13、基于心电图的新型变压器异常检测方法及物联网网络中基于MEC的无人机辅助上行NOMA保密卸载与优化-优快云博客

基于心电图的新型变压器异常检测方法及物联网网络中基于MEC的无人机辅助上行NOMA保密卸载与优化

心电图异常检测实验与结果

在测试所提出的心电图异常检测框架性能的实验中，首先构建了一个混合数据集。该数据集由PhysioNet的两个数据集合并而成，其中异常类别数据来自BIDMC充血性心力衰竭数据库，包含15名受试者（11名年龄在22 - 71岁的男性和4名年龄在54 - 63岁的女性）的严重充血性心力衰竭的扩展心电图记录；正常受试者数据集则来自麻省理工学院 - 贝斯以色列医院（MIT - BIH）正常窦性心律数据集，包含18名受试者（5名年龄在26 - 45岁的男性和13名年龄在20 - 50岁的女性）的长期心电图记录，且这些受试者均无明显心律失常。

从每个数据集中随机选取了总共5000个心跳（2919个正常样本和2081个异常样本），用于训练和测试框架。所有数据都通过插值进行了预处理，以提取等长的心跳。

实验设置方面，使用之前提到的心电图数据集来评估基于变压器的变分自编码器（VAE）与移动指数加权移动平均支持向量数据描述（MEWMA - SVDD）的有效性。从数据集中随机选择4000个样本用于训练模型，剩下的1000个样本用于测试。

在基于变压器的VAE训练过程中，仅使用正常数据集，通过重建损失来区分异常数据和正常数据。训练采用均方误差（MSE）作为损失函数，固定学习率为0.001，并应用了0.5的梯度阈值以确保训练稳定性。为确定EWMA - SVDD的最佳带宽，使用了scikit - learn的网格搜索模块，搜索带宽范围为(3, 0.2, 10)，并进行了30折交叉验证。MEWMA统计量的平滑参数配置为0.2，控制内平均运行长度$ARL_0$设置为100。模型阈值（控制限）通过10000次迭代的蒙特卡罗模拟结合自助法来确定。

为评估所提出框架的分类性能，使用了机器学习社区广泛使用的四个指标，具体定义如下：
|指标|公式|含义|
| ---- | ---- | ---- |
|准确率（Accuracy）|$Accuracy = \frac{TP + TN}{TP + TN + FP + FN}$|正确预测样本数占总样本数的比例|
|精确率（Precision）|$Precision = \frac{TP}{TP + FP}$|预测为正样本中正确识别为正的比例|
|召回率（Recall）|$Recall = \frac{TP}{TP + FN}$|实际正样本中正确预测的比例|
|F1分数（F1 - score）|$F1 - score = \frac{2 \times Recall \times Precision}{Recall + Precision}$|综合召回率和精确率|

其中，$TP$、$TN$、$FP$和$FN$分别表示真阳性、真阴性、假阳性和假阴性的数量。

实验结果显示，模型在分类性能上表现出色。从混淆矩阵可以看出，模型正确地将大量正常心电图信号分类为正常，有436个真阴性，仅做出了1个假阳性预测。同时，模型也表现出了识别异常的显著能力，有551个真阳性，尽管有12个假阴性（正常信号被误分类为异常）。从分类报告中可以明显看出，模型的准确率达到了98.7%，超过了之前集中式模型的98.20%。并且，“正常”病例被误分类为“异常”的数量在该模型中减少到了1个。此外，该方法不需要关于数据分布的先验知识，同时可以通过固定的$ARL_0$值来控制控制内误报率。

以下是训练过程的流程图：

graph TD;
    A[初始化全局模型参数] --> B[每个客户端设备连接到全局服务器];
    B --> C[接收初始全局模型参数];
    C --> D[使用本地数据训练模型];
    D --> E[发送本地模型更新参数到全局服务器];
    E --> F[聚合所有边缘设备的本地模型更新];
    F --> G[更新全局模型参数];
    G --> H{是否达到指定通信轮数或收敛};
    H -- 否 --> F;
    H -- 是 --> I[对新出现的数据重复上述步骤];
    I --> J[使用训练好的模型进行异常检测];

物联网网络中基于MEC的无人机辅助上行NOMA保密卸载与优化

近年来，物联网（IoT）移动数据流量需求激增，但能量受限、计算能力低的移动终端无法支持越来越多需要持续和密集计算的应用，如虚拟/增强现实、远程操作和自动驾驶。为克服这些挑战，移动边缘计算（MEC）和非正交多址接入（NOMA）被提出作为物联网网络的可能解决方案。

MEC的主要思想是利用周围可用的计算资源让移动终端进行计算，而NOMA允许多个移动终端在功率域中使用相同的时间/频率资源块进行通信。NOMA的特点是在发送端需要进行叠加编码，在接收端需要进行连续干扰消除（SIC）。MEC通常提供两种计算卸载模式：部分卸载和二进制卸载。最近，NOMA和MEC技术的结合也被研究用于提高卸载效率。

然而，MEC严重依赖设备和服务器之间的数据传输和计算。边缘设备（ED）的随机分布常常导致信号接收问题，并且ED的功率限制严重限制了它们的传输范围。使用无人机（UAV）是克服无线通信这些不足的可行方法。无人机的独特之处在于它可以与ED建立视距（LoS）连接，提供信号覆盖，防止小规模衰落，并有可能提高网络性能。此外，无人机能够在靠近ED的位置进行机动，便于部署强大的通信链路。因此，无人机可以作为边缘服务器的可靠且通用的载体，或者作为连接ED和基站（BS）的中继。

无线传输的广播性质使得ED通过无线信道卸载到MEC服务器的任务容易被恶意窃听者拦截，导致信息泄露问题。因此，评估MEC系统的安全性至关重要。物理层安全（PLS）利用无线信道的固有特性来保护通信，在无线通信领域受到了广泛关注。然而，由于发射机无法检测窃听者的信道状态信息（CSI）以及某些系统施加的严格延迟限制，完全的安全仍然无法实现。

本文研究了在瑞利衰落信道下采用无人机辅助的NOMA - MEC的物联网网络的保密卸载性能。考虑了无人机与移动设备之间无线信道的视距和非视距（NLoS）概率，并从两个设备集群中选择最佳的ED来卸载任务。最后，提出了一个优化问题来提高系统的保密性能。

主要贡献如下：
1. 为物联网网络提出了一种具有被动窃听的无人机辅助NOMA - MEC方案，并采用ED选择策略来提高系统的保密性能。
2. 推导了整个系统的保密安全容量概率（SSCP）的闭式表达式，并通过优化无人机的位置和高度来最大化SSCP，使用基于粒子群优化（PSO）的算法解决了该问题。
3. 通过数值结果评估系统的保密性能，包括发射功率、ED数量以及无人机的位置和高度。

文章的其余部分结构如下：第2节介绍通信协议和系统模型；第3节研究SSCP和优化问题；第4节展示和讨论数值结果；第5节总结最终结论。

以下是系统主要步骤的列表：
1. 提出无人机辅助NOMA - MEC方案并采用ED选择策略。
2. 推导SSCP闭式表达式，优化无人机位置和高度以最大化SSCP。
3. 用数值结果评估系统保密性能。

基于心电图的新型变压器异常检测方法及物联网网络中基于MEC的无人机辅助上行NOMA保密卸载与优化

心电图异常检测的未来展望与局限

尽管所提出的心电图异常检测框架在实验中取得了出色的分类性能，但仍存在一些局限性需要在未来的研究中加以改进。

首先，数据隐私方面的问题尚未得到解决。目前的框架仅提出了在未来工作中集成联邦学习以增强数据隐私的设想。在实际应用中，尤其是在医疗领域，数据隐私至关重要。通过将联邦学习技术融入到现有的框架中，原始数据可以保留在边缘设备上，而无需完全传输到中央服务器，从而确保数据的隐私性。

其次，实验中使用的公共数据集基于相对较小的人群，这可能会限制模型性能的泛化能力。一个更广泛和多样化的数据集可以帮助模型学习到更多不同类型的心电图特征，从而提高其在不同人群和实际应用场景中的准确性。

最后，模型的可解释性（XAI）也是一个重要但尚未解决的方面。理解模型是如何做出决策的对于在实际医疗场景中应用该模型至关重要。例如，医生需要知道模型为什么将某个心电图信号分类为异常，以便他们能够更好地信任和使用该模型。

未来的工作建议将所提出的模型集成到联邦学习环境中，以增强数据隐私和整体性能。具体步骤如下：
1. 设计基于变压器的VAE与MEWMA - SVDD架构用于多变量时间序列数据的异常检测。
2. 集成联邦学习技术，使模型能够利用分布式客户端的协作能力，同时确保数据隐私。在联邦学习过程中，原始数据保留在边缘设备上，通过聚合本地模型更新实现跨多个边缘设备的协作学习，从而得到更准确的异常检测模型。
3. 提取特征输入，以重建误差向量的形式从基于变压器的VAE网络中获取。
4. 应用MEWMA - SVDD控制图来检测异常，并使用蒙特卡罗模拟和自助法确定控制限。
5. 将所提出的框架部署到联邦学习环境中，用于嵌入式人工智能应用。

以下是未来工作中框架集成联邦学习的流程图：

graph TD;
    A[设计异常检测架构] --> B[集成联邦学习技术];
    B --> C[边缘设备保留原始数据];
    C --> D[聚合本地模型更新];
    D --> E[从VAE网络提取特征输入];
    E --> F[应用MEWMA - SVDD控制图检测异常];
    F --> G[使用蒙特卡罗模拟和自助法确定控制限];
    G --> H[部署框架到联邦学习环境用于嵌入式AI应用];

物联网网络保密卸载优化的具体分析

在物联网网络中基于MEC的无人机辅助上行NOMA保密卸载与优化的研究中，我们进一步深入分析其具体的实现和影响因素。

通信协议和系统模型是整个研究的基础。在这个系统中，无人机作为一个关键的组成部分，它与移动设备之间的无线信道存在视距（LoS）和非视距（NLoS）两种情况。视距连接可以提供更好的信号质量，但受到地理环境和障碍物的影响；非视距连接则可能导致信号衰减和干扰增加。因此，考虑这两种情况的概率对于准确评估系统性能至关重要。

在保密安全容量概率（SSCP）的推导和优化过程中，我们通过优化无人机的位置和高度来最大化SSCP。无人机的位置和高度直接影响到它与移动设备之间的通信质量和信号强度。例如，无人机飞得太高可能会导致信号衰减增加，而飞得太低则可能受到地面障碍物的影响。通过基于粒子群优化（PSO）的算法，我们可以找到最优的无人机位置和高度，从而提高系统的保密性能。

发射功率、ED数量以及无人机的位置和高度等因素对系统的保密性能有着重要的影响。发射功率的增加可以提高信号的强度，但也可能会增加被窃听者截获的风险。ED数量的增加可以提高系统的整体性能，但也会增加通信的复杂性和干扰。无人机的位置和高度的优化则可以在保证信号质量的同时，降低被窃听的概率。

以下是这些因素对系统保密性能影响的表格：
|影响因素|对保密性能的影响|
| ---- | ---- |
|发射功率|增加发射功率可提高信号强度，但可能增加被窃听风险|
|ED数量|增加ED数量可提高系统整体性能，但增加通信复杂性和干扰|
|无人机位置和高度|优化位置和高度可保证信号质量，降低被窃听概率|

为了验证系统的有效性，我们进行了数值结果的评估。通过对不同参数下系统保密性能的分析，我们可以更好地理解系统的特点和优化方向。例如，在不同的发射功率、ED数量和无人机位置高度组合下，系统的SSCP会发生变化。通过分析这些变化，我们可以找到最优的参数组合，从而提高系统的保密性能。

综上所述，通过对心电图异常检测和物联网网络保密卸载优化的研究，我们不仅提出了有效的方法和模型，还指出了存在的问题和未来的研究方向。这些研究成果对于推动相关领域的发展具有重要的意义。