre contributions majeures dans cet article : (1) enquêter et développer un ensemble de nouveaux algorithmes de détection de chutes, y compris de nouveaux algorithmes basés sur les valeurs de magnitude d'accélération et des techniques d'analyse de séries temporelles non linéaires, ainsi que de nouvelles techniques de filtrage pour faciliter le processus de détection des chutes ; (2) concevoir et employer un système de détection de chutes en temps réel utilisant le paradigme de fog computing, qui distribue l'analytique à travers le réseau en répartissant la tâche de détection entre les dispositifs en périphérie (par exemple, les smartphones attachés à l'utilisateur) et le serveur (par exemple, les serveurs dans le cloud) ; (3) nous examinons soigneusement les besoins et contraintes particuliers des patients victimes d'AVC et proposons une conception centrée sur le patient qui est minimalement intrusive pour les patients. Ce type de conception centrée sur le patient fait actuellement défaut dans la plupart des travaux existants ; et (4) nos expériences avec des données du monde réel montrent que notre système proposé atteint une haute sensibilité (faible taux de manque) tout en atteignant également une haute spécificité (faible taux de fausses alertes). En même temps, le temps de réponse et la consommation d'énergie de notre système sont proches du minimum des approches existantes.