عرض تفاصيل البحث

ادناه جميع التفاصيل الخاصة بالبحث المطلوب عرضه. توفر هذه المنصة معلومات اساسية حول البحث, لمزيد من التفاصيل يرجى متابعة التصفح من خلال الضغط على الرابط الاصلي للبحث او رابط DOI.

عنوان البحث
An Edge-Fog Computing-Enabled Lossless Eeg Data Compression With Epileptic Seizure Detection In Iomt Networks
عنوان المجلة
Ieee Internet Of Things Journal
ISSN-2327-4662
تفاصيل النشر
سنة النشر - 2022 / الفهرس الاصلي للمجلة - 9 : 15 (عدد الصفحات 10)
تصنيف البحث
تكنولوجيا المعلومات - انترنت الاشياء الطبي - المجموعة العلمية
رابط DOI
https://doi.org/10.1109/JIOT.2022.3143704
رابط البحث
فتح في موقع المجلة الرسمي
البحث والاستدامة
الهدف 9– الصناعة والابتكار والبنية التحتية   المزيد حول هذا الهدف
البحث والمجتمع
نعم , يدعم
الكلمات المفتاحية
Edge-fog computing; epileptic seizure detection; Internet of Medical Things (IoMT); lossless compression; machine learning

اسم الباحثجهة الانتساببلد الباحث
علي كاظم ادريس جامعة بابل العراق
سرى كاظم ادريس جامعة بابل العراق
رافائيل كوتورييه جامعة بورغوندي فرانش كومت فرنسا
تارا علي يحيى جامعة باريس ساكلاي فرنسا

The need to improve smart health systems to monitor the health situation of patients has grown as a result of the spread of epidemic diseases, the ageing of the population, the increase in the number of patients, and the lack of facilities to treat them. This led to an increased demand for remote healthcare systems using biosensors. These biosensors produce a large volume of sensed data that will be received by the edge of the Internet of Medical Things (IoMT) to be forwarded to the data centers of the cloud for further treatment. An edge-fog computing-enabled lossless electroencephalogram (EEG) data compression with epileptic seizure detection in IoMT networks is proposed in this article. The proposed approach achieves three functionalities. First, it reduces the amount of sent data from the edge to the fog gateway using lossless EEG data compression based on a hybrid approach of k -means clustering and Huffman encoding (KCHE) at the edge gateway. Second, it decides the epileptic seizure situation of the patient at the fog gateway based on the epileptic seizure detector-based Naive Bayes (ESDNB) algorithm. Third, it reduces the size of IoMT EEG data delivered to the cloud using the same lossless compression algorithm in the first step. Various measures implemented to show the effectiveness of the suggested approach and the comparison results confirm that the KCHE reduces the amount of EEG data transmitted to the fog and cloud platform and produces a suitable detection of an epileptic seizure. The average of compression power of the proposed KCHE is four times the average of compression power of other methods for all EEG records ( Z,F,N,O , and S ). Furthermore, the proposed ESDNB outperforms the other methods in terms of accuracy, where it provides accuracy from 99.53 % up to 99.99 % using the data set of Bonn University.