Red Neuronal Memristiva Reconfigurable Multiescénica con Aplicación a la Protección de la Privacidad en Telemedicina

Área de la Ciencia:

• Neurociencia
• Teoría del Caos
• Seguridad de la Información

Sus antecedentes:

• Las redes neuronales memristivas (MNN) con atractores caóticos multiescénicos son cruciales para avanzar en la investigación de redes neuronales.
• Los modelos actuales de MNN a menudo utilizan funciones complejas, lo que genera alta complejidad y dificultades de ajuste.

Objetivo del estudio:

• Proponer una MNN multiescénica reconfigurable (RMMNN) para la generación simplificada de diversos atractores caóticos multiescénicos.
• Desarrollar un esquema seguro de cifrado de imágenes médicas para aplicaciones de telemedicina.

Principales métodos:

• Análisis numérico de la dinámica de la RMMNN, incluidos atractores controlados por parámetros, multiestabilidad ajustable y transiciones.
• Verificación de circuitos de hardware de los hallazgos numéricos.
• Desarrollo de un esquema de cifrado de imágenes médicas de rotación bidireccional (BRMIES) utilizando secuencias caóticas generadas por RMMNN.

Principales resultados:

• La RMMNN genera con éxito diversos atractores caóticos multiescénicos alterando parámetros memristivos sin modificación del modelo.
• Los resultados numéricos sobre dinámica y multiestabilidad fueron validados por circuitos de hardware.
• El BRMIES demostró una protección eficaz de imágenes médicas y robustez contra interferencias en telemedicina.

Conclusiones:

• La RMMNN ofrece un enfoque simplificado y flexible para generar atractores caóticos multiescénicos.
• El BRMIES basado en RMMNN proporciona una solución confiable para la transmisión segura y de alta calidad de imágenes médicas en telemedicina.