通过混合多媒体数据处理和深度学习提升医疗保健分类 TNBO FCNN 方法在支持物联网的环境中

科学领域:

• 医疗保健技术 技术 医疗保健 技术
• 人工智能的人工智能
• 数据安全 数据安全

背景情况:

• 物联网 (IoT) 在医疗保健中的普及产生了大量的多式联络患者数据,这给准确的分类,实时处理和数据安全带来了挑战.
• 现有的机器学习模型在去中心化,资源受限的医疗保健环境中扎在特征提取,计算需求和隐私方面.
• 缺乏强大的路由和数据完整性机制阻碍了当前解决方案在现实世界医疗保健应用中的部署.

研究的目的:

• 开发混合深度学习框架,以高效和安全地分类来自物联网设备的多式联网医疗数据.
• 为了增强数据路由,超参数调整和在分散的医疗保健环境中的隐私保护.
• 优化远程医疗和智能医疗的能源效率,可扩展性和实时监控框架.

主要方法:

• 集成可调节的非线性贝叶斯优化 (TNBO) 以实现高效的路由和超参数优化.
• 使用完全连接的神经网络 (FCNN) 来对多式联络患者数据进行可靠的分类.
• 在分散的物联网环境中嵌入区块链技术以确保数据安全,透明度和不变性.

主要成果:

• 拟议的TNBO + FCNN模型实现了高性能指标:0.924准确度,0.921灵敏度和0.926特异性.
• 超越了现有的方法,F1得分为0.915和AUC-ROC为0.950.
• 证明了卓越的能源效率,可扩展性和适用于实时医疗监控的适用性.

结论:

• 混合深度学习框架有效地解决了基于物联网的医疗数据分类,安全和实时处理方面的挑战.
• 整合TNBO和区块链技术为智能医疗保健中安全和高效的多式联络数据分析提供了强大的解决方案.
• 该模型的验证有效性将其定位为远程医疗和实时患者监控系统的有希望的进步.