机构名称：
¥ 1.0
摘要 - 杂物患者监测在现代医疗保健方面越来越重要，但是现有系统在实现实时分析和对生命体征的预测方面面临重大挑战。本文介绍了一种新颖的体系结构，将深度学习与5G网络功能相结合，以实现实时生命体征监视和预测。所提出的系统采用优化用于边缘部署的混合CNN-LSTM模型，并与5G超可靠的低延迟通信（URLLC）相结合，以进行有效的数据传输。我们的体系结构达到了14.4ms的端到端潜伏期，而多生命体征的预测准确性为96.5％。该系统比现有解决方案显示出显着改善，与当前的最新系统相比，预测准确性降低了47％，预测准确性提高了4.2％。对1000名患者的数据进行了三个月内进行的绩效评估验证了该系统在临床环境中的可靠性和可伸缩性。结果表明，将深度学习与5G技术相结合可以有效地解决实时患者监测的挑战，从而通过早期发现不断恶化的条件来改善临床结果。这项研究通过建立一个可靠的实时生命体征监测和预测框架来有助于数字医疗保健的发展。索引条款-5G网络，健康监测，深度学习，远程患者护理，
远程患者护理的基于深度学习的体系结构
主要关键词
相关文件推荐
