| Titre : | A smart predictive approach for telemedicine |
| Auteurs : | BELKIS HASSANI, Auteur ; Okba Kazar, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2021 |
| Format : | 1 vol. (70 p.) / ill. / 29 cm |
| Langues: | Anglais |
| Mots-clés: | COVID-19, Coronavirus, Artificial Intelligence, Deep learning,Telemedcine. |
| Résumé : | The globe is currently confronting numerous issues brought about by a new virus known as COVID-19. however, Telemedicine is experiencing an unprecedented boom, especially with the evolution of artificial intelligence techniques like deep learning, and fuzzy logic.In this work, we proposed and developed a method for predicting whether or not a person is infected with COVID-19 disease. |
| Sommaire : |
General Introduction 1
1 State of the art on predictive telemedicine 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Telemedicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3 E-health . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4 History of telemedicine [6] . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.5 Telemedicine Types [2] . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.5.1 Real time (synchronous) . . . . . . . . . . . . . . . . . . . . . . 7 1.5.2 Store and forward (S&F) (asynchronous) . . . . . . . . . . . . . 7 1.5.3 Telemonitoring or remote monitoring . . . . . . . . . . . . . . . 7 1.5.4 Mobile health (Mhealth) . . . . . . . . . . . . . . . . . . . . . . 7 1.6 Benefits of Telemedicine . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.7 What is Coronavirus? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.7.1 History [8] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.7.2 Signs and symptoms [9] . . . . . . . . . . . . . . . . . . . . . . 10 1.7.3 Diagnosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2 State of the art on Deep learning & Fuzzy logic based telemedicine systems 13 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2.1 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . 14 2.2.2 Three Classes of Deep Learning Networks [16] . . . . . . . . . . 15 2.2.3 Deep Learning Categories [17] . . . . . . . . . . . . . . . . . . . 16 2.3 Fuzzy logic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3.1 Why Fuzzy Logic? . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3.2 Fuzzy Logic Systems Architecture . . . . . . . . . . . . . . . . . 20 2.3.3 Application domains [24] . . . . . . . . . . . . . . . . . . . . . 21 2.3.4 Fuzzy Logic Theory [23] . . . . . . . . . . . . . . . . . . . . . . 22 2.4 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3 System design 29 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.2 General System Architecture . . . . . . . . . . . . . . . . . . . . . . . . 29 3.2.1 Fuzzification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.2.2 Rule Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.3 Defuzzification . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2.4 Deep learning model architecture . . . . . . . . . . . . . . . . . 36 3.2.5 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.2.6 DL Model Description . . . . . . . . . . . . . . . . . . . . . . . 38 3.3 Functional modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.3.1 Sequence diagram . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.4 Algorithm of COVID-19 prediction system . . . . . . . . . . . . . . . . 41 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 4 Implementation & Results 44 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2 Work Environment and Development Tools . . . . . . . . . . . . . . . . 44 4.2.1 Programming languages . . . . . . . . . . . . . . . . . . . . . . 44 4.2.2 Deep learning and Fuzzy logic kit . . . . . . . . . . . . . . . . . 46 4.2.3 Frameworks and tools . . . . . . . . . . . . . . . . . . . . . . . 49 4.3 Implementation phases . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.3.1 Creating the DL model . . . . . . . . . . . . . . . . . . . . . . . 51 4.3.2 Implementation of a fuzzy system part . . . . . . . . . . . . . . . 57 4.3.3 Preliminary results of COVID-19 prediction system . . . . . . . . 60 4.4 COVID-19 prediction mobile app interface . . . . . . . . . . . . . . . . 60 4.4.1 User interface preview . . . . . . . . . . . . . . . . . . . . . . . 60 4.4.2 User interface Detailed Explanation . . . . . . . . . . . . . . . . 61 4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 General conclusion and future work 65 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/669 | Mémoire master | bibliothèque sciences exactes | Consultable |
