FDEPCA:一种通过果嗅觉神经网络的新型自适应非线性特征提取方法,用于IoMT异常检测

科学领域:

• 计算机科学 计算机科学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 医疗物联网 (IoMT) 生成复杂,高维,非线性数据,挑战异常检测.
• 现有的非线性特征提取方法与高维异常值和计算费用作斗争,扭曲数据结构.

研究的目的:

• 为IoMT数据提出一种新的自适应非线性特征提取方法.
• 提高IoMT系统中异常检测的效率和准确性.
• 解决从高维,非线性IoMT数据中提取特征的挑战.

主要方法:

• 引入了一种新方法,即果维度扩展投影,并通过PCA (FDEPCA) 保持主要组件.
• FDEPCA涉及平均中心化数据,使用二进制稀疏随机投影矩阵进行维度扩展投影,以及主要组件分析 (PCA).
• 该方法通过将提取的特征应用于使用ROC曲线和AUC指标的异常检测模型来评估.

主要成果:

• 与现有的非线性特征提取技术相比,FDEPCA算法展示了优越的分类性能.
• 在投影时间方面,FDEPCA提供了显著的优势,使其在计算上更高效.
• 该方法在各种异常检测模型中显示出强大的适用性,包括基于近距离,基于概率和基于集合的分类器.

结论:

• FDEPCA有效地从高维 IoMT 数据中提取非线性特征,信息扭曲最小.
• 拟议的方法提高了IoMT应用中的异常检测性能和计算效率.
• FDEPCA是一种通用且强大的技术,可用于IoMT内的各种异常检测任务.