Internet-of-Medical-Things
PulseAugur coverage of Internet-of-Medical-Things — every cluster mentioning Internet-of-Medical-Things across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI框架增强心血管疾病早期风险评估
研究人员开发了一个新颖的框架，结合了机器学习和深度神经网络，用于心血管疾病的早期检测。该系统利用来自物联网医疗设备（如心电图和血压监测器）的数据来识别关键健康指标。通过在集成架构中采用特征选择和优化的分类器（如支持向量机、随机森林和XGBoost），该框架旨在提高诊断准确性并减少假阳性。该系统设计用于云基础设施上的可扩展性，为主动医疗管理和临床决策支持提供了潜力。
-
新框架利用人工智能和隐私保护增强医疗物联网安全性
提出了一种新的框架，以增强医疗物联网（IoMT）系统的安全性和隐私性。该框架利用人工神经网络进行入侵检测，并结合联邦学习来保护用户隐私。此外，它还集成了可解释人工智能（XAI）方法以提高模型的可解释性。评估表明，联邦学习方法在有效保护隐私和提供模型解释方面，与集中式方法相当。
-
面向医疗物联网环境的新型入侵检测系统
研究人员开发了一种面向医疗物联网（IoMT）环境的新型入侵检测系统，重点关注特征选择以克服资源限制。该系统采用皮尔逊相关滤波器消除冗余属性，然后结合基于模型的特征重要性与SHAP归因的混合策略。这种方法显著减小了特征空间，从而产生了适用于资源受限医疗网络部署的紧凑且可解释的检测器。
-
新框架利用后量子AI保护医疗物联网安全
本研究论文提出了一种框架，用于保护医疗物联网（IoMT）设备免受量子计算威胁。它将后量子密码学（PQC）与联邦学习（FL）以及使用Kubernetes的原生边缘编排相结合。该系统旨在通过确保量子安全通信和通过分布式加密处理降低延迟来保护敏感健康数据，并在Raspberry Pi测试平台上进行了验证。
-
AI框架增强了在严苛水下条件下的穿戴式健康监测
研究人员开发了一种用于去噪皮肤电活动（EDA）信号的记忆高效框架，这对于穿戴式健康监测系统至关重要。该方法采用知识蒸馏，利用一个更复杂的教师模型来训练一个轻量级的学生模型，显著减小了模型大小和计算成本。这种方法提高了EDA信号的质量，尤其是在水下环境和存在运动伪影等严苛条件下，从而提高了下游健康事件预测的性能。