Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Giảm thiểu cảnh báo sai bằng cách sử dụng quy tắc tích lũy và cửa sổ trượt động trong hệ thống diện rộng
Tóm tắt
Việc đo lường lỗi từ các cảm biến trong các ứng dụng quan trọng như hệ thống giám sát bệnh nhân từ xa có thể đôi khi dẫn đến việc chẩn đoán sai hoặc các can thiệp không cần thiết từ các chuyên gia y tế. Động lực chính của bài báo này là giảm thiểu cảnh báo giả, từ đó cải thiện độ chính xác của hệ thống. Trong bài báo này, chúng tôi đề xuất một phương pháp để phát hiện các phép đo cảm biến bất thường. Bài báo này sử dụng cửa sổ trượt động, Trung bình di động có trọng số cho mục đích dự đoán và quy tắc tích lũy để cải thiện độ chính xác trong việc xác định các tình trạng y tế thực sự. Cuối cùng, chúng tôi xác thực hiệu suất của phương pháp đã đề xuất bằng cách sử dụng một tập dữ liệu có sẵn công khai và đã so sánh với các phương pháp hiện có bằng các chỉ số thống kê. Chúng tôi đạt được mức giảm 37,40% tỷ lệ cảnh báo sai khi so sánh với các phương pháp hiện có.
Từ khóa
#cảm biến #cảnh báo giả #giám sát bệnh nhân từ xa #cửa sổ trượt động #quy tắc tích lũyTài liệu tham khảo
Li F, Hong J (2016) Efficient certificateless access control for wireless body area networks. IEEE Sens J 16(13):5389–5396
Haque SA, Rahman M, Aziz SM (2015) Sensor anomaly detection in wireless sensor networks for healthcare. Sensors 15(4):8764–8786
Liu F, Cheng X, Chen D (2007) Insider attacker detection in wireless sensor networks. In: Proceedings of 26th IEEE international conference on computer communications, Anchorage, AK, USA, 6–12 May 2007, pp 1937–1945
Rajasegarar S, Leckie C, Palaniswami M, Bezdek JC (2006) Distributed anomaly detection in wireless sensor networks. In: Proceedings of 10th IEEE singapore international conference on communication systems, October 2006,Singapore, pp. 1–5
Salem O, Guerassimov A, Mehaoua A, Marcus A Furht B (2014) Anomaly detection in medical wireless sensor networks using SVM and linear regression models. Int J E Health Med Commun 5(1):20–45
Salem O, Guerassimov A, Mehaoua A, Marcus A, Furht B (2013) Sensor fault and patient anomaly detection and classification in medical wireless sensor networks. In: Proceedings of 2013 IEEE international conference on communications (ICC), Budapest, Hungary, 9–13, June 2013, pp. 4373–4378
Aggarwal CC, Yu PS (2001) Outlier detection for high dimensional data. In: Proceedings of the 2001 ACM SIGMOD international conference on management of data, Santa Barbara, CA, USA, 21–24 May 2001
Miao X, Jiankun H, Biming T (2012) Histogram-based online anomaly detection in hierarchical wireless sensor networks. In: Proceedings of 2012 IEEE 11th international conference on trust, security and privacy in computing and communications (TrustCom), Liverpool, UK, 25–27, June 2012, pp. 751–759
Dalmazo BL, Vilela JP, Marilia C (2014) Online traffic prediction in the cloud: a dynamic window approach. In: 2014 International conference on future internet of things and cloud (FiCloud), pp. 9–14. IEEE
Murphy C Moving averages tutorial,” http://courses.jmsc.hku.hk/jmsc7008spring2012/files/2010/02/MovingAverages.pdf
Dash S A comparative study of moving averages: simple, weighted, and exponential,”http://www.tradestation.com/education/labs/analysisconcepts/a-comparative-study-of-moving-averages
Smrithy GS, Ramadoss Balakrishnan.; Nikita, Sivakumar (2018) Anomaly detection using dynamic sliding window in wireless body area networks. In: Proceedings of international symposium on data science and big data analytics, 5–6 Jan 2018, Indore, India (unpublished)
PhysioNet. Available online: http://www.physionet.org/physiobank/database/mimicdb/