基于分层联邦学习与数字孪生的智能医疗异常检测
密码学与安全
2021-11-29 v2
摘要
医疗物联网(IoMT)随着智能医疗设备和应用在智能医院、基于智能家居的护理以及养老院中的普及而变得无处不在。它利用智能医疗设备与云计算服务，结合核心物联网(IoT)技术，感知患者生命体征参数、监测健康状况并生成多变量数据以支持即时医疗服务。此类海量数据大多在集中式服务器中分析。集中式医疗生态系统中的异常检测(AD)常受响应时间显著延迟与高性能开销的困扰。此外，将患者个人健康数据发送至集中式服务器存在固有的隐私问题，也可能给 AD 模型带来数据投毒等安全威胁。为克服集中式 AD 模型的这些问题，本文提出一种基于联邦学习(FL)的 AD 模型，利用边缘云let在本地运行 AD 模型而无需共享患者数据。由于现有 FL 方法在单一服务器上聚合从而限制了 FL 的应用范围，本文引入分层 FL 以支持不同层级的聚合，实现多方协作。我们提出一种新颖的基于疾病的分组机制，依据特定疾病类型对不同的 AD 模型分组。此外，我们开发了一种新的联邦时间分布(FedTimeDis)长短期记忆(LSTM)方法来训练 AD 模型。我们以远程患者监测(RPM)用例展示模型，并利用数字孪生(DT)与边缘云let给出了概念验证实现。
引用
@article{arxiv.2111.12241,
title = {Hierarchical Federated Learning based Anomaly Detection using Digital Twins for Smart Healthcare},
author = {Deepti Gupta and Olumide Kayode and Smriti Bhatt and Maanak Gupta and Ali Saman Tosun},
journal= {arXiv preprint arXiv:2111.12241},
year = {2021}
}