DOI QR코드

DOI QR Code

A Mining-based Healthcare Multi-Agent System in Ubiquitous Environments

마이닝 기반 유비쿼터스 헬스케어 멀티에이전트 시스템

  • Kang, Eun-Young (Dept. of Information & Communications, Dongyang Technical College)
  • 강은영 (동양공업전문대학 네트워크정보통신과)
  • Published : 2009.09.30

Abstract

Healthcare is a field where ubiquitous computing is most widely used. We propose a mining-based healthcare multi-agent system for ubiquitous computing environments. This proposed scheme select diagnosis patterns using mining in the real-time biosignal data obtained from a patient's body. In addition, we classify them into normal, emergency and be ready for an emergency. This proposed scheme can deal with the enormous quantity of real-time sensing data and performs analysis and comparison between the data of patient's history and the real-time sensory data. We separate Association rule exploration into two data groups: one is the existing enormous quantity of medical history data. The other group is real-time sensory data which is collected from sensors measuring body temperature, blood pressure, pulse. Proposed system has advantage that can handle urgent situation in the far away area from hospital through PDA and mobile device. In addition, by monitoring condition of patient in a real time base, it shortens time and expense and supports medical service efficiently.

유비쿼터스 컴퓨팅 환경에서 가장 널리 사용 가능한 분야는 헬스케어 분야이다. 본 논문에서는 유비쿼터스 환경에서 마이닝 기반 멀티 에이전트 헬스케어 시스템을 제안한다. 제안하는 기법은 환자의 몸으로부터 생성된 센싱 데이터를 마이닝을 이용하여 진단 패턴을 뽑아내어 정상 상태, 긴급 상태, 응급 상황으로 분류할 수 있다. 이는 실시간으로 센싱되는 엄청난 양의 생체 데이터를 처리할 수 있으며, 환자의 병력 데이터와 비교, 분석한다. 이를 위해 연관 규칙 탐사를 2가지 데이터 그룹으로 구분하여 적용한다. 첫 번째는, 기존의 방대한 의료 병력 데이터로 두 번째는, 체온, 혈압, 맥박등과 같은 센서로부터 센싱한 환자의 실시간 생체데이터로 분류한다. 제안하는 시스템은 PDA 같은 모바일 디바이스 등을 통하여 병원과 멀리 떨어진 지역에서도 긴급 상황을 판단하여 처리할 수 있다. 또한 환자(노인)의 상태를 실시간으로 모니터링 함으로써 요구되는 시간과 비용을 단축하게 되고, 의료 서비스의 지원에 대한 효율성을 높이게 된다.

Keywords

References

  1. N. Dokovsky, A.V. Halteren, and I. Widya, "BANip: enabling remote healthcare monitoring with Body Area Networks", Proc. of 3rd International Workshop on scientific engineering of Distributed Java applications, pp.27-28, 2003.
  2. L. C. Matos, H. Afsarmanesh, "Virtual communities and elderly support", Proc. of 1st Advances in Automation, Multimedia and Video Systems, and Modern Computer Science, pp.227-284, 2001.
  3. S. Kirn, "Ubiquitous Healthcare: The OnkoNet Mobile Agents Architecture", Proc. 2nd Conference on Mobile Computing in Medicine, pp. 105-118, 2002.
  4. S. Signh, B. I. Ismail, F. Haron, and C. H. Yong, "Architecture of Agent-Based Healthcare Intelligent Assistant on Grid Environment", Proc. of 5th International Conference on Parallel and Distributed Computing: Applications and Technologies, LNCS vol. 3320, pp.58-61, 2004.
  5. 전재란, "병원고객관계관리 시스템 도입에 영향을 미치는 요인 연구", 한국산학기술학회 논문지, 제10권, 제1호, pp. 209-214, 1월, 2009. https://doi.org/10.5762/KAIS.2009.10.1.209
  6. J. Pei, et al., "Mining Sequential Patterns by Pattern-Growth: The PrefixSpan Approach", IEEE Transactions on Knowledge and Data Engineering, vol.16, no.11, pp.1424-1440, 2004. https://doi.org/10.1109/TKDE.2004.77
  7. G. Chen, X. Wu, and X. Zhu, "Mining Sequential Patterns Across Data Streams", Univ. of Vermont Computer Science Technical Report (CS-05-04), March, 2005.
  8. 김유미, 장동민, 김성수, 박일수, 강성홍, "데이터 마이닝을 이용한 당뇨환자의 관리 요인에 관한 연구", 한국산학기술학회 논문지, 제10권, 제5호, pp.1100-1108, 5월, 2009.
  9. H. Li, S. Lee, and M. Shan, "Online Mining Maximal Frequent Itemsets over Data Streams", Proc. of 15th International Workshop on Research Issues in Data Engineering: Stream Data Mining and Applications, pp.11-18, April, 2005.
  10. H. Han, H. Ryoo, and H. Patrick, "An Infrastructure of Stream Data Mining, Fusion and Management for Monitored Patients", Proc. of 19th IEEE International Symposium on Computer-Based Medical Systems, pp.461-468, June, 2006. https://doi.org/10.1109/CBMS.2006.39
  11. K. J. Park and H. Ryou, "Anomaly Detection Scheme Using Data Mining in Mobile Environment", Proc. of the 2003 International Conference on Computational Science and Its Applications, ICCSA 2003, LNCS vol.2668, pp. 21–30, 2003.
  12. T. Lv, T. Su, Z. Wang, and W. L. Zuo, "An Auto-stopped Hierarchical Clustering Algorithm Integrating Outlier Detection Algorithm", Proc. of 6th International Conference on Advances in Web-Age Information Management, WAIM 2005, LNCS vol. 3739, pp. 464-474, 2005.
  13. http://www.fipa.org
  14. http://leap.crm-paris.com

Cited by

  1. A Study on Prediction Model of Equipment Failure Through Analysis of Big Data Based on RHadoop pp.1572-834X, 2018, https://doi.org/10.1007/s11277-017-4151-1