远程患者监护中异常用户行为的检测
机器学习
2021-06-23 v1 计算机与社会
摘要
使用可穿戴与非可穿戴医疗物联网（IoMT）设备的远程患者监护（RPM）服务的增长有望提高诊断质量并促进一系列医疗状况的及时治疗。同时，IoMT 设备的激增增加了可能导致灾难性后果的恶意活动的可能性，包括个人信息窃取、数据泄露以及医疗设备的 compromised，危及人类生命。IoMT 设备生成反映用户行为模式的海量数据，包括个人与日常社交活动以及日常常规健康监测。在此背景下，由于包括意外用户行为、传感器故障或来自恶意/被攻陷设备的异常值等各种原因，可能产生异常。为解决此问题，亟需开发一种保护智能医疗基础设施以识别并缓解异常的框架。在本文中，我们提出一种利用 IoMT 与智能家居设备的 RPM 异常检测模型。我们提出基于隐马尔可夫模型（HMM）的异常检测，分析由智能家居与智能健康设备组成的 RPM 上下文中的正常用户行为，并识别异常用户行为。我们设计了一个带有多个 IoMT 设备与家庭传感器的测试床来收集数据，并使用 HMM 模型基于网络与用户行为数据进行训练。所提出的基于 HMM 的异常检测模型在 RPM 上下文中识别异常达到了超过 98% 的准确率。
引用
@article{arxiv.2106.11844,
title = {Detecting Anomalous User Behavior in Remote Patient Monitoring},
author = {Deepti Gupta and Maanak Gupta and Smriti Bhatt and Ali Saman Tosun},
journal= {arXiv preprint arXiv:2106.11844},
year = {2021}
}