相关实验视频
Updated: Sep 16, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.8K
在现代医疗保健系统中,基于多模式用户身份验证的联合隐私保护与疾病预测框架,使用基于多尺度交叉注意力的ResNet
C S Anita1, Ananthajothi K2, J Joselin Jeya Sheela3
1Department of Artificial Intelligence And Machine Learning, R.M.D.Engineering College, Kavaraipettai, Tamil Nadu 601206, India.
Computer methods and programs in biomedicine
|July 11, 2025
概括
这项研究引入了一种混合深度学习模型,用于安全的疾病预测和身份验证. 这种新的方法提高了医疗保健系统的数据安全性和预测准确性.
科学领域:
- 医疗保健信息学 医疗保健信息学
- 人工智能在医学中的应用
- 数据安全 数据安全
背景情况:
- 疾病预测对公共卫生至关重要,但数据安全和隐私是医疗保健的主要挑战.
- 现有的疾病预测系统在安全的数据传输,存储和隐私保护方面面临着障碍.
- 当前系统的复杂性可能会限制实际应用,影响信息安全和预测效率.
研究的目的:
- 开发一个安全有效的系统,用于疾病预测和医疗保健中的用户身份验证.
- 为解决与敏感医疗数据相关的隐私问题.
- 提高疾病预测的准确性和安全性.
主要方法:
- 实施了基于多级交叉关注的多级剩余网络 (MCARNet),用于多模式用户身份验证.
- 利用最佳罗斯勒超混沌加密 (ORHCE) 来将医疗图像和信号转换和加密成二维图像.
- 在解密的医疗数据上使用MCARNet模型进行疾病预测.
主要成果:
- 与传统方法相比,开发的模型显示出更高的精度:比DNN高7.3%,比RNN高12.3%,比LSTM高3.6%,比GRU高4.3% (k-fold=5).
- 混合深度学习模型显著改善了身份验证和疾病检测性能.
- 加密和先进的深度学习架构的整合加强了系统安全.
结论:
- 拟议的基于启发式的混合深度学习模型有效地提高了用户身份验证和疾病检测性能.
- 集成的MCARNet和ORHCE提供了一个强大的解决方案,用于安全和准确的医疗数据分析.
- 这种方法代表了隐私保护疾病预测系统的重大进步.
