💻 计算机科学

Heart disease detection with trust-based authentication framework in Edge-cloud-IoMT using Adaptive Aggregation Multi-scale Fusion Network

本文提出了一种在边缘-云-IoMT架构下，集成自适应聚合多尺度融合网络（AAMF-Net）的基于信任的认证框架，通过先进的数据预处理、特征选择以及结合自注意力机制与多尺度融合的混合深度学习模型，有效解决了边缘资源受限问题，从而实现对心脏疾病的有效检测，并达到了96.37%的准确率。

原作者： Neha Sambhaji Suryavanshi, Suresha D., Amolkumar N. Jadhav, Anushka D. Kadage, Mukesh Kumar Tripathi, Bibhuprasad Sahu

发布于 2026-10-13

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Neha Sambhaji Suryavanshi, Suresha D., Amolkumar N. Jadhav, Anushka D. Kadage, Mukesh Kumar Tripathi, Bibhuprasad Sahu

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

心脏病仍然是全球范围内的主要死因，而早期发现往往是生与死之间的区别。几十年来，医生一直依赖患者病史和体格检查来发现预警信号，但现代医疗设备产生的海量数据为未来开辟了一条新路径。这就是医疗物联网（IoMT）发挥作用的地方。想象一个由智能传感器和可穿戴设备组成的网络，它们持续监测患者的心脏，并向中央系统发送稳定的信息流。挑战一直在于如何快速且安全地处理这股数据洪流，而不至于使存储系统过载。传统方法往往难以应对如此庞大的信息规模，或者无法保护敏感的患者记录免受未经授权的访问。此外，许多用于分析此类数据的现有计算机程序要么速度太慢，无法在紧急情况下发挥作用，要么缺乏区分健康心脏与出现问题的心脏的精确度。

一组研究人员开发了一种新系统，旨在通过结合三层技术来解决这些特定问题：设备本身、被称为“边缘”计算的本地处理层，以及中央“云”服务器。在他们最近的工作中，他们引入了一种名为 AAMF-Net 的复杂新模型，该模型充当了一个经过高度训练的数字诊断专家。该系统构建在一个安全环境中运行，患者数据受到基于信任的身份验证框架的保护。在分析任何医疗数据之前，系统会验证设备和用户的身份，确保只有授权信息进入网络。这个安全层使用一个复杂的过程来生成唯一的数字密钥，有效地锁定数据，使得只有预定的医疗系统才能读取它。一旦数据安全了，它就会进入操作的核心部分：心脏病的检测。

研究人员并没有简单地将原始数字输入计算机。他们首先对数据进行了清洗，去除了错误并填补了缺失的部分，以描绘出清晰的患者健康图景。随后，他们平衡了不同健康因素的重要性，确保没有任何单一症状在分析中占据主导地位。为了处理医疗记录中健康心脏案例多于患病心脏案例的情况，系统生成了额外的、真实的合成病例样本，以教导模型识别病征。这种准备工作让他们的核心系统——AAMF-Net 能够进行有效学习。该模型是两种先进技术的混合体。其中一部分侧重于理解数据中深层的、长期的模式；而另一部分则密切关注信息的细节和边缘，就像人类专家既观察大局又观察具体症状一样。通过融合这两个视角，系统创建了患者状况的全面视图。

当研究人员测试这种新方法时，结果令人瞩目。他们使用包含数千条患者记录的真实世界医疗数据集，将该系统与几种已有的成熟方法进行了对比。新模型被证明比以往的技术更准确、更可靠。在测试中，该系统识别心脏病病例的准确率达到了 96.37%，并在实际存在疾病的情况下成功检测出疾病存在的比例为 97.13%。这些数字代表了对旧模型的显著改进，旧模型通常在面对嘈杂数据时表现不佳，或容易漏掉细微的病情迹象。研究人员还使用了统计工具来证实这些结果并非偶然的运气，而是持续的表现。该系统能够通过强调哪些特定的健康因素（如年龄或胆固醇水平）在诊断中最重要来解释其决策，使其成为医疗专业人员值得信赖的工具。

这项研究表明，通过仔细保护数据并使用双层方法对其进行分析，构建一个既快速又极其精准的系统是可能的。研究人员模拟了整个过程——从设备采集数据到最终诊断——展示了即使在数据不完美或不完整的情况下，这种方法依然运作良好。虽然目前这项工作仍处于模拟阶段，尚未在医院进行临床试验，但研究结果为技术如何协助医生挽救生命指明了清晰的路径。该系统并非取代人类医生，而是提供了一个强大、安全且高度准确的助手，能够帮助比以往任何时候都更早地识别心脏病。

技术摘要：基于 AAMF-Net 的 Edge-Cloud-IoMT 环境下具有信任认证的心脏病检测

1. 问题陈述

心脏病仍然是全球死亡的主要原因，需要通过早期识别和持续监测来改善患者预后。虽然物联网医疗（IoMT）结合边缘计算和云计算为远程诊断提供了广阔前景，但传统方法面临着显著的障碍：

资源受限： 边缘设备在可扩展性和计算能力方面往往面临挑战。
安全与隐私： 临床数据具有高度敏感性。现有的框架通常缺乏鲁棒的基于信任的身份验证，使系统容易受到未经授权访问和数据泄露的威胁。
数据质量问题： 传统模型经常受到不完整或噪声数据、类别不平衡以及缺乏可解释性的影响，从而导致诊断准确度降低。
延迟与效率： 仅依赖云端处理会引入延迟，而仅靠边缘端的解决方案可能缺乏执行复杂深度学习任务所需的计算能力。

2. 研究方法

本研究提出了一种在 Edge-Cloud-IoMT 生态系统中进行心脏病检测的综合框架，其核心是一种创新的自适应聚合多尺度融合网络（AAMF-Net）。该方法分为三个主要阶段：

A. 基于信任的身份验证与密钥生成

在数据处理之前，通过涉及云（Cloud）、边缘（Edge）和 IoMT 实体的流程建立一个安全环境：

模拟与注册： 实体（云、边缘、物联网）经历一个涉及 ID/密码存储和一次性密码（OTP）验证的注册过程。
密钥生成： 利用**深度高阶注意力神经网络（DHA-Net）**来生成私钥，通过捕捉复杂的多级特征交互来增强安全性。
身份验证协议： 系统采用多步身份验证过程（初始化、注册、密钥生成、身份验证、授权、访问控制和数据保护）。
安全操作： 该框架集成了 DES 加密、哈希函数、XOR 运算和 OTP。通过直接、间接、中介和证明信任机制建立信任。

B. 数据预处理与增强

来自云端的安全数据经过严格准备，以确保模型的鲁棒性：

预处理：
- 异常值移除： 利用 Z-score 技术消除连续型特征中的异常值。
- 缺失值处理： 对数值型特征应用中位数填补，对类别型特征应用众数填补。
- 类别编码： 使用学习嵌入（Learned Embedding，针对高基数特征）和独热编码（One-Hot Encoding，针对特征值 $\le 5$ 的情况）将非数值变量进行转换。
特征均衡化： 应用变量稳定性缩放（VSS），通过根据样本间的协调性（结合变异系数）调整权重，实现特征贡献的标准化。
降维： 采用监督无限特征选择（Inf-FSs），基于图过滤法对特征进行排序和筛选，综合考虑归一化标准差、Fisher 准则和互信息。
合成数据生成： 为了解决类别不平衡问题，**有限元合成少数类过采样技术（FE-SMOTE）**通过在特征空间内构建单纯形来生成合成样本，确保新样本占据三角剖分的边界和内部区域。

C. AAMF-Net 架构

核心检测模型 AAMF-Net 是一个旨在融合多尺度特征和边缘信息的混合架构。它集成了两个子网络：

自注意力聚合网络（AASAN）：
- 使用带有**相对位置编码自注意力机制（SA-RPE）**的 ResNet 作为骨干网络，以捕获长期依赖关系。
- 采用全局分支生成注意力图，以及局部分支提取焦点特征，从而抑制背景噪声。
- 使用**自适应聚合特征（AAF）**组件来语义化地合并不可靠特征。
边缘引导的多尺度注意力融合网络（EdgeMAF-Net）：
- 旨在通过多尺度特征捕获复杂的心脏异常。
- 包含一个跨阶段部分融合模块（CSPFM）和一个多尺度边缘注意力校准模块（MSEACM）。
- CSPFM 包括一个使用傅里叶变换的高频衰减（HFA）层，用于在保留边缘的同时抑制噪声。
- MSEACM 利用自适应门控融合（AGFB）、**特征增强注意力（FEAB）和多尺度边缘增强（MSEEB）**来精炼特征图。
融合机制：
- AASAN ( $A_h$ ) 和 EdgeMAF-Net ( $G_h$ ) 的输出通过 Taylor 概念近似进行组合。
- 最终的检测输出 ( $R_h$ ) 通过关系式 $R_h = 2A_h - G_h$ 推导得出，有效地将 AASAN 的可解释性与 EdgeMAF-Net 的边缘感知精度相结合。
- 模型使用 Adam 优化器和 Focal Loss 函数进行优化，以处理类别不平衡问题。

3. 核心贡献

AAMF-Net 架构： 提出了一种结合 AASAN 和 EdgeMAF-Net 的新型混合网络，用于检测心脏病，利用了自注意力机制和边缘引导的多尺度融合。
集成安全框架： 实现了一个使用 DHA-Net 进行密钥生成的基于信任的身份验证系统，确保了整个 Edge-Cloud-IoMT 频谱中的数据完整性和隐私。
先进的数据处理： 一个包含 VSS（特征均衡化）、Inf-FSs（监督特征选择）和 FE-SMOTE（生成高质量合成数据以解决类别不平衡）的流水线。
可解释性： 引入了 SHAP（SHapley Additive exPlanations）分析，以验证所选特征（如 Oldpeak、thalch、血清胆固醇）的临床相关性。

4. 实验结果

模型在两个数据集上进行了评估：UCI Heart Disease Data 和 Cardiovascular_Disease_Dataset。

性能指标：
- 准确率（Accuracy）： AAMF-Net 在 Cardiovascular_Disease_Dataset 上实现了 96.37% 的准确率，在 UCI 数据集上实现了 96.25%。
- 检测率（Detection Rate）： 该模型在 Cardiovascular 数据集上达到了 97.13%，在 UCI 数据集上达到了 97.02%。
对比分析： AAMF-Net 的表现优于现有的 FRIEND、Explainable-IoT 框架、CNN 以及混合相互认证方法。例如，在 Cardiovascular 数据集上，AAMF-Net 的准确率比 FRIEND 模型高出约 6.79%，比混合相互认证方法高出 2.03%。
消融实验： 完整的 AAMF-Net 模型始终优于其单个组成部分（单独的 AASAN 和 EdgeMAF-Net），证实了融合策略的有效性。
可扩展性与校准： 该模型在不同的特征维度下表现出稳定的性能，并产生了可靠的概率估计，这从紧密遵循理想 45° 线的校准曲线中得到了证实。
统计显著性： T 检验确认，与基准模型相比，其在准确率和检测率方面的提升具有统计学意义。

5. 意义与主张

本文声称所提出的 AAMF-Net 框架为 Edge-Cloud-IoMT 环境下的心脏病检测提供了一个鲁棒、安全且准确的解决方案。通过将基于信任的身份验证机制与先进的深度学习架构相结合，本研究解决了可扩展性、数据安全和诊断精度方面的关键差距。

作者强调，该系统能够实现：

早期检测： 通过持续监测促进及时干预。
增强安全性： 通过先进的密钥生成和信任机制保护敏感患者数据。
临床可靠性： 提供与临床重要特征相一致的可解释预测，从而支持医疗工作者的决策。

研究结论指出，尽管大数据分析和进一步的风险因素预测是潜在的未来研究方向，但目前的实现已成功证明了其相对于传统心脏病检测方法的显著进步。