【摘 要】
：
智能医疗系统为人们提供健康服务,该系统使得医生与患者之间可以不受地域限制地进行交流并为患者提供医疗帮助。智能医疗系统包括附着在人体上的可穿戴设备与传感器,这些设备与传感器使用全球定位系统（GPS）向医疗服务提供者不断发送患者的位置以及时间戳信息,这些信息在发送给医疗服务提供者时可能会导致患者位置及敏感信息的泄露,因此必须得到保护。本文使用两种基于边缘服务器的方法来保护患者的位置隐私,我们使用机器学
论文部分内容阅读
智能医疗系统为人们提供健康服务,该系统使得医生与患者之间可以不受地域限制地进行交流并为患者提供医疗帮助。智能医疗系统包括附着在人体上的可穿戴设备与传感器,这些设备与传感器使用全球定位系统（GPS）向医疗服务提供者不断发送患者的位置以及时间戳信息,这些信息在发送给医疗服务提供者时可能会导致患者位置及敏感信息的泄露,因此必须得到保护。本文使用两种基于边缘服务器的方法来保护患者的位置隐私,我们使用机器学习方法根据从边缘服务器的传感器中采集到的患者生命体征来检测紧急和非紧急情况。为了保护位置隐私,我们对紧急情况采用了加密机制,以便医疗服务提供者可以访问患者的真实位置并快速提供服务,且在需要时向该患者发送救护车。而对于非紧急情况,我们使用匿名机制生成具有患者匿名位置的匿名区域。云服务器用来处理边缘服务器无法处理的情况,由于边缘服务器的存储容量有限,云服务器也用于存储匿名位置。为了评估系统的性能,我们进行了一项实验,展示了我们的方法在保护位置隐私方面的优势。边缘服务器的使用使得用户在线查询变得更快。
其他文献
在钢材制造过程中,一方面由于机器质量、人为误操作等因素,导致工业产品表面缺陷问题难以避免,为了保证产品自身的价值,必须及时处理这些缺陷。另一方面,深度学习方法已被证明在图像处理的各个领域都优于传统的机器视觉方法。而钢材生产环境中有限的资源配置与深度学习中庞大的神经网络模型之间却存在着相互制约的关系,导致难以将这些神经网络模型应用在钢材质检流程中。对于深度学习而言,模型的好坏取决于训练数据的规模大小
近年来,随着集成电路设计与制造水平的不断提高,开关电源产品正在向高效率、高集成度、小体积以及高功率密度等方向发展。而传统的采用二极管作为开关电源整流器的方式在低压大电流的应用背景下会产生较高的整流损耗,不利于开关电源效率的提升。因此提出了同步整流（Synchronous Rectification）技术,即采用通态电阻极低的功率MOSFET来代替传统二极管作为整流器件,可大幅降低整流管的管压降,保
近年来,随着计算机行业的高速发展,相关的高性能应用已经成为当今社会生活不可缺少的一部分。围绕这些高性能应用展开的相关研究也已经成为计算机系统结构、算法和编程等领域的热点,而这些高性能应用一般都伴随着大容量、高速度、多类型的数据处理和计算。伴随着后摩尔时代的到来,算力已经成为制约高性能计算发展的重要因素之一,从而使得多核心并行计算逐步成为主流,但不容忽视的是,这些高性能计算虽然带来了算力的提高,但是
随着空间电子技术的发展,未来航天器将采用分布式综合模块化电子系统,这将是占领太空网络战略至高点的关键技术保证。总线网络作为卫星、航天器的“神经中枢”,在信息传输的过程中起着至关重要的作用。海量的数据处理,高速的信息传输,复杂的应用场景,对航天器总线网络的可靠性、实时性、多源融合网络数据流传输的要求越来越严格。传统的卫星以及航天器普遍采用1553B数据总线进行模块间信息的传输,其效率低下、互联繁琐、
黑色素瘤是由黑色素细胞病变形成的肿瘤,该肿瘤的治疗主要通过早期手术切除,但其早期一般无明显疼痛或瘙痒等症状,导致发现非常困难,而黑色素瘤中后期的治疗预后效果极差。随着单细胞测序技术的发展,在细胞水平对基因表达情况的度量得以实现,为癌症等复杂疾病的分子机制研究提供了新的分析角度。本文基于单细胞RNA测序数据识别黑色素瘤的候选生物分子标记物,为黑色素瘤的诊断、治疗和预后等方面提供相关信息。主要工作总结
推荐系统是大数据时代背景下不可或缺的应用之一。在现今的大数据时代,信息过载已成为一种常态现象,而推荐系统能够帮助用户从海量信息中更加快速地找到他们所感兴趣的内容。在常用的推荐系统算法中,往往需要将用户所有的信息（如用户的身份信息,历史交互信息等）都加以利用来生成个性化服务。但在很多实际场景中,是无法获取用户所有的信息,比如说用户是匿名的;此时用户身份信息以及历史交互信息无法获取,传统的推荐算法将无
深度学习因其为非结构化数据提供了强大的自动特征提取和表征能力,从而在计算机视觉、自然语言处理、机器人技术等人工智能领域展现了优异的性能。针对不同的实际应用场景,人工设计出了许多高性能神经网络结构,但手工设计网络结构往往需要丰富的目标领域专业知识与极高的人工成本。为了解决这一问题,自动化设计神经网络结构受到了学术界和工业界的广泛关注。神经网络架构搜索（Neural Architecture Sear
随着信息技术的飞速发展,数据呈现出多视图的特点,尤其是单视图数据不能全面描述所有实例的信息。因此综合利用多个视图来全面和准确地表示数据是很重要的。多视图学习已经成为计算机视觉、人工智能等领域广泛研讨的热门话题。作为多视图学习的一个主要的研究范畴,多视图聚类在最近十几年里得到了迅速的发展,而且取得了巨大的技术提升,也因此得到了人们普遍的重视。其中,基于子空间的聚类试图在低维特征空间中搜索数据的最优聚
随着近些年空间探索技术的蓬勃发展,太空中不同种类卫星的数量持续增加,由此带来的空间信息数量也迎来了爆发式的增长,为空间目标监视、态势感知等领域的发展带来了巨大压力。另一方面,人工智能技术也在近些年飞速发展、趋于成熟,以图像检测识别、信息检索为代表的深度学习方法为空间信息技术的进一步发展带来了曙光。如何使用这些图像数据对重点空间目标进行分类、检测是最近的研究热点。然而,使用深度学习对空间探索技术赋能
与传统的全色和多光谱遥感图像相比,高光谱遥感图像一般由数十个乃至几百个从可见光到远红外的波段组成,包含了更加丰富的空间信息和光谱信息。这一特点使得高光谱遥感图像解译在各种对地探测任务中发挥着非常重要的作用。近年来深度学习在高光谱遥感图像解译中取得了很大的进展,然而高光谱遥感图像中标记样本的缺乏也严重制约了依赖于大数据驱动的深度学习模型。因此,在小样本条件下讨论并研究相应的高光谱图像解译的深度学习方