面向医疗系统的隐私保护疾病预测研究

摘要：

为了提高医疗数据的隐私性并有效对疾病进行预测,针对从物联网(IoT)设备收集的患者医疗数据,构建了面向医疗数据的隐私保护疾病预测系统框架,通过加密组合文本建立密钥提高了系统认证阶段的隐私性,加强系统和信息传输的安全性;利用基于对数循环值的椭圆曲线密码体制(LR-ECC)提高了数据传输阶段的安全性,从而授权的医护人员可以在医院安全地下载患者数据;运用基于象群遗传算法的的深度学习神经网络(EHGA-DLNN)分类技术,在疾病预测系统(DPS)阶段,实现了疾病数据的有效分类预测;实验结果表明,LR-ECC方法在加密时间和解密时间效率方面高于其他加密方法,并且能够达到98.87％的安全级别,EHGA-DLNN方法在疾病预测分类准确率达到98.35％.

关键词：医疗系统、物联网、数据安全、隐私保护、疾病预测

所属期刊栏目：31

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金;山东省临床医学科技创新计划

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：219-224,231