相关实验视频
Updated: Jun 4, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
在IoMT安全方面的功能效率:使用DNN和ML进行威胁检测的全面框架
Merve Pinar1, Abdulsamet Aktas1, Eyup Emre Ulku1
1Computer Engineering Department, Technology Faculty, Marmara University, Maltepe, Istanbul, Turkey.
Computers in biology and medicine
|January 2, 2025
概括
这项研究引入了用于医疗物联网 (IoMT) 网络安全的新功能选择框架,显著提高了检测准确性和效率. 该框架增强了医疗保健系统的患者数据保护和运营弹性.
科学领域:
- 网络安全 网络安全
- 医疗保健技术 技术 医疗保健 技术
- 机器学习 机器学习
背景情况:
- 医疗物联网 (IoMT) 的关键安全挑战需要先进的解决方案.
- 现有的IoMT网络安全措施往往在检测准确性和计算效率方面面临限制.
- 优化功能选择对于提高实时医疗保健系统的安全性和完整性至关重要.
研究的目的:
- 为IoMT网络安全开发一个特征选择框架.
- 为了提高IoMT安全中的检测精度和计算效率.
- 增强实时医疗保健系统的安全性和运营完整性.
主要方法:
- 随机子集特征选择 (RSFS) 与相关性特征选择 (CFS) 的整合.
- 为IoMT数据集量身定制的新型特征选择框架的开发.
- 在使用多个机器学习模型 (Random Forest,KNN,SVM,XGBoost,DNN) 的四个不同的IoMT数据集上进行测试.
主要成果:
- 实现了非常高的检测准确率: 99.82% (TON-IoT),99.99% (ICU-Dataset),96.37% (WUSTL-EHMS-2020) 和99.99% (ECU-IoHT). 这两种测试方法都具有非常高的精度.
- 与现有方法相比显著改进,具有较少的特征集.
- 展示了对高维IoMT数据的增强检测精度和处理效率.
结论:
- 为IoMT网络安全引入了一个强大而可扩展的功能选择框架.
- 为安全漏洞提供实际解决方案,增强患者数据保护和运营弹性.
- 在保护关键的IoMT基础设施和推进安全的医疗保健系统方面具有广泛实施的潜力.
