相关实验视频
Updated: Jan 13, 2026
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
7.2K
边缘驱动的残疾检测和结果测量在IoMT医疗保健的辅助技术
Malak Alamri1,2, Khalid Haseeb3, Mamoona Humayun4
1Department of Computer Science, College of Computer and Information Sciences, Jouf University, Sakaka 72311, Saudi Arabia.
Bioengineering (Basel, Switzerland)
|October 29, 2025
概括
本研究介绍了一种使用安全随机森林分类 (TTDD-SRF) 进行边缘计算和IoMT系统的信任驱动的残疾检测模型. 该模型增强了实时健康监测和残疾检测,同时提高了安全性和性能.
科学领域:
- 医疗信息学 医疗信息学
- 计算机科学 计算机科学
- 辅助技术 辅助技术 辅助技术
背景情况:
- 边缘计算 (EC) 和医疗物联网 (IoMT) 的整合使适应性医疗保健成为可能.
- 实时监控和个性化解决方案对于残疾人和慢性疾病患者至关重要.
- 在IoMT系统中,不可信任的设备会引入通信延迟和安全风险.
研究的目的:
- 通过使用安全随机森林分类 (TTDD-SRF) 提出一种信任驱动的残疾检测模型.
- 解决EC-IoMT医疗保健系统中的安全风险和通信延迟问题.
- 改善患者实时健康监测和残疾检测.
主要方法:
- 开发了TTDD-SRF模型,集成EC和IoMT用于残疾检测.
- 使用安全的随机森林分类与边缘级信任得分计算.
- 专注于检测指向残疾的异常运动模式.
主要成果:
- TTDD-SRF模型证明了对异常运动检测的更好的分类准确性.
- 通过边缘级别的信任分数提高数据可靠性,减少错误阳性.
- 实现了显著的性能改进:48%的网络吞吐量,42%的系统弹性,49%的设备完整性,45%的能源消耗降低.
结论:
- TTDD-SRF模型有效地提高了残疾人的医疗保健可访问性和监测.
- 拟议的范式提高了与健康相关的应用程序的决策准确性,特别是残疾检测.
- 强调边缘技术在推进辅助技术和医疗系统方面的潜力.
更多相关视频
11:06A Human-machine-interface Integrating Low-cost Sensors with a Neuromuscular Electrical Stimulation System for Post-stroke Balance Rehabilitation
Published on: April 12, 2016
10.9K
11:35The Multiple Sclerosis Performance Test MSPT: An iPad-Based Disability Assessment Tool
Published on: June 30, 2014
58.6K
