fa توسعه مدل پیش‌بینی حمله قلبی در بستر محاسبات مه داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="line-height:2;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="color:#000000;"><strong>مقدمه:</strong> مطالعات مختلف مزایای استفاده از محاسبات توزیع شده مه برای شبکه‌های اینترنت اشیاء را به اثبات رسانده‌اند؛ زیرا قابلیت‌های رایانش ابری همچون محاسبات، ذخیره‌سازی و پردازش را به گره‌های اینترنت اشیاء نزدیک<span dir="LTR">‌</span>تر کرده است. الگوی جدید محاسبات مه و محاسبات لبه با نزدیک کردن منابع به کاربران در مقایسه با محاسبات ابری، تأخیر کمتری برای پردازش داده‌ها ارائه داده است که این امر برای کاربردهای حساس به تأخیر همچون حوزه مراقبت سلامت از راه دور ضروری است و ارائه خدمات قابل اعتماد‌تر را فراهم می‌کند. در این پژوهش جهت پایش وضعیت بیماران قلبی یک سیستم مبتنی بر مه ارائه شده است.<span dir="LTR"><span style="font-size:12.0pt;"></span></span><br> <strong>روش:</strong> این پژوهش از نوع توسعه‌ای- کاربردی است. به منظور ارزیابی‌، از مجموعه داده بیماران عروق کرونر قلبی موجود در مخزن داده‌ یادگیری ماشین دانشگاه ارواین استفاده شد. در این سیستم، هر یک از علامت‌های بیمار قلبی بر اساس محدوده نرمال در لایه مه ارزیابی و وخامت حال بیمار بررسی می‌گردد. در این لایه، تقاضاها بر اساس تعداد علائمی که خارج از محدوده نرمال هستند، اولویت‌بندی می‌شوند. کارایی سیستم پیشنهادی از نظر مصرف پهنای باند، تأخیر و زمان پاسخ مورد ارزیابی قرار گرفت.<br> <strong>نتایج</strong><strong>:</strong> سیستم ارائه شده در این پژوهش منجر به بهبود پهنای باند به میزان 23/77%، کاهش زمان تأخیر به میزان 23/71% و بهبود زمان پاسخ به میزان 32/95%&nbsp; گردید. <span dir="LTR"><span style="font-size:12.0pt;"></span></span><br> <strong>نتیجه‌گیری:</strong> بهره‌گیری از صف اولویت به منظور اولویت‌بندی تقاضاها در لایه مه، زمان پاسخ‌دهی به درخواست‌های اورژانسی را کاهش می‌دهد.</span></span></span></span></div> <div style="text-align: justify;"><span style="line-height:2;"><span style="color:#000000;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> Various studies have demonstrated the benefits of using distributed fog computing for the Internet of Things (IoT). Fog computing has brought cloud computing capabilities such as computing, storage, and processing closer to IoT nodes. The new model of fog and edge computing, compared to cloud computing, provides less latency for data processing by bringing resources closer to users. This is essential for delay-sensitive applications such as remote healthcare and provides more reliable services. In this study, a fog-based system was proposed to monitor the condition of heart patients.<br> <strong>Method:</strong> This study was a developmental-applied one. A set of data relevant to coronary heart patients available in the machine learning data repository of the University of California Irvine was used for evaluation. In this system, each of the heart patient&#39;s symptoms is evaluated based on the normal range in the fog layer and the status of the patient is determined. In this layer, requests are prioritized based on the number of symptoms that are out of the normal range. The efficiency of the proposed system was evaluated in terms of network usage time, latency, and response time.<br> <strong>Results:</strong> The system presented in this study led to the improvement of network usage time by 23.77%, reduction of latency by 23.71%, and enhancement of response time by 32.95%.<br> <strong>Conclusion</strong>: Using the priority queue to prioritize requests at the fog layer reduces the response time to emergency requests.</span></span></span></span><span dir="RTL"></span></div> محاسبات مه, اینترنت اشیاء, نظارت از راه دور, محاسبات ابری Fog Computing, Internet of Things (IoT), Telemonitoring, Cloud Computing 326 337 http://jhbmi.ir/browse.php?a_code=A-10-443-3&slc_lang=fa&sid=1 Ali Golkar علی گل کار ali.h.golkar@gmail.com 10031947532846009761 10031947532846009761 No Ph.D. in Computer Engineering, Department of Computer Engineering , Yasooj Branch, Islamic Azad University, Yasooj, Iran دکترای مهندسی کامپیوتر، گروه مهندسی کامپیوتر، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران Razieh Malekhosseini راضیه ملک حسینی mokatebateedari@gmail.com 10031947532846009762 10031947532846009762 No Ph.D. in Computer Engineering, Assistant professor, Department of Computer Engineering Yasooj Branch, Islamic Azad University, Yasooj, Iran دکترای مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران Keyvan RahimiZadeh کیوان رحیمی زاده rahimizadeh@gmail.com 10031947532846009763 10031947532846009763 Yes Ph.D. in Computer Engineering, Assistant Professor, Department of Electrical and Computer Engineering, School of Engineering, Yasouj University, Yasouj, Iran دکترای مهندسی کامپیوتر، استادیار، گروه مهندسی برق و کامپیوتر، دانشگاه یاسوج، یاسوج، ایران Azita Yazdani آزیتا یزدانی a_yazdani@sums.ac.ir 10031947532846009764 10031947532846009764 No Ph.D. in Medical Informatics, Assistant Professor, Health Human Resources Research Center, School of Management and Information Sciences, Clinical Education Research Center, Shiraz University of Medical Sciences, Shiraz, Iran دکترای انفورماتیک پزشکی، استادیار، مرکز تحقیقات مدیریت سلامت و منابع انسانی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، مرکز تحقیقات آموزش بالینی، دانشگاه علوم پزشکی شیراز، شیراز، ایران Amin Beheshti امین بهشتی min.beheshti@mq.edu.au 10031947532846009765 10031947532846009765 No Ph.D. in Computer Engineering, Professor, Department of Computing, Macquarie University, Sydney, Australia دکترای مهندسی کامپیوتر، استاد، گروه محاسبات، دانشکده علوم و مهندسی، دانشگاه مک کوئری، سیدنی، استرالیا