دانلود ترجمه مقاله چارچوب اینترنت اشیا برای نظارت و شناسایی زودهنگام موارد COVID-19

1. مقدمه 2. مروری بر مقالات 3. روش ها 4. نتایج و بحث و بررسی 5. نتیجه گیری

چکیده – جهان از اواخر سال 2019، با چالش کووید 19 مواجه شده است. انتظارها بر این است که جهان با اقدامات احتیاطی نیاز به مقابله با همه گیری کووید 19 دارد، تا زمانی که یک واکسن موثر ابداع شود. این مقاله، یک سیستم آشکار سازی و مانیتورینگ بلادرنگ کووید 19 را پیشنهاد می دهد. سیستم پیشنهادی از چارچوب «اینترنت اشیاء» (IoT) برای گردآوری داده های علامتی بلادرنگ از کاربران استفاده می کند تا بطور زودهنگام موارد ویروس کرونای مشکوک را شناسایی کند، پاسخ درمانی افرادی که از این ویروس بهبود یافته اند را مورد نظارت قرار دهد و ماهیت این ویروس را با گردآوری و تحلیل داده های مرتبط، درک کند. این چارچوب شامل پنج مولفه اصلی است: «گردآوری و بارگذاری داده های علائمی» (با استفاده از حسگرهای پوشیدنی)، «مرکز قرنطینه/ایزولاسیون»، مرکز تحلیل داده ها (که از الگوریتم های یادگیری ماشینی استفاده می کند)، پزشکان سلامت و زیرساخت ابری. جهت شناسایی سریع موارد بالقوه ویروس کرونا از این داده های سیستم بلادرنگ، این مقاله، هشت الگوریتم یادگیری ماشینی را یعنی، «ماشین بردار پشتیبانی» (SVM)، شبکه عصبی، بیز ساده، «K عدد از نزدیکترین همسایه»(K-NN)، جدول تصمیم، استامپ تصمیم، OneR و ZeroR را پیشنهاد می دهد. جهت تست کردن این هشت الگوریتم برروی یک مجموعه داده علامتی کووید 19 واقعی، بعد از انتخاب علائم مرتبط، اجرای آزمایشی انجام شد. نتایج نشان می دهند که پنج عدد از این هشت الگوریتم، به دقت بیش از 90% دست یافتند. براساس این نتایج، به این باور می رسیم که داده های علامتی بلادرنگ، به این پنج الگوریتم اجازه شناسایی موثر و دقیق موارد بالقوه کووید 19 را می دهد و بنابراین این چارچوب، پاسخ درمانی را برای هر بیماری که با این ویروس در تماس بوده است را گزارش می دهد.

The world has been facing the challenge of COVID-19 since the end of 2019. It is expected that the world will need to battle the COVID-19 pandemic with precautious measures, until an effective vaccine is developed. This paper proposes a real-time COVID-19 detection and monitoring system. The proposed system would employ an Internet of Things (IoTs) framework to collect real-time symptom data from users to early identify suspected coronaviruses cases, to monitor the treatment response of those who have already recovered from the virus, and to understand the nature of the virus by collecting and analyzing relevant data. The framework consists of five main components: Symptom Data Collection and Uploading (using wearable sensors), Quarantine/Isolation Center, Data Analysis Center (that uses machine learning algorithms), Health Physicians, and Cloud Infrastructure. To quickly identify potential coronaviruses cases from this real-time symptom data, this work proposes eight machine learning algorithms, namely Support Vector Machine (SVM), Neural Network, Naïve Bayes, K-Nearest Neighbor (K-NN), Decision Table, Decision Stump, OneR, and ZeroR. An experiment was conducted to test these eight algorithms on a real COVID-19 symptom dataset, after selecting the relevant symptoms. The results show that five of these eight algorithms achieved an accuracy of more than 90 %. Based on these results we believe that real-time symptom data would allow these five algorithms to provide effective and accurate identification of potential cases of COVID-19, and the framework would then document the treatment response for each patient who has contracted the virus.

ترجمه این مقاله در 17 صفحه آماده شده و در ادامه نیز صفحه 5 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.