用于高效能5G支持的IoMT医疗系统的量子机器学习：提升数据安全与处理能力

《IEEE Internet of Things Journal》：Quantum Machine Learning for Energy-Efficient 5G-Enabled IoMT Healthcare Systems: Enhancing Data Security and Processing

能源高效的5G医疗物联网系统面临能耗与数据安全挑战，量子机器学习（QML）算法结合量子神经网络（QNN）显著提升数据处理能力与安全性，在多数据集测试中实现100%准确率，并通过噪声环境验证算法鲁棒性，助力工业5.0医疗系统优化。

　　

摘要：

随着医疗物联网（IoMT）的扩展，尤其是在5G技术的整合下，节能型医疗系统对工业5.0来说变得越来越重要。基于5G的IoMT系统实现了实时数据收集、高速通信以及医疗设备与医疗服务提供者之间的增强型连接。然而，这些系统面临着能源消耗和数据安全方面的挑战，尤其是在工业5.0环境中运行的连接设备数量不断增加且电力资源有限的情况下。将量子计算与机器学习（ML）算法相结合，形成量子机器学习（QML），通过叠加和纠缠等原理在计算速度和效率上实现了指数级的提升。在本文中，我们提出并评估了三种QML算法：变分量子神经网络（QNNs），用于对来自四个不同数据集（5G-South Asia (5G-SA)、Lumos5G 1.0、WUSTL EHMS 2020以及隐私和安全物联网（PS-IoT）的数据进行分类。通过使用多种评估指标进行比较分析，我们发现变分QNN方法不仅在5G-SA和WUSTL EHMS 2020数据集中表现出色，准确率达到100%，而且符合工业5.0以人为中心的理念，实现了更高效和安全的医疗数据处理。此外，通过对各种噪声模型参数下的准确性变化进行分析，验证了所提出量子算法的鲁棒性，这有助于提升工业5.0的韧性。这些结果为基于5G的IoMT医疗系统提供了有前景的量子解决方案，能够在保持高安全性的同时优化数据分类并降低能耗，即使在嘈杂的环境中也是如此。

引言

医疗物联网（IoMT）是工业5.0在医疗领域中的一个关键应用，它将医疗设备与患者连接起来，从而在全球范围内革新医疗服务的提供方式[1]。通过建立医疗软件和硬件应用之间的强大基础设施，IoMT促进了生物传感器节点[2]与移动边缘计算（MEC）[3]之间的无缝交互，使患者能够通过安全网络与医生联系并共享数据，从而减少医院就诊次数和医疗部门的工作负担。5G网络的发展加速了工业5.0医疗系统中物联网（IoT）和IoMT的进化，支持了设备对设备（D2D）通信[4]、机器对机器（M2M）交互[5]以及移动云通信（MCCs）[6]等技术。5G网络确保了医疗系统与患者之间的快速安全数据传输，相比低带宽网络具有显著优势。IoMT服务要求最低的数据使用量、能源效率以及安全的连接[7]。5G技术通过改进数据管理和连接性，并提供成像和治疗等高级功能，满足了这些需求。这使得多位医生可以访问患者数据以进行诊断和决策，从而提高了服务质量。尽管取得了这些进展，但为工业5.0建立可靠的IoMT基础设施仍面临挑战。无线医疗设备的安全隐患，例如确保无线体域网络（WBANs）的节能传输，在相关研究中有所讨论[8]。能源传输效率和安全问题已成为重大难题。由于用户缺乏安全意识以及可能存在泄露敏感健康信息的漏洞，IoMT的预期采用受到了阻碍。克服这些能源和安全挑战对于确保工业5.0医疗领域中IoMT的成功和安全使用至关重要[9]。