Makine öğrenmesi tabanlı gerçek zamanlı medikal nesnelerin interneti çerçevesinin geliştirilmesi

Yeni koronavirüs hastalığı (COVID-19), birçok alanda olduğu gibi sağlık sektöründe de Medikal Nesnelerin İnterneti (IoMT), Kablosuz Vücut Alan Ağları (KVAA) ve Bulut bilişim gibi yeni teknolojilere olan ihtiyacı arttırmıştır. Bu teknolojiler ayrıca milyarlarca cihazın internete bağlanmasını, birbirleriyle iletişim kurmasını ve her yerden ve her zaman erişilebilen yeni servisleri kullanmasını mümkün kılmıştır. Bu çalışmada, KVAA'lardan oluşan yeni bir IoMT çerçevesi önerilmiştir. KVAA'lardan gelen sağlık büyük verileri ile Sis (Fog) ve Bulut (Cloud) bilişim teknolojileri kullanılarak analizler gerçekleştirilmiştir. Hızlı ve kolay analizler için Sis bilişim, zaman alan ve karmaşık analizler için ise Bulut bilişim kullanılmıştır. Önerilen IoMT çerçevesi, bir diyabet ve bir kalp hastalığı tahmin senaryosu ile sunulmuştur. Hastalıkların tahmin sürecinde, bulanık mantık karar verme ile Sis bilişim üzerinde tahminler gerçekleştirilmiştir. Bulut bilişimde ise gerçek zamanlı veri akışında Node-Red ve Apache Kafka, gerçek zamanlı veri analizinde Apache Spark ve büyük verileri kolaylıkla depolayabilen MongoDB yapıları kullanılmıştır. Bununla birlikte, Apache Spark makine öğrenmesi kütüphanesi olan MLlib'in içerisindeki Karar Ağacı (KA), Rastgele Orman (RO), Gradyan Artırma (GA), Lojistik Regresyon (LR) ve Destek Vektör Makinesi (DVM) makine öğrenmesi sınıflandırma algoritmaları ile gerçek zamanlı veri analizleri yapılarak tahminler gerçekleştirilmiştir. Ayrıca, kullanılan sınıflandırma algoritmalarının performans karşılaştırmaları yapılmıştır. Sonuçlar incelendiğinde, bulanık mantık kullanılan Sis bilişimde diyabet için %64 doğruluk performansı ve Bulut bilişim de ise KA, RO, GA, LR ve DVM algoritmaları diyabet hastalığı için sırasıyla %78,77, %77,40, %84,93, %80,14 ve %79,45 doğruluk, kalp hastalığı için ise sırasıyla %89,74, %92,31, %94,87, %88,46 ve %93,60 doğruluk ile tahmin performansları sunmuştur. Ayrıca IEEE 802.15.6 standardı ve AODV yönlendirme protokolü kullanılarak oluşturulan KVAA senaryosundaki farklı önceliklere sahip heterojen düğümlerin iş çıkarım ve gecikme sonuçları da analiz edilmiştir. Bununla birlikte, veri analitiğinde kullanılan Apache Spark gerçek zamanlı veri işleme performansı incelenmiştir. Elde edilen tüm sonuçlar, önerilen yaklaşımın yüksek verimliliği ve fizibilitesini kanıtlamıştır.