論文の概要: Edge Computing For Smart Health: Context-aware Approaches, Opportunities, and Challenges

• arxiv url: http://arxiv.org/abs/2004.07311v1
• Date: Wed, 15 Apr 2020 19:50:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 09:01:03.364223
• Title: Edge Computing For Smart Health: Context-aware Approaches, Opportunities, and Challenges
• Title（参考訳）: スマートヘルスのためのエッジコンピューティング:コンテキスト認識アプローチ、機会、課題
• Authors: Alaa Awad Abdellatif, Amr Mohamed, Carla Fabiana Chiasserini, Mounira Tlili, Aiman Erbad
• Abstract要約: スマートヘルスケア(s-health)を実現する上で最も有望なアプローチは、エッジコンピューティング機能と次世代無線ネットワーク技術である。 我々はMECベースのアーキテクチャを構想し、ネットワーク内およびコンテキスト対応処理を実現する上でのメリットについて論じる。 このようなアーキテクチャを活用して効率的なデータ配信を実現する2つの主要な機能を示す。
• 参考スコア（独自算出の注目度）: 13.506100532943162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Improving efficiency of healthcare systems is a top national interest worldwide. However, the need of delivering scalable healthcare services to the patients while reducing costs is a challenging issue. Among the most promising approaches for enabling smart healthcare (s-health) are edge-computing capabilities and next-generation wireless networking technologies that can provide real-time and cost-effective patient remote monitoring. In this paper, we present our vision of exploiting multi-access edge computing (MEC) for s-health applications. We envision a MEC-based architecture and discuss the benefits that it can bring to realize in-network and context-aware processing so that the s-health requirements are met. We then present two main functionalities that can be implemented leveraging such an architecture to provide efficient data delivery, namely, multimodal data compression and edge-based feature extraction for event detection. The former allows efficient and low distortion compression, while the latter ensures high-reliability and fast response in case of emergency applications. Finally, we discuss the main challenges and opportunities that edge computing could provide and possible directions for future research.
• Abstract（参考訳）: 医療システムの効率性の向上は、世界有数の国家的関心事である。 しかし、患者にスケーラブルな医療サービスを提供し、コストを下げる必要性は、難しい問題である。 スマートヘルスケア(s-health)を実現する最も有望なアプローチは、エッジコンピューティング機能と、リアルタイムで費用対効果の高い患者リモート監視を提供する次世代無線ネットワーク技術である。 本稿では,マルチアクセスエッジコンピューティング(MEC)をSヘルスアプリケーションに適用するビジョンについて述べる。 我々は、MECベースのアーキテクチャを構想し、Sヘルス要件を満たすために、ネットワーク内およびコンテキスト対応処理を実現するための利点について論じる。 次に,このようなアーキテクチャを活用して,効率的なデータ配信を実現するための2つの機能,すなわちマルチモーダルデータ圧縮とイベント検出のためのエッジベースの特徴抽出を提案する。 前者は効率的で低歪み圧縮が可能で、後者は緊急時に高い信頼性と高速な応答を保証する。 最後に、エッジコンピューティングが提供する主な課題と機会、今後の研究の方向性について論じる。

関連論文リスト

• Harnessing the Digital Revolution: A Comprehensive Review of mHealth Applications for Remote Monitoring in Transforming Healthcare Delivery [1.03590082373586]
  このレビューでは、遠隔医療プラットフォーム、慢性疾患管理用のモバイルアプリ、ウェアラブルデバイスなど、リモート監視に使用されるさまざまなタイプのmHealthアプリケーションを強調している。 これらの応用の利点は、患者の成果の改善、医療へのアクセスの向上、医療費の削減、医療格差への対処である。 しかしながら、プライバシやセキュリティ上の懸念、技術的なインフラストラクチャの欠如、規制のイシュー、データの正確性、ユーザの遵守、ディジタルディビジョンといった課題や制限には対処する必要がある。
  論文  参考訳（メタデータ） (2024-08-26T11:32:43Z)
• Explainable Machine Learning-Based Security and Privacy Protection Framework for Internet of Medical Things Systems [1.8434042562191815]
  インターネット・オブ・メディカル・モノ(IoMT)は、従来の医療境界を超越し、反応性治療から予防への転換を可能にする。 その利点は、処理されたデータの感度と価値のために、ユーザの生活を危険にさらす、重大なセキュリティ上の課題に対処されている。 新しいIDS(Intrusion Detection Systems)フレームワークを導入し、ANN(Artificial Neural Networks)を侵入検知に利用し、FL(Federated Learning)をプライバシ保護に活用する。
  論文  参考訳（メタデータ） (2024-03-14T11:57:26Z)
• The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
  Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。 本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。 新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
  論文  参考訳（メタデータ） (2024-01-03T07:47:22Z)
• Towards Smart Healthcare: Challenges and Opportunities in IoT and ML [0.0]
  新型コロナウイルス(COVID-19)のパンデミックや他の健康危機は、世界中の医療サービスを促進する必要性を浮き彫りにした。 この章は、IoTヘルスケアセクターに機械学習メソッドを統合する際に直面するハードルを探求することに焦点を当てている。 現在の研究課題と潜在的な機会を包括的にまとめ、三つのシナリオに分類する。
  論文  参考訳（メタデータ） (2023-12-09T10:45:44Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Edge Intelligence for Empowering IoT-based Healthcare Systems [42.909808437026136]
  この記事では、スマートヘルスケアシステムにおけるAIとともに、エッジインテリジェント技術のメリットを強調します。 スマートヘルスケアシステムにおけるAIとエッジ技術の利用を促進するために、新しいスマートヘルスケアモデルが提案されている。
  論文  参考訳（メタデータ） (2021-03-22T19:35:06Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Artificial Intelligence Decision Support for Medical Triage [0.0]
  我々はトリアージシステムを開発し、現在、ヨーロッパ最大の遠隔医療プロバイダーで使用中である。 本システムは,モバイルアプリケーションを用いた患者とのインタラクションを通じて,ケア代替案の評価を行う。 最初の一連の症状に基づいて、トリアージアプリケーションはAIを利用したパーソナライズされた質問を生成し、問題をより正確に識別する。
  論文  参考訳（メタデータ） (2020-11-09T16:45:01Z)
• Reinforcement Learning with Efficient Active Feature Acquisition [59.91808801541007]
  実生活では、情報取得は患者の医療検査に該当する可能性がある。 本稿では,アクティブな特徴獲得ポリシーを学習するモデルに基づく強化学習フレームワークを提案する。 この成功の鍵は、部分的に観察された状態から高品質な表現を学ぶ新しい逐次変分自動エンコーダである。
  論文  参考訳（メタデータ） (2020-11-02T08:46:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。