Resumen

El aumento del crecimiento de los big data, en particular en las clases de asistencia sanitaria-Internet de las Cosas (IoT) y biomédica, tiende a ayudar a los pacientes mediante la identificación temprana de la enfermedad a través de métodos para el análisis de datos médicos. Por lo tanto, los biosensores IoT basados en nanotecnología desempeñan un papel importante en el campo médico. Problema. Sin embargo, la coherencia sigue disminuyendo cuando faltan datos en dichos datos médicos procedentes de biosensores de IoT basados en nanotecnología. Además, cada región tiene sus propias características especiales, lo que disminuye aún más la precisión de la predicción. El modelo propuesto reconstruye inicialmente los datos perdidos o parciales para abordar el reto de manejar las estructuras de datos médicos con datos incompletos. Métodos. Se propone una arquitectura adaptativa para mejorar las capacidades informáticas de predicción automática de la enfermedad. Las bases de datos médicas se manejan en entornos impredecibles. Este paradigma optimizado para el diagnóstico produce el algoritmo de árbol de decisión difuso y categorizado genéticamente. Este trabajo utiliza un clasificador normalizado, concretamente el algoritmo de árbol de decisión difuso (FDT), para clasificar los datos recogidos a través de biosensores IOT basados en nanotecnología, y esto ayuda en la identificación de instancias no deterministas a partir de conjuntos de datos no estructurados relacionados con el diagnóstico médico. El algoritmo FDT se mejora aún más mediante el uso de algoritmos genéticos para la clasificación eficaz de las instancias. Por último, el sistema propuesto utiliza dos conjuntos de datos más amplios para verificar la precisión predictiva. Para describir un algoritmo de árbol de decisión difuso basado en el valor de la función de adecuación, se utiliza una regla de clasificación de decisiones modificada. Las bases de datos estructuradas y no estructuradas se configuran para su procesamiento. Resultados y conclusiones. Esta evaluación de patrones de prueba ayuda a realizar un seguimiento de la eficacia del FDT con reglas optimizadas durante las etapas de entrenamiento y prueba. El método propuesto se valida frente a datos de biosensores IOT basados en nanotecnología en términos de precisión, sensibilidad, especificidad y medida F. Los resultados de la simulación muestran que el método propuesto alcanza un mayor índice de precisión que los otros métodos. Otras métricas relativas al modelo con y sin selección de características muestran un índice de sensibilidad, especificidad y medida F mejor que los métodos existentes.

• Materias:Análisis electroquímico Nanotecnología Nanoestructuras Nanocompuestos Nanotubos
• Subjects:Electrochemical analysis Nanotechnology Nanostructures Nanocomposites Nanotubes
• Palabras claves:biosensores iot, nanotecnología, precisión, algoritmo de árbol de decisión difuso, datos de biosensores iot, regla de clasificación de decisiones, algoritmo de árbol de decisión, valor de la función de aptitud, estructuras de datos médicos, características especiales propias
• Keywords:iot biosensors, nanotechnology, accuracy, fuzzy decision tree algorithm, iot biosensors data, decision classification rule, decision tree algorithm, fitness function value, medical data structures, own special features