17、医疗物联网助力心脏病诊断与服务质量优化

最新推荐文章于 2025-11-24 11:51:29 发布

tech5

最新推荐文章于 2025-11-24 11:51:29 发布

阅读量37

点赞数

CC 4.0 BY-SA版权

分类专栏：医疗物联网：智能健康的新纪元文章标签：医疗物联网心脏病诊断机器学习

本文链接：https://blog.youkuaiyun.com/tech5/article/details/149823327

医疗物联网：智能健康的新纪元专栏收录该内容

21 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

医疗物联网助力心脏病诊断与服务质量优化

1. 机器学习算法在心脏病风险预测中的应用

为了预测心脏病的风险，选用了五种不同的机器学习方法，分别是支持向量机（SVM）、决策树（CART）、随机森林、朴素贝叶斯和逻辑回归。下面为你详细介绍这些算法：
- 逻辑回归 ：逻辑回归是一种独特的方法，有一个预测变量 $y$，$y \in [0, 1]$，其中 0 表示阴性类别，1 表示阳性类别。还可进行多分类，当 $r \in [0, 1, 2, 3]$ 时，探索 $r$ 的重要性。使用理论 $T(\theta) = \theta^T Q$ 对 0 和 1 两类进行分类，$T_{\theta}(Q)$ 在 0.5 时是阈值分类器结果。若预测 $r = 1$，表明个体患有心脏病，此时理论值范围为 $T_{\theta}(Q) \geq 0.5$；若理论值小于 0.5，则 $r = 0$，表示个体健康。逻辑回归的值介于 $0 \leq T(\theta) \leq 1$。逻辑回归的 Sigmoid 函数如下：
- $T_{\theta}(q) = G(\theta^T Q)$
- 其中 $G(Z) = \frac{1}{1 + e^{-Z}}$ 且 $T_{\theta}(Q) = \frac{1}{1 + e^{-\theta^T Q}}$
- 逻辑回归的代价函数为：$J(\theta) = \frac{1}{m} \sum_{i = 1}^{m} cost(T_{\theta}(q^{(i)}), r^{(i)})$
- 支持向量机（SVM） ：SVM 是一种主要用于分类问题的方法，为解决强大的二次规划问题，采用了最优间隔方法。在二分类问题中，通过 $w^T x + b = 0$ 超平面将案例分隔，其中 $w$ 和 $b$ 是与超平面垂直的向量，$b$ 是补偿供应值，$x$ 是数据值。$w$ 的值可通过拉格朗日乘数估计，边界信息点被视为支持向量。
- 线性判别方法为：$g(x) = sgn(\sum_{i = 1}^{n} \alpha_i y_i x_i^T x + b)$
- 非线性场景下，决策函数和核技巧为：$g(x) = sgn(\sum_{i = 1}^{n} \alpha_i y_i K(x_i, x) + b)$
- 随机森林 ：由 Brieman 提出，该策略类似于装袋或回归树，但有重大改变。在每个节点创建分类或回归树时，不是考虑所有可能的二元分割，而是在随机样本的候选预测变量中进行二元分割。在指定技术之前，需确定随机选择的预测变量组的维度。当随机回归树值拟合时，设随机选择的预测变量维度为 $[p/3]$（$p$ 是预测变量的总数）；当分类树值拟合时，随机选择的预测变量维度为 $\sqrt{p}$。创建了 500 个分类和回归树，通过对所有预测取平均值或在分类树中进行多数投票来进行预测或分类。
- CART（分类与回归树） ：由 Leo Breiman 提出，可用于分类或回归的预测建模问题。该方法通常称为“决策树”，在一些网站（如 R）上也称为 CART。CART 为诸如装袋决策体、随机森林和改进决策树等大型算法提供基础。分类任务使用基尼指数进行，基尼指数是每个类别的平方概率之和，计算公式为：$Gini = 1 - \sum_{i = 1}^{n} (P_i)^2$ ，其中 $i$ 从 1 到 $n$ 类。

这五种算法分别应用，各方法的准确率如下表所示：
| 算法 | 准确率（百分比） |
| — | — |
| 支持向量机 | 87.995 |
| 决策树（CART） | 88.004 |
| 随机森林 | 89.965 |
| 朴素贝叶斯 | 89.057 |
| 逻辑回归 | 92.009 |

通过多数投票算法选择最佳算法，应用该算法后，准确率达到 88.59%，优于现有系统的 85.48%。

下面是这些算法应用流程的 mermaid 流程图：

graph TD
    A[数据准备] --> B[选择算法]
    B --> C{SVM}
    B --> D{决策树（CART）}
    B --> E{随机森林}
    B --> F{朴素贝叶斯}
    B --> G{逻辑回归}
    C --> H[训练模型]
    D --> H
    E --> H
    F --> H
    G --> H
    H --> I[模型评估]
    I --> J[多数投票选择最佳算法]
    J --> K[得出最终准确率]

2. 医疗物联网（IoMT）的发展与挑战

物联网（IoT）技术给传统医疗领域带来了重大变革，物联网与医疗设备的融合，即医疗物联网（IoMT），虽为现代医疗领域带来诸多优势，但也在不同层面带来了诸多安全隐患。

2.1 IoMT 的优势与应用

IoMT 领域不断发展，其优势主要体现在对患者多种疾病的检测、预防和诊断方面。例如，对于老年患者的家庭健康监测、无法承担医院费用的患者，以及在类似 COVID - 19 这样限制患者行动的情况下，IoMT 都能发挥重要作用。预计到 2025 年，医疗领域对 IoT 的需求将大幅增长，有研究表明，到 2020 年底，基于 IoT 的医疗市场规模将达到 117 亿美元。

IoMT 中医疗设备联网形成网状网络，主要功能包括疾病诊断、通过向用户提供警报进行疾病预防，以及基于人工智能（AI）和机器学习（ML）技术为患者提供治疗。其服务范围广泛，从维护患者的基本信息（如姓名、年龄、性别、地址等）的物理和电子健康记录（PHR、EHR），到减少或消除哮喘、癌症、糖尿病等严重疾病症状，以及预警心脏病等危险情况，通过将患者的关键特征从设备或应用程序共享到世界各地的数据中心。

2.2 IoMT 面临的安全挑战

由于 IoT 在医疗领域的应用主要涉及将患者数据从一个医疗设备（有创、无创或主动设备）传输到可能超出其无线电范围的其他传感设备，因此路由对于端到端通信的成功至关重要。然而，这种融合也导致了医疗领域中发送和接收关键信息的设备面临各种新的攻击和威胁。

主要原因有两个：一是医疗领域使用的异构医疗仪器导致操作复杂和不兼容；二是医疗设备制造商不太关注设备的安全和隐私问题，导致数据完整性和机密性受到影响。由于所有设备都通过无线方式传输数据，无线传感器网络（WSN）的安全漏洞也自动成为基于 IoMT 的医疗应用的一部分。

此外，攻击者可能会将恶意路由数据插入网络，导致路由矛盾，危及患者生命。移动自组织网络（MANET）具有在紧急或临时情况下无需设置即可创建网络的能力，因此 MANET 与 WSN 的融合使得 MANET 适合与 IoT 集成用于医疗环境。

2.3 IoMT 系统架构

IoMT 基于的医疗保健系统架构主要包括以下几个层次：
1. 端点层 ：包含不同类型的医疗设备，用于将信息从一个点传输到另一个点。具体如下：
- 可穿戴医疗设备，如 12 导联心电图（ECG）、肌电图（EMG）、脑电图（EEG）等。
- 固定医疗设备，如 CT 扫描机。
- 环境设备，如用于图像处理的摄像头，用于收集患者周围环境信息。
- 植入式设备，如可编程起搏器，可植入患者体内。
2. 网关层 ：由路由器、交换机和防火墙组成，用于连接不同的设备。
3. 数据处理层 ：使用数据分析科学、网络接口或备份存储等技术处理患者数据。该层收集数据，与外部数据集成，并进行本地处理、分析和存储，以及复杂处理。
4. 移动层 ：包括智能手机、平板电脑、笔记本电脑等安装应用程序的设备。该云层容易受到各种攻击，可能导致各层出现拒绝服务（DDOS）攻击。

路由决策层由 IoT 设备和传感器控制器单元组成，IoT 设备通过 Wi - Fi、GSM、以太网 2G/3G 等与本地处理、存储和分析层直接连接。智能手机可作为 IoT 设备，用户通过医疗服务提供商提供的各种应用程序监测各种健康参数。

这种 IoT - 移动自组织网络（MANET）的融合广泛用于医疗领域的疾病监测、检测和预防。各子层能够处理传感器输出、检索上下文、与云集成，并向患者提供反馈。

以下是 IoMT 系统架构的 mermaid 流程图：

graph LR
    A[端点层] --> B[网关层]
    B --> C[数据处理层]
    C --> D[移动层]
    A1[可穿戴设备] --> A
    A2[固定设备] --> A
    A3[环境设备] --> A
    A4[植入式设备] --> A
    D1[智能手机] --> D
    D2[平板电脑] --> D
    D3[笔记本电脑] --> D

患者的健康相关数据通过各种设备（如智能手机、桌面电脑、笔记本电脑和可穿戴设备）上的应用程序不断生成，这些设备通过 Wi - Fi、互联网和蓝牙等通信技术连接，不仅用于监测和跟踪用户习惯，还能提供健康反馈。这些不断增长的大量数据被称为大数据。智能世界的概念只有通过在医疗等领域实施 IoT 以及 AI 和 ML 技术才能实现。IoMT 技术将不同的智能设备关联起来，用于交换患者的健康相关数据。

然而，医疗领域中所有设备通过不安全的网络环境连接，给基本操作带来了安全风险，威胁到患者的健康和安全。此外，由于 IoMT 设备在制造时未考虑安全因素，使其容易受到各种攻击。有报告指出，基于 IoT 设备的 IoMT 传播，加上缺乏网络分段、访问控制不足和对遗留系统的依赖，导致攻击面增加，攻击者可能窃取个人身份信息（PII）和受保护的健康记录（PHR），并干扰医疗服务的提供。

2.4 WSN 和 IoT 网络面临的攻击

无线传感器网络面临的攻击大致可分为主动攻击和被动攻击。在文献中，另一个常见的子分类是基于开放系统互连（OSI）模型的分层协议描述。主动攻击可进一步按 OSI 层分类，不同层（物理层、介质访问控制（MAC）层、网络层、传输层和应用层）的攻击方式不同。

在本研究中，重点关注最严重的 DDoS 攻击，特别是在 NS2 中实现的 SYN 洪泛攻击，用于评估 MANET 环境中最常用路由协议的性能。SYN 洪泛攻击的主要问题是恶意设备（节点）会使整个网络充斥大量请求，消耗智能手机、笔记本电脑、智能手表等设备的带宽和能量，最终导致网络性能下降。

3. 路由协议比较与 QoS 优化

为了优化医疗物联网（IoMT）中的服务质量（QoS），对反应式、安全和混合协议在不同连接数量场景下的各种 QoS 参数进行了比较。

3.1 常见路由协议介绍

Ad - hoc on Demand Distance Vector (AODV) ：这是一种反应式路由协议，只有在需要时才会寻找路由。当源节点需要向目的节点发送数据时，它会发起路由发现过程，通过广播路由请求（RREQ）消息来寻找路径。
Secured AODV (SAODV) ：在 AODV 的基础上增加了安全机制，旨在防止恶意节点干扰路由过程，保护路由信息的安全性和完整性。
Hybrid Wireless Mesh Networks (HWMP) ：是一种混合路由协议，结合了反应式和主动式路由的特点，既可以在需要时动态寻找路由，也可以预先维护一些路由信息，以提高路由效率。

3.2 协议性能比较

下面是不同路由协议在不同场景下性能表现的 mermaid 流程图：

graph TD
    A[网络场景] --> B{连接数量少}
    A --> C{连接数量多}
    B --> D[AODV 较优]
    C --> E{对安全要求低}
    C --> F{对安全要求高}
    E --> G[HWMP 较优]
    F --> H[SAODV 较优]

4. 总结与思考

通过对多种机器学习算法在心脏病风险预测中的应用研究，以及对医疗物联网（IoMT）的发展、挑战和路由协议优化的探讨，我们可以得出以下结论：

在心脏病风险预测方面，逻辑回归、支持向量机、随机森林、CART 和朴素贝叶斯等机器学习算法都有一定的准确率，其中逻辑回归的准确率最高，达到 92.009%。通过多数投票算法可以进一步提高预测的准确率，达到 88.59%，优于现有系统。

在医疗物联网领域，IoMT 虽然为医疗保健带来了诸多优势，如疾病检测、预防和诊断等，但也面临着严重的安全挑战。这些挑战主要源于异构医疗仪器的复杂性、设备制造商对安全的忽视以及不安全的网络环境。为了优化 IoMT 中的服务质量，比较不同的路由协议是必要的，研究发现 Hybrid Wireless Mesh Networks (HWMP) 在不同连接数量场景下表现更高效。

未来，随着技术的不断发展，我们可以进一步探索以下方向：
- 在机器学习算法方面，可以尝试将多种算法进行更深度的融合，或者引入新的算法来提高心脏病风险预测的准确率。
- 在医疗物联网安全方面，需要加强设备制造商的安全意识，制定更严格的安全标准，同时研发更有效的安全防护技术，如加密算法、入侵检测系统等。
- 在路由协议优化方面，可以继续研究和改进现有的路由协议，或者开发新的适用于 IoMT 的路由协议，以提高网络的性能和可靠性。

总之，心脏病风险预测和医疗物联网的发展是一个充满挑战和机遇的领域，我们需要不断探索和创新，以提高医疗服务的质量和安全性。