منصة الرسائل والاطاريح: نظام تشخيص آمن لأمراض القلب يعتمد على التعلم الآلي

الخلاصة

تركز هذه الأطروحة على ثلاث قضايا تتعلق بتشخيص أمراض القلب وأمن البيانات التشخيصية. أولاً، النظر في مشكلة توزيع المفاتيح المرتبطة بأنظمة تشفير المفاتيح المتماثلة. ثانيًا، اختيار تقنية مناسبة للتعلم الآلي قادرة على تشخيص مشاكل القلب بدقة وفي الوقت ً المناسب. وأخيرا، توسيع مجموعة بيانات التدريب لتحسين أداء التنبؤ لتقنية التعلم العميق. ونتيجة لذلك، تقوم هذه الأطروحة ببناء نظام تشخيص آلي لأمراض القلب من ثلاث مراحل. تتناول المرحلة الأولى مشكلة المفتاح المتماثل من خلال استخدام بروتوكول Three-Pass ً لتوزيع المفتاح السري. تم اختيار هذا البروتوكول نظرا لقدرته على تسهيل النقل الآمن للرسائل بين الأطراف دون الحاجة إلى معرفة مسبقة أو مشاركة المفاتيح. يتم تقييم هذه المرحلة من خلال إطلاق هجمات القاموس وهجمات الرجل في الوسط ( .)MITMيفشل هجوم القاموس لأنه يتم إنتاج المفاتيح عشوائيًا باستخدام أرقام وأحرف ورموز أخرى غير موجودة في المعجم الإنجليزي. نجح هجوم ،MITMولكن إضافة خطوة التحقق المتمثلة في عدم إرسال نفس الرسائل إلى المشاركين الصادقين يمكن أن يمنعه. في المرحلة الثانية، تم تحليل خوارزميات باستخدام معايير أداء مختلفةRandom Forest (RF( وK-Nearest Neighbor (KNN) لحل المشكلة الثانية. يتم استخدام مجموعة بيانات من العلامات الحيوية لتصنيف المريض على أنه يعاني من مرض القلب في هذه المرحلة. تظهر نتائج مقياس الدقة أن خوارزمية Random )%99( Forestتفوقت على .)%96( KNNبينما تتم معالجة مجموعات بيانات التدريب غير الكافية في المرحلة الثالثة لزيادة أداء الذاكرة طويلة المدى ( .)LSTMفي الأساس، يتم تطبيق منهج شبكة الخصومة التوليدية الجدولية المشروطة من أجل توسيع مجموعة بيانات التدريب. تنمو صفوف مجموعة البيانات من 299إلى .5000وتكشف النتائج التجريبية أن دقة تنبؤات LSTMتزيد من %65إلى .%9