کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4928175 1432014 2017 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Semantic interoperability for big-data in heterogeneous IoT infrastructure for healthcare
ترجمه فارسی عنوان
تعامل متقابل معنایی برای داده های بزرگ در زیر ساخت IOT ناهمگن برای مراقبت بهداشتی
کلمات کلیدی
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1.مقدمه

2.    مرور مقالات

3.    الگوی ارائه شده: مدل تعامل متقابل معنایی برای داده های بزرگ در IoT (SIMB-IoT)

شکل 1. مدل وابسته به معماری برای مدل تعامل متقابل معنایی برای داده های بزرگ در IoT

4.    تفسیرهای معنایی داده ها با استفاده از دستگاه های IoT ناهمگن

شکل 2. مدل سبک برای تفسیر معنایی داده های بزرگ با استفاده از دستگاه های ناهمگن در IoT

5.    آزمایشات و نتایج

شکل 3. کلاس اثرات جانبی دارو ها با ویژگی های منحصر به فردشان که با استفاده از درخواست SPARQL استخراج شده اند

شکل 4. نوع مفهومی MedDRA و خصوصیاتش

شکل 5. خصوصیات ویژه دارو های استفاده شده در داده های متصل شده از مجموعه داده دارو ها با اثرات جانبی

شکل 6. برخی بیماری ها و داروهای آنها از مجموعه داده دارو- بیماری

6.    خاتمه و کار آتی
ترجمه چکیده
تعامل متقابل برای توسعه دهندگان سیستم های اینترنت اشیاء یک بار مسئولیتی مهم باقی مانده است. آن به این علت است که دستگاه های IoT با توجه به پروتکل های ارتباطی پایه، فرمت های داده ها، و تکنولوژی ها، به شدت ناهمگن هستند. علاوه بر این، به علت نبودن استانداردهای رضایت بخش در سراسر جهان، ابزارهای تعامل متقابل، ناقص و ناتمام مانده ند. در این مقاله، ما مدل تعامل متقابل معنایی برای داده های بزرگ در IoT (SIMB-IoT) را به منظور تحویل تعامل متقابل معنایی در میان دستگاه های IoT ی ناهمگن در حوزه مراقبت های بهداشتی، ارائه کردیم. این مدل برای پیشنهاد دارو با اثرات جانبی برای علائم بیماری های مختلف که از سنسورهای IoT ناهمگن و متفاوت جمع آوری شده است استفاده می شود. دو مجموعه داده برای تحلیل داده های بزرگ گرفته شدند. یک مجموعه داده شامل بیماری ها با جزئیات داروهاست و مجموعه داده دوم داروهای دارای اثرات جانبی را شامل می شود. اطلاعات بین پزشک و بیمار، به صورت معنایی تفسیر شده و به روشی معنی دار انتقال داده می شوند. یک مدل سبک برای تفسیر معنایی داده های بزرگ با استفاده از دستگاه های ناهمگن در IoT، به منظور فراهم کردن تفسیرهایی برای داده های بزرگ ارائه شده است. چارچوب توصیف منبع (RDF) یک چارچوب وب معنایی است که به منظور برقراری ارتباط اشیاء با استفاده از Triple ها به منظور معنی دار کردن آن، بازیابی می شود. داده های بیماران توسط RDF تفسیر شده و RDF آنها را از لحاظ معنایی قابل تعامل می کند. پرسش (جست و جوی) SPARQL به منظور استخراج رکوردها از گراف RDF استفاده می شود. ابزارهای Tableau، Gruff-6.2.0، و Mysql، در شبیه سازی در این مقاله استفاده شده اند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی


- A Lightweight SIMB-IoT model is proposed for heterogeneous IoT devices for semantic interoperability in healthcare domain.
- Intelligent health cloud recommends drugs and their side effects against the input of different diseases' symptoms.
- Semantic data analytics is used to expose hidden patterns from a large volume of the big dataset.
- SPARQL is used to interact with the document, indexed by MedDRA repository's keywords.

Interoperability remains a major burden to the developers of Internet of Things systems. It is due to IoT devices are extremely heterogeneous regarding basic communication protocols, data formats, and technologies. Furthermore, due to the absence of worldwide satisfactory standards, Interoperability tools remains imperfect. In this paper, we have proposed Semantic Interoperability Model for Big-data in IoT (SIMB-IoT) to deliver semantic interoperability among heterogeneous IoT devices in health care domain. This model is used to recommend medicine with side effects for different symptoms collected from heterogeneous IoT sensors. Two datasets are taken for the analysis of big-data. One dataset contains diseases with drug details and the second dataset contains medicines with side effects. Information between physician and patient are semantically annotated and transferred in a meaningful way. A Lightweight Model for Semantic annotation of Big-data using heterogeneous devices in IoT is proposed to provide annotations for big data. Resource Description Framework (RDF) is a semantic web framework that is recycled to communicate things using Triples to make it semantically significant. RDF annotated patients' data and made it semantically interoperable. SPARQL query is used to extract records from RDF graph. Tableau, Gruff-6.2.0, and Mysql tools are used in simulation in this article.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Sustainable Cities and Society - Volume 34, October 2017, Pages 90-96
نویسندگان
, , , , , ,