Пошук академічних текстів

Інформація × Реєстраційний номер 2125U004360, Матеріали видань та локальних репозитаріїв Категорія Стаття, Опубліковано, Рецензована стаття Назва роботи Система виявлення критичних станів здоровʼя людини на основі аналізу фізіологічних показників Автор Барковська О. Ю.Ні Я. С.Гаврашенко А. О.Перетяка Є. О.Романенко А. О.Barkovska O. Yu.Ni Ya. S.Havrashenko A. O.Peretyaka Ye. O.Romanenko A. O. Дата публікації 12-03-2025 Постачальник інформації Національний університет «Полтавська політехніка імені Юрія Кондратюка» Першоджерело https://journals.nupp.edu.ua/sunz/article/view/3686 Видання Національний університет «Полтавська політехніка імені Юрія Кондратюка» Опис Актуальність. Сучасний ріст захворювань серцево-судинної системи, діабету та психологічних розладів, зокрема посттравматичного стресового розладу (ПТСР), вимагає впровадження інтелектуальних систем моніторингу стану здоров’я. Статистика ВООЗ вказує на 15 мільйонів передчасних смертей щороку, причому 32% припадає на серцевосудинні захворювання. Крім того, війна в Україні суттєво вплинула на рівень стресу серед населення, що підвищує ризик смертності. Традиційні методи моніторингу не забезпечують оперативного виявлення критичних станів, що робить необхідним застосування автоматизованих рішень на основі штучного інтелекту. Об’єктом дослідження є система виявлення критичних станів здоров’я людини, що базується на аналізі біометричних показників та їхньої динаміки за допомогою методів машинного навчання. Метою статті є розробка та оцінка ефективності системи автоматичного виявлення критичних станів здоров’я, що працює на основі носимих пристроїв і алгоритмів штучного інтелекту. Для досягнення цієї мети реалізовано класифікатор рівня стресу на основі фізіологічних показників та проведено порівняльний аналіз двох алгоритмів: MLPClassifier та RandomForestClassifier. В результаті провеедних досліджень запропоновано архітектуру системи безперервного моніторингу критичних станів здоров’я, розроблено алгоритм оцінки рівня стресу, що використовує ECG, EDA, BCP та Breathing pattern як вхідні параметри, навчено та протестовано класифікатори MLP та Random Forest на датасеті із 65 учасниками. MLPClassifier продемонстрував вищу точність класифікації (91.3%), що підтверджує його ефективність для моніторингу критичних станів здоров’я. Додано в НРАТ 2026-04-19 Закрити