XiaoMi-AI文件搜索系统
World File Search SystemIOMT
使用 rAC-GAN 进行手术模拟的数字孪生 IoMT 系统
研发了远程医疗模拟（IoMT）系统，系统地结合混合现实（MR）、5G云计算和生成对抗网络（GAN）实现肺癌远程实施。收集曲靖和德宏90例肺栓塞（PE）阳性肺癌患者和1372例肺癌对照组的患者特异性数据，通过5G进行传输和预处理。采用一种新型基于鲁棒辅助分类器生成对抗网络（rAC-GAN）的智能网络，实现肺癌PE预测模型。为了提高远程手术实施的准确性和沉浸感，利用基于数字孪生的5G MR引导线索，将感知层的实时手术室视角和手术导航图像投射到应用层的外科医生头盔上。新型智能IoMT系统的曲线下面积（AUC）准确率分别为0.92和0.93。此外，从我们的 rAC-GAN 模型中学习到的致病特征与统计流行病学结果高度一致。所提出的智能 IoMT 系统在处理云中心的大量临床数据时产生了显着的性能改进，并为基于数字孪生的手术实施展示了一种用于远程医疗数据传输和深度学习分析的新框架。
用于安全 IoMT 通信的轻量级量子密钥分发
摘要。针对 COVID-19 等流行病的生物医学仪器和管理平台正在迅速采用支持物联网的医疗设备 (IoMT)。量子密钥分发 (QKD) 也被认为是应用顶级互联网战略的基本原理、工具、方法和思想，特别是在医疗保健和医疗领域。然而，使用 QKD 的高效端到端验证系统解决了协议的安全问题并简化了整个流程。因此，尽管成本可能会增加和出现错误的可能性，但必须实施一种新系统，使数据传输顺畅而不损害其完整性。当存在额外的传感器和设备并且需要更多能量来处理它们时，可以使用更有效的算法来降低功耗。
医学互联网（IOMT）：概述，新兴技术和案例研究
摘要 - 在医学事物互联网（IOMT）中，事物之间的（IoT）与医疗设备集成在一起，从而改善了患者的舒适度，具有成本效益的医疗解决方案，快速的医院治疗以及更具个性化的医疗保健。首先提供了IOMT的介绍，然后引入了IOMT的体系结构。稍后，它提供了医疗保健系统的当前操作，并讨论了这些操作在建筑图中的映射。此外，将几种新兴技术（PUF），区块链，人工智能（AI）和软件否决的网络（SDN）作为重要技术，以克服在e-Healthcare的几个挑战，例如安全，隐私，准确性，准确性，准确性和绩效。最后，我们根据 - （1）基于PUF的身份验证，（2）支持AI支持的SDN辅助电子保健服务和（3）区块链辅助患者以患者为中心的系统为IOMT提供了三个案例研究。本文提出的解决方案可能会对IOMT基础架构随着市场发展的有效发展的速度产生巨大影响。索引术语 - 事物（IoT），医学互联网（IOMT），网络体系结构，医疗保健
心脏健康预测和分类：IOMT和AI协作模型
摘要。物联网（IoT）技术已被用作医学互联网（IOMT）来收集传感器数据以诊断和预测心脏病。IOMT允许用户使用机器学习（ML）算法访问实时跟踪信息，并手动估计该人的健康状况。研究建议的主要目标是使用健康信息和医学图像对数据和预测心脏病进行分类。建议的基于IOMT的心脏健康预测和分类（IOMT-HHPC）模型是两个阶段的医学数据分类和预测框架。如果第一阶段的结果有效地预测了心脏病，则第二步是图像分类。最初从附属于该人体的医疗设备收集的数据最初被分类。超声心动图（ECG）图像进行了分析以预测心脏问题。本文使用许多ML技术来预测心脏病。具有ANN的IOMT-HHPC模型的精度为99.02％，超过了其他ML算法的性能。
基于 EEG 的新型精神分裂症检测，结合 IoMT 框架实现智能医疗
在神经科学领域，大脑活动分析一直被视为重要领域。精神分裂症 (Sz) 是一种脑部疾病，严重影响世界各地人们的思维、行为和感觉。脑电图 (EEG) 被证明是 Sz 检测的有效生物标志物。EEG 是一种非线性时间序列信号，由于其非线性结构，利用它进行研究至关重要。本文旨在使用深度学习方法提高基于 EEG 的 Sz 检测性能。提出了一种称为 SzHNN（精神分裂症混合神经网络）的新型混合深度学习模型，它是卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的组合。CNN 网络用于局部特征提取，LSTM 用于分类。所提出的模型已与仅使用 CNN、仅使用 LSTM 和基于机器学习的模型进行了比较。所有模型均在两个不同的数据集上进行了评估，其中数据集 1 包含 19 名受试者，数据集 2 包含 16 名受试者。针对同一模型，使用不同频带上的各种参数设置和头皮上的不同电极组进行了多次实验。基于所有实验，很明显，与其他现有模型相比，所提出的混合模型 (SzHNN) 提供了 99.9% 的最高分类准确率。所提出的模型克服了不同频带的影响，甚至仅使用 5 个电极就显示出 91% 的更高准确率。所提出的模型还在医疗物联网 (IoMT) 框架中进行了评估，用于智能医疗和远程监控应用。
医学互联网（IOMT）中用于安全评估的量子机器学习
摘要：医学事物互联网（IOMT）是一个由相关的电子项目组成的生态系统，例如小型传感器/执行器和医疗服务中其他网络物理设备（CPD）。当这些设备连接在一起时，它们可以通过医疗监测，分析和报告以更自动和智能的方式来支持患者。IOMT设备；但是，在医疗服务处理大量敏感和私人健康相关的数据时，通常没有提供服务和安全保证的计算资源。这导致了有关如何改善IOMT系统安全性的几个研究问题。本文着重于量子机学习，以评估IOMT系统中的安全漏洞。本文在IOMT脆弱性评估中对传统和量子机学习技术均提供了全面的综述。本文还提出了一种创新的融合半监督学习模型，该模型与广泛的实验中的最新传统和量子机学习相比。该实验显示了针对最先进模型的拟议模型的竞争性能，还强调了量子机器学习在IOMT安全评估及其未来应用中的有用性。
使用基于块的 Haar 小波变换和 COVIDOA 压缩用于 IoMT 系统的生物信号
摘要：背景：生物信号是智能医疗系统诊断和治疗常见疾病所需的基本数据。然而，医疗系统需要处理和分析的信号量非常大。处理如此大量的数据会带来很多困难，例如需要很高的存储和传输能力。此外，在应用压缩时，保留输入信号中最有用的临床信息至关重要。方法：本文提出了一种用于 IoMT 应用的生物信号高效压缩算法。该算法使用基于块的 HWT 提取输入信号的特征，然后使用新颖的 COVIDOA 选择最重要的特征进行重建。结果：我们使用两个不同的公共数据集进行评估：MIT-BIH 心律失常和 EEG 运动/意象，分别用于 ECG 和 EEG 信号。所提算法的 CR、PRD、NCC 和 QS 平均值分别为 ECG 信号的 18.06、0.2470、0.9467 和 85.366，EEG 信号的 12.6668、0.4014、0.9187 和 32.4809。此外，所提算法在处理时间方面比其他现有技术更高效。结论：实验表明，与现有技术相比，所提方法成功实现了高 CR，同时保持了出色的信号重建水平，并且处理时间更短。
人工智能 (AI) 和医疗物联网 (IoMT) 辅助生物医学系统助力智能医疗
1 CSIR-中央电化学研究所 (CECRI) 电子和电催化部，Karaikudi, Sivagangai 630003，泰米尔纳德邦，印度； siva.cecri21a@acsir.res.in (SAM)； sindhumonicam98@gmail.com (SMM) 2 科学与创新研究院 (AcSIR)，加济阿巴德 201002，印度北方邦； shansda@cecri.res.in（上海）； tpswamy@cecri.res.in (SPT) 3 CSIR-中央电化学研究所 (CECRI) 腐蚀与材料保护部，Karaikudi, Sivagangai 630003, Tamil Nadu, India 4 石油与能源研究大学 (UPES) 工程学院，Dehradun 248001，Uttarakhand，印度； akaushik@floridapoly.edu 5 纳米生物技术实验室，佛罗里达理工大学环境工程系，美国佛罗里达州莱克兰 33805-8531 6 动物学系，Shri Pundlik Maharaj Mahavidyalaya Nandura，Buldana 443404，马哈拉施特拉邦，印度；ravikumar.shinde@gmail.com 7 中央仪器设施，CSIR-中央电化学研究所，Karaikudi，Sivagangai 630003，泰米尔纳德邦，印度* 通讯地址：pandiaraj@cecri.res.in
边缘雾计算支持无损脑电图数据压缩，可在 IoMT 网络中用于癫痫发作检测
1, 2 部伊拉克巴比伦大学计算机科学系。 3 FEMTO-ST 研究所/CNRS，大学法国贝尔福，勃艮第弗朗什孔泰。 4 法国奥赛巴黎萨克雷大学 LISN 实验室。电子邮件: ali.idrees@uobabylon.edu.iq, wsci.sara.idrees5@uobabylon.edu.iq, raphael.couturier@univ-fcomte.fr, tara.ali-yahiya@universite-paris-saclay.fr ∗ 通讯作者
撤稿说明：使用人工智能和 IoMT 进行基于量子通信的网络安全分析
出版商已与主编达成一致，撤回了这篇文章。出版商的调查发现，包括这篇文章在内的多篇文章存在一些问题，包括但不限于同行评审过程不完善、引用不恰当或不相关、包含非标准短语或不属于期刊范围。根据调查结果，出版商在与主编协商后，不再对这篇文章的结果和结论有信心。