فهرست نشریات علمی دسترسی آزاد ایران

بیماری‌های مزمن مانند دیابت به دلیل تأثیرات طولانی‌مدت بر سلامت و کیفیت زندگی، چالش‌های جدی در سراسر جهان ایجاد می‌کنند. دیابت نیاز به مدیریت مداوم دارد تا از عوارضی مانند نارسایی کلیه، کاهش بینایی و بیماری‌های قلبی جلوگیری شود. استفاده از فناوری‌های پیشرفته، به ویژه دستگاه‌های اینترنت اشیا IoT ، پتانسیل بالایی برای بهینه‌سازی شناسایی و مدیریت دیابت نشان داده است. این دستگاه‌ها، شامل مانیتورهای هوشمند گلوکز و حسگرهای پوشیدنی، داده‌های لحظه‌ای از شاخص‌های کلیدی سلامت ارائه می‌دهند و امکان مداخله زودهنگام و پایش پیشگیرانه را فراهم می‌کنند. این مقاله روش جدید برای شناسایی زودهنگام بیماری‌های مزمن ارائه داده است که می‌تواند روشی برای خودمدیریتی با رویکردهای پیشرفته‌تر برای تشخیص زودهنگام و برنامه‌های درمانی شخصی‌سازی شده به بیماران ارائه دهد، که در نهایت منجر به بهبود نتایج بلندمدت سلامتی و کاهش بار دیابت خواهد شد. این روش از رویکرد انتخاب ویژگی بر پایه بهینه‌سازی گرگ خاکستری برای کاهش ابعاد داده‌ها استفاده می‌کند. سپس با استفاده از یادگیری عمیق و مدل انتقالی، با رویکرد ترکیب سه بعد ویژگی ، زمینه و زمان داده ها تحلیل و پردازش میشوند. علاوه بر این، تشخیص دیابت از طریق مدل واحد بازگشتی دوطرفه توجه ( ABI-LSTM ) انجام می‌شود. برای بهبود عملکرد شبکه ABI-LSTM ، مدل انتخاب ابرپارامتر مبتنی بر الگوریتم بهینه‌سازی ژنتیک GA اضافه شده است. برای ارزیابی و تست مدل‌های پیشنهادی، داده‌های Kaggle مورد استفاده قرار گرفته است تا الگوریتم‌های مختلف مقایسه شوند. در نهایت، هدف از این تحقیق پیاده‌سازی روشی است که به کمک دستگاه‌های اینترنت اشیاء (IoT) به افراد و مکان‌ها این امکان را بدهد که به سادگی از این سیستم برای پیش‌بینی دیابت استفاده کرده و به دقت بالایی در مدیریت و پیشگیری از دیابت دست یابند. شبیه‌سازی‌های انجام شده بر روی مجموعه داده‌های Kaggle دقتی بیش از 97.50% را نشان داده‌اند که نسبت به تکنیک‌های موجود بهبود چشمگیری دارد .