تكامل الذكاء الآلي وإنترنت الأشياء في الرعاية الصحية الذكية للكشف عن أمراض الصوت (IoT)
DOI:
https://doi.org/10.31185/bsj.Vol20.Iss31.1327الكلمات المفتاحية:
الشبكة العصبية التلافيفية، الرعاية الصحية الذكية، التعلم العميق، الذاكرة طويلة المدى قصيرة المدى (LSTM), الكشف عن أمراض الصوتالملخص
يمثل توظيف تقنيات الذكاء الاصطناعي (AI) وإنترنت الأشياء (IoT) في الرعاية الصحية الذكية اتجاهاً واعداً للابتكار. لقد أسهمت التطورات الأخيرة في تقنيات التعلم العميق (Deep Learning) في دفع عجلة أتمتة أنظمة التشخيص والتصنيف بشكل ملحوظ. كما أن ظهور شبكات الجيل الخامس (5G) في مجال الاتصالات اللاسلكية قد وفر سرعة أكبر وموثوقية أعلى في نقل البيانات، مما سرّع من تبني حلول الرعاية الصحية الذكية. وقد أبرزت جائحة كوفيد-19 الأهمية البالغة لمثل هذه الأنظمة. تؤثر أمراض الصوت على شريحة واسعة من الأفراد حول العالم، غير أن التشخيص المبكر لها يجعل علاجها أكثر فاعلية. في هذه الدراسة، نقترح إطاراً للرعاية الصحية الذكية مخصصاً للكشف عن أمراض الصوت. تُسجَّل إشارات الصوت والـ EGG باستخدام أجهزة إنترنت الأشياء، بما في ذلك الميكروفونات وأجهزة التخطيط الكهربائي للحنجرة (Electroglottography). ثم تُحوَّل هذه الإشارات إلى أطياف ميل (Mel-spectrograms) وتُحلَّل بواسطة شبكات عصبية تلافيفية (CNNs) مدرَّبة مسبقاً. بعد ذلك، تُدمَج الخصائص المستخرجة باستخدام شبكة LSTM ثنائية الاتجاه (BiLSTM) لالتقاط الارتباطات الزمنية. وقد جرى تقييم الإطار المقترح باستخدام قاعدة بيانات ساربروكن الصوتية. وتبين من النتائج التجريبية أن المدخلات ثنائية النمط تحقق أداءً أفضل من أحادية النمط، حيث بلغت دقة التصنيف 95.65%. تُظهر الدراسات أن المدخلات ثنائية النمط (Bimodal Inputs) تحقق أداءً أفضل من المدخلات أحادية النمط، وقد حقق النهج المقترَح دقة (Precision) بلغت 95.65%.
