尖端优化多源数据融合,可靠地执行和管理医疗物联网 (IoMT) 上的区块链交易,使用机器学习

科学领域:

• 医疗信息学 医疗信息学
• 计算机科学 计算机科学
• 网络安全 网络安全

背景情况:

• 区块链技术 (BT) 和医疗物联网 (IoMT) 的整合有望改善医疗保健,但面临着大量异质数据的挑战.
• 在IoMT中实现可靠的数据执行和高效的交易管理受到数据复杂性和设备多样性的阻碍.

研究的目的:

• 为IoMT应用程序提出一个优化的多源数据融合框架,使用机器学习 (ML) 和BT.
• 改善医疗数据管理中的数据完整性,实时决策,效率和可扩展性.

主要方法:

• 使用轻量级人工神经网络 (LANNs) 与 BT 进行数据融合.
• 实现卡尔曼过用于特征提取,以确保数据质量.
• 整合了一个可信的执行环境,用于安全的交易处理.
• 采用混合共识机制和数据聚合,用于资源有限的IoMT.

主要成果:

• 在数据准确性 (高达98.33%) 和交易吞吐量 (高达97.98%) 中取得了显著的改进.
• 在应用程序安全方面表现出显著的改进 (高达2.34%).
• 在资源受限的 IoMT 设置中降低了延迟和计算成本.

结论:

• 拟议的框架有效地解决了IoMT的区块链交易管理和多源数据融合的实施限制.
• 为开发安全和高效的IoMT生态系统提供了强大的方法.
• 在区块链支持的IoMT环境中验证了ML驱动数据融合的潜力.