适应性资源意识和隐私保护 实时医疗事物互联网应用程序的联合边缘学习框架

科学领域:

• 医疗信息学 医疗信息学
• 人工智能的人工智能
• 分布式系统 分布式系统

背景情况:

• 医疗物联网 (IoMT) 需要强大的框架来安全,高效和可扩展地处理连续的医疗数据.
• 目前的解决方案在实时异常检测,边缘设备上的资源优化和大规模医疗保健部署中的有效聚合方面扎.

研究的目的:

• 为IoMT医疗保健系统量身定制的适应性联合边缘学习框架提出建议.
• 为解决实时异常检测,资源受限优化和在IoMT环境中的可扩展数据聚合方面的局限性.

主要方法:

• 适应式模块化学习单元用于资源意识的计算分配和联合梯度下降模型更新.
• 动态数据编码 (Dynamic Data Encoding) 用于统一异构的医疗数据,并进行对齐和质量加权.
• 以数据大小和延迟意识加权为稳定,可扩展的培训.
• 保护隐私的安全封锁利用差异隐私进行加密模型训练和聚合.
• 流动异常检测管道采用滑动窗口,维度减小,共变量分析和自适应值.

主要成果:

• 拟议的框架在受控实验环境中显示出96.3%的准确性.
• 维持了110毫秒的低延迟时间,用于实时流媒体异常检测.
• 成功集成异构的医疗数据,并通过安全的封闭区确保隐私.

结论:

• 适应式联合边缘学习框架为IoMT医疗保健提供了可扩展,安全和高效的解决方案.
• 该框架有效支持实时异常检测,并优化分布式医疗环境中的资源使用.
• 这种方法提高了IoMT系统中医疗数据持续处理的可靠性和隐私性.