論文の概要: Detecting Anomalous User Behavior in Remote Patient Monitoring
- arxiv url: http://arxiv.org/abs/2106.11844v1
- Date: Tue, 22 Jun 2021 14:59:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 19:38:10.534202
- Title: Detecting Anomalous User Behavior in Remote Patient Monitoring
- Title(参考訳): 遠隔患者モニタリングにおける異常ユーザ行動の検出
- Authors: Deepti Gupta, Maanak Gupta, Smriti Bhatt, and Ali Saman Tosun
- Abstract要約: IoMTとスマートホームデバイスを用いた遠隔患者モニタリングのための異常検出モデルを提案する。
隠れマルコフモデル(HMM)に基づく異常検出手法を提案する。
提案したHMMに基づく異常検出モデルは,RPMの文脈における異常の同定において98%以上の精度を達成した。
- 参考スコア(独自算出の注目度): 0.26249027950824505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The growth in Remote Patient Monitoring (RPM) services using wearable and
non-wearable Internet of Medical Things (IoMT) promises to improve the quality
of diagnosis and facilitate timely treatment for a gamut of medical conditions.
At the same time, the proliferation of IoMT devices increases the potential for
malicious activities that can lead to catastrophic results including theft of
personal information, data breach, and compromised medical devices, putting
human lives at risk. IoMT devices generate tremendous amount of data that
reflect user behavior patterns including both personal and day-to-day social
activities along with daily routine health monitoring. In this context, there
are possibilities of anomalies generated due to various reasons including
unexpected user behavior, faulty sensor, or abnormal values from
malicious/compromised devices. To address this problem, there is an imminent
need to develop a framework for securing the smart health care infrastructure
to identify and mitigate anomalies. In this paper, we present an anomaly
detection model for RPM utilizing IoMT and smart home devices. We propose
Hidden Markov Model (HMM) based anomaly detection that analyzes normal user
behavior in the context of RPM comprising both smart home and smart health
devices, and identifies anomalous user behavior. We design a testbed with
multiple IoMT devices and home sensors to collect data and use the HMM model to
train using network and user behavioral data. Proposed HMM based anomaly
detection model achieved over 98% accuracy in identifying the anomalies in the
context of RPM.
- Abstract(参考訳): ウェアラブルおよび非ウェアラブル型医療物のインターネット(IoMT)を用いた遠隔患者モニタリング(RPM)サービスの成長は、診断の質を改善し、さまざまな医療条件のタイムリーな治療を容易にすることを約束する。
同時に、iomtデバイスの増殖は、個人情報の盗難、データ漏洩、侵害された医療機器などの破滅的な結果をもたらす悪質な活動の可能性を増大させ、人間の生命を危険にさらす。
IoMTデバイスは、日々の健康モニタリングとともに、個人的および日々のソーシャル活動を含むユーザー行動パターンを反映する膨大な量のデータを生成する。
この文脈では、予期せぬユーザ行動、障害センサー、悪意のある/妥協されたデバイスからの異常値など、様々な理由で異常が発生する可能性がある。
この問題に対処するためには、異常を特定し緩和するためのスマートヘルスケアインフラを確保するためのフレームワークを開発する必要がある。
本稿では,IoMTとスマートホームデバイスを用いたRPMの異常検出モデルを提案する。
スマートホームとスマートヘルスデバイスの両方からなるRPMのコンテキストにおいて,正常なユーザ動作を解析し,異常なユーザ動作を特定するHMMに基づく異常検出を提案する。
我々は、複数のIoMTデバイスとホームセンサを備えたテストベッドを設計し、データを収集し、HMMモデルを用いてネットワークおよびユーザ行動データを用いてトレーニングする。
提案したHMMに基づく異常検出モデルは,RPMの文脈における異常の同定において98%以上の精度を達成した。
関連論文リスト
- IoMT-Blockchain based Secured Remote Patient Monitoring Framework for
Neuro-Stimulation Device [0.0]
患者からのリアルタイムの知覚データは、ウェアラブルIoMTデバイスの迅速な開発を通じて配信され、分析される。
モノのインターネットからのデータは収集され、分析され、単一の場所に格納される。
分散した性質のため、ブロックチェーン(BC)はこれらの問題を緩和することができる。
論文 参考訳(メタデータ) (2023-08-31T16:59:58Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳(メタデータ) (2022-09-25T04:56:10Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳(メタデータ) (2022-09-20T15:18:13Z) - Survey of Machine Learning Based Intrusion Detection Methods for
Internet of Medical Things [2.223733768286313]
Internet of Medical Things (IoMT) は、モノのインターネット(Internet of Things)の応用である。
このデータのセンシティブでプライベートな性質は、攻撃者にとって重要な関心事であるかもしれない。
ストレージや計算能力に制限のある機器に対する従来のセキュリティ手法の使用は効果がない。
論文 参考訳(メタデータ) (2022-02-19T18:40:55Z) - AMSER: Adaptive Multi-modal Sensing for Energy Efficient and Resilient
eHealth Systems [5.04685484754788]
感覚データ取得時のノイズの多い入力と動きアーチファクトは、eHealthサービスの予測精度とレジリエンスに影響を与える。
本稿では,ガベージインガベージアウトを軽減できるマルチモーダルeHealthアプリケーション AMSER のためのクローズドループモニタリングおよび制御フレームワークを提案する。
提案手法は, 予測精度が最大22%向上し, 5.6$times$ Energy consumption reduction in the sensor phaseが得られた。
論文 参考訳(メタデータ) (2021-12-13T00:52:33Z) - Reliable and Trustworthy Machine Learning for Health Using Dataset Shift
Detection [7.263558963357268]
予測不能なMLモデルの振る舞いは、特に健康領域において、その安全性に対する深刻な懸念を引き起こす。
マハラノビス距離およびグラム行列に基づく分布外検出法は,分布外データを高精度に検出できることを示す。
次に、アウト・オブ・ディストリビューションスコアを人間の解釈可能なConFIDENCE SCOREに変換し、ユーザーの健康MLアプリケーションとのインタラクションに与える影響を調査する。
論文 参考訳(メタデータ) (2021-10-26T20:49:01Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z) - Super Low Resolution RF Powered Accelerometers for Alerting on
Hospitalized Patient Bed Exits [3.2654923574107357]
転倒は重篤な結果であり、高齢者を介護する急性病院や老人ホームで流行している。転倒のリスクを軽減するための技術介入は、自動でベッドからのイベントを監視し、医療従事者にタイムリーな監視を提供するよう警告する。
患者活動に関連する周波数領域情報は, 主に低頻度で存在している。
無線周波数識別(RFID)技術を用いた電池レスセンシング方式について検討し,病院ガウンなどの衣服への便利な統合の可能性について検討した。
論文 参考訳(メタデータ) (2020-03-19T00:58:30Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳(メタデータ) (2020-01-10T05:29:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。