物联网设备是用于收集用户的日常迹象,并将其转换成数字信号,已被广泛应用于医学领域和健康( 11- - - - - - 13]。以其低能耗使用特征、物联网设备是用来收集潜在的信息。当前的高灵敏度传感器,血压米,手环,和其他仪器精度高和能耗低,可以完成数据收集工作。关于物联网,介绍物联网设备的发展。的安全设备也取得了结果( 14, 15]。在本文提出的框架,智能手机、边缘节点,承担部分的计算能力和存储能力,还有各种各样的安全策略。Ranadheer等人部署一个新的安全服务,EdgeSec,边缘层来提高整个物联网的安全系统( 16]。肖等人分析了几个具有代表性的问题和安全策略边缘层的最后,提出了未来的研究方向( 17]。然而,很难部署安全策略与智能手机的边缘节点没有占用太多的资源,以免影响正常使用的智能手机。因此,本文提出的框架采用配备一个安全的智能手机的模式,采用现有的开源项目OP-TEE(开放的可信执行环境)和TrustZone硬件架构保护用户隐私数据存储在边缘节点。安全智能手机设计在图 2。

在拟议的框架中,智能手机还可以收集用户数据。用户通过注册和提供基本的信息上传到云存储,建立云PHR(个人健康)和符号信息收集的物联网设备将首先传送到智能手机。预测慢性疾病不需要实时上传的数据。物联网采集的数据将存储在安全的智能手机。此外,安全智能手机将保存大数据通过云。分析结果被用来确定疾病。边缘节点首先判断和反馈用户的数据,这不仅加速了决心反馈的效率,而且避免了数据传输的高峰。使用信任区硬件架构和开源OP-TEE可以确保边缘节点的存储和计算安全,已被广泛研究和应用 18, 19]。OP-TEE最初是由Linaro公司开发并发布在GitHub上高质量的开源代码的形式,它实现了内核OPTEE_OS信任,支持可信区域分配和多线程,并支持多种平台,如手臂朱诺板和HiKey板。此外,OP-TEE项目实现了大多数提供的API封装平台组织在世界各地,有巨大的优势平台可移植性。TrustZone技术首次引入ARM公司,现在已经成熟的应用程序和统一的标准。例如,华为交配8实现手臂TrustZone TZASC IP核在SOC,华为在普通世界的操作系统运行,运行安全OS不向外部世界开放的安全的世界,或使用小米手机的antiloss功能实现底层的手臂。TZPC IP核心TrustZone技术可以完全控制装置,有效防止攻击者入侵装置和窃取或修改数据。手臂TrustZone已经广泛的应用场景和低成本、灵活和相对简单的编程环境,并且可以根据用户的特定需求而设计的。手臂TrustZone OP-TEE项目可以为智能手机提供一个高度安全的环境。正常的智能手机操作系统可以存储在平凡的世界里,和另一个操作系统可以存储在安全的世界。安全的世界的安全级别比较高,和硬件资源的安全访问世界是完全分开的平凡的世界。 The two do not interfere with each other. EE communicates with general API and switches through SMC (secure monitor call) abnormal interrupt. In a secure world, it can protect the confidentiality, integrity, and access rights of resources and data. Users interact with the platform through normal world’s mobile app, including information registration and receiving feedback. The user’s sign data collected by sensors are also transmitted to the user’s mobile phone through Bluetooth, ZigBee, and other ways and stored in the trust zone of secure world. In addition, the results generated by cloud big data analysis are also stored in the trust zone. In zone, the sign data accumulated with the user for a period of time are predicted in the trusted application of secure world and fed back to the user.

手臂TrustZone硬件架构和开源OP-TEE使智能手机作为一个可靠的边缘节点有一定的计算和存储能力,因为其灵活和高度独立的特点。基于HiSilicon华为手机芯片可以完美的完成这样的任务和硬件提供更高级别的安全性。

作为云计算的产品边缘化,边缘层缺乏计算能力和存储容量较云( 20.),但边缘计算的出现不仅可以减少云的负载,但也为用户提供更多的快速反馈 21, 22]。边缘节点不仅需要与异构通信和资源有限的物联网设备在很短的距离,但也上传数据到互联网在云的中间层数据收集;消息中间件或网络虚拟化技术主要是使用云服务器。安全也是非常重要的。虽然边缘节点的存储和计算环境设备保证了手臂TrustZone OP-TEE,风险依然存在,小偷将攻击或者窃取数据通过窃取用户的手机或帐户。因此,为了保证用户的凭证是必要的,MFA(多因素身份验证)可以提供有效的身份验证通过添加至少一个身份验证因素除了密码身份验证过程,这不仅可以确保用户帐户的安全,而且还可以安全有效地确保数据从边缘节点传输到云的传输协议。有许多形式的MFA和应用程序( 23- - - - - - 25]。传统的身份认证采用的识别机制“用户帐户+静态密码”,这实际上是一个单因素身份验证。静态密码有各种缺点,很容易被攻击者猜测或非法偷。MFA可以判断用户的身份和行为在许多方面,其中生物认证技术使用人体的生理信息。作为一种身份验证信息的特征和行为特征的基础上,每个人的生物识别技术是不同的。使用生物认证技术可以确保验证结果的准确性。今天的智能设备的支持下,生物收集和biometric-based身份验证,精度高,能完成占各领域缺乏安全认证( 26, 27]。在拟议的框架中,智能设备作为信息采集设备,和足够的资源来支持生物识别技术的集合。指纹特征用于验证用户,低成本和高安全性的特点,如图 3。

用户首先将通过智能手机上的应用程序注册,和应用程序将部署到正常的世界与用户进行交互。用户将通过提供基本信息登记,上传到云端,并建立一个PHR。用户的生物标志信息,比如指纹信息,将存储安全的世界上。当用户再次登录时,用户提供的指纹信息将被比较。之后才比较成功的数据访问权限的用户帐户。此外,用户注册成功后,安全智能手机将接受来自云的模型参数发送并保存在安全的世界;当用户的数据收集完成后,将进行最初的疾病判断边缘节点和及时反馈给用户。当用户请求或需要预测疾病,这将是暂时存储在安全的智能手机。世界上用户数据将被上传到云端。否则,云数据库将上传和更新当云资源占领的压力很低。 At the same time, the model parameters will be updated after a period of accumulation. The data analysis system set up in the cloud will feed back the disease prediction results or healthy diet suggestions to users through the app.

由于这个原因,该模型算法减少了使用边缘节点的计算能力,并根据OP-TEE安全智能手机可以确保边缘节点的存储安全。疾病预测模型建立在云中传输的定期更新模型参数的智能手机,和疾病可以由使用少量的存储和计算能力的智能手机。

在设计的过程中所需的属性的算法,首先,通过注册用户提供的基本信息,建立PHR在云端。同时,PHR接收用户的信号数据和EMR(电子医疗)由医院和其他第三方提供。改进的APC模型用于确定疾病通过云安全环境,以及模型参数存储在安全的世界边缘层中的智能手机安全传输协议。确定用户访问时,疾病在边缘层首先,有必要预测疾病的时候,云访问预测和回归预测结果和运动处方。

为了解决的问题造成的干扰,老人的身体信号数据通常高于标准的价值判断和预测,本文提出一种基于基本信息的组合的人群队列算法和信号数据,它反映了社会和历史发展的宏观影响人口基本信息和使用符号数据表达个人身体功能的变化随着时间的增长。它可以保证算法的灵敏度最大程度。

基本信息是云PHR不仅用于形式,但也有许多应用程序在疾病的判断和预测。APC(年龄段人群)模型研究结果从三个维度的影响,年龄和队列。自从霜提出和应用结核病数据研究早在1939年,它得到了广泛的应用。Pes等人用APC模型来分析和研究癌症的时间趋势在社会经济转型后的人口 28]。它有独特的优点在慢性疾病的预测和一些传染病。

在前面的研究中,我们改进了APC的影响模型,研究了吸烟,酗酒,和其他习惯的结果,改进的APC的敏感性模型( 29日),但与此同时,考虑疾病预测模型信号数据的不可替代的价值,我们也使用基本数据和信号数据,确保算法的灵敏度和准确性在最大的程度上,可用于个人健康。领域的管理,不同的疾病需要不同的属性选择算法,和属性的选择通常是大量的。大规模高维数据集的算法的性能和复杂度算法选择的主要依据。聚类算法的性能很好。但修剪技术的应用减少密集单位候选集将导致损失的一些数据,所以它相对容易犯错的疾病领域的预测。Gayathri等人玛算法与density-based算法相结合,以改善其性能在高维数据聚类 30.),但玛算法很容易忽略小集群,并很容易导致错误等不完整的疾病领域的预测结果。遗传聚类算法结合了遗传算法和聚类算法通过选择并确保准确性,交换和变异操作,算法简单,准确,有效,适合老年人心血管和脑血管疾病的研究。

遗传算法是由荷兰密歇根大学的教授首次提出在1960年代和1970年代出版的第一本书在1975年遗传算法的基本理论和方法。因为它只取决于适应度函数,它可以需求的最佳解决方案,简单、实用。适用于并行计算效率高和实用性的特点。广泛应用于机器学习、神经网络、生物工程。遗传算法很简单,有效,准确,所以它可以用来解决聚类问题。本文使用遗传算法聚类。在以前的研究中,传统的聚类算法是非常敏感的选择预设聚类中心和样本输入顺序,并很容易陷入局部优化的问题。因此,结合当地传统聚类算法的优化与遗传算法的全局优化,具有伟大价值的高维、低敏感的老年人的医疗数据。遗传算法的优势,集群已广泛应用( 31日]。

然后,改善的结果APC模型量化和输入到遗传算法聚类作为一个个体属性。因为疾病患病率非常不同的性别,根据性别进行分析。输入属性不包括性别。输入格式是在表 1。

为了进一步提高聚类的准确性,进行聚类根据年龄段,可以根据年龄和性别分成不同的组。与此同时,类似的组织也可以确保结果的准确性。因为很少有数据50和75岁以下的人在数据集,这不能满足聚类分析的数据需求。的数据50 - 75岁的人处理聚类分析,选择和50组数据对于每一个实验, T= 100, 米= 100, P_ 米= 0.01, P_ C= 0.5。黑色代表心血管和脑血管疾病患者,如冠心病和心衰,红色代表正常的人。相同的属性在不同的年龄段和性别有不同程度的影响。用户是根据年龄段来划分来提高老年人数据的准确性和灵敏度。属性不仅包括non-self-attributes对人体的影响(APC模型值),而且体征数据的主要影响因素(脉冲率和压差)。遗传算法是基于人口队列的概念。的结果如下(图聚类模型 4- - - - - - 9)。

从分析结果可以看出图中,不同的年龄段有不同的特点。随着年龄的增长,所有属性值增加,这意味着,随着年龄的增长,老年人的免疫力逐渐减少,和体征数据通常高于正常价值,尤为突出的是冠心病患者和其他疾病引起的高血压。此外,一些女性患有冠心病。聚类分析的结果更离散和低于男性患者,这表明女性高血压患者更有可能患心血管和脑血管疾病引起的高血压冠心病和心衰等比男性患者。本文根据PHR格式设计,相同的用户有不同时期的诊断结果。因此,当新用户的数据输入,首先进行了聚类分析模型,然后根据聚类相似的人分配的结果。APC模型计算属性的价值包括个人生活和社会变化的宏观影响个人,和体征数据能体现个人价值。与自然条件的变化,从两个角度找到自己属于类似的人口,那么,所表达的疾病的概率是类似的人口的平均概率。

与传统的遗传聚类算法相比,该模型将用户根据年龄和性别,并使用改进的APC模型属性的特征值进行计算。通过分类人口,提高模型的预测精度,预测发病期进行。考虑到年龄、性别和其他因素,改善APC的参数模型作为宏观参数。添加到模型分析影响,以下(图 10)是一种与传统的遗传聚类分析(传统的遗传聚类属性选择:压差、脉搏,BMI)。

从图可以看出 10,本文提出的模型有更大的优势比传统的AUC(面积曲线)模型,本文设计和模型具有较高的准确性,因为它包含两个基本的因素由改进的APC模型和物理因素标准化后,虽然传统算法AUC也表现良好,本文提出的模型会得到更高的TPR(真阳性对照)在同样的玻璃钢(假阳性对照)在同一时间,该模型具有较高的TPR无论多么起点或终点和最好的边界点,这表明该模型具有较高的适应性和敏感性比传统模型领域的心血管和脑血管疾病的预测老年人。

该算法模型可以最大程度保证聚类的准确性,以便得到最相似的人。穿过人群队列分析根据年龄,最相似的同年龄的人可以根据年龄。根据信息PHR相似的同年龄的人的健康状况的变化趋势随着时间的推移可以建立,根据病人的变化随着时间的推移在类似的同年龄的人。个人疾病的发病率是个体的数量。为了方便计算和用户交互,本文选择一些类似的人口和准确设置流行率。根据年龄相仿的年龄群体,用户发生期的预测结果表达。结果如下:今年疾病的概率是23%,和疾病的概率是47%在两到五年,五到十年。生病的概率是20%,10年之内不生病的概率是10%。为了验证结果的准确性,本文选择100个测试属性来预测和分析这种方法。实验结果表明,准确率达到91.34%,而在错误的情况下预测结果,平均偏差时间不到一年。