基于 ANN 和 Choquet 积分模糊 VIKOR 的 5G 远程患者智能监测系统：突破与创新

《Scientific Reports》：Secure and intelligent 5G-enabled remote patient monitoring using ANN and Choquet integral fuzzy VIKOR

研究人员针对远程患者监测系统的安全与效率问题，开展基于 ANN 和 Choquet 积分模糊 VIKOR 的研究，模型准确率达 97.25%，为 MIoT 应用提供可靠方案。

　　在医疗技术飞速发展的今天，远程患者监测系统变得越来越重要。想象一下，患者无需频繁前往医院，在家中就能实时监测健康状况，医生通过网络就能及时获取这些信息，这极大地提高了医疗效率，也为患者带来了便利。然而，医疗信息的敏感性和卫生管理环境的不断变化，使得在 5G 时代保障远程患者监测系统的安全和高效成为一个巨大的挑战。如何确保医疗数据在传输过程中的安全，防止信息泄露？怎样提高系统的响应速度，让医生能及时做出决策？这些问题亟待解决。

为了攻克这些难题，Solamalai College of Engineering、Paavai Engineering College（Autonomous）等多所机构的研究人员联合开展了一项深入研究。他们提出了一种结合人工神经网络（ANN）技术、5G 基础设施以及基于 Choquet 积分模糊 VIKOR 的多准则决策方法（MCDM）的智能系统。该研究成果发表在《Scientific Reports》上，为远程患者监测系统带来了新的突破。

研究人员在此次研究中采用了多种关键技术方法。首先，利用深度学习中的强化学习（DRL）与超参数调整和 Lasso 回归相结合，以优化数据传输和处理。其次，运用 Choquet 积分模糊 VIKOR 方法来处理复杂的多准则决策问题，帮助系统在多个因素相互关联的情况下做出更合理的决策。此外，还利用了 5G 网络的高速传输能力、LiteNet 的轻量级卷积神经网络架构以及医疗物联网（MIoT）实现实时数据采集。

研究结果表明：

• 模型性能优越：该模型实现了 97.25% 的准确率，超越了 Physical-Layer Authentication with Superimposed Independent authentication Tags（PLA-SIT）的 97%、Flexible Physical Layer Authentication（FPLA）的 96.8% 和 Privacy-Embedded Lightweight and Efficient Automated（PLA）的 95.3%，以及 CNN-based 机制、Shamir’s Secret Sharing Algorithm 和 Blowfish Algorithm 等多种现有模型。
• 数据传输优化：通过对数据传输相关变量的分析，发现优化数据包大小和选择合适的 TCP 端口可提高数据传输效率。例如，数据包大小在 68 - 100 字节之间时，传输效率较高；TCP 端口 38197 适用于传输 ECG、EMG 和气流数据，而端口 1883 则更适合传输温度、血压和血糖仪数据。
• 安全性能提升：系统采用了基于用户凭证和生物识别的双重认证机制，以及物理层安全（PLS）技术，增强了数据的安全性。实验结果显示，该系统的误报率降至 0.063%，漏检率降至 0.2466%，有效提高了认证准确性和攻击检测准确性。
• 最佳基站选择：利用 Choquet 积分模糊 VIKOR 方法，能够综合考虑网络负载、服务质量（QoS）等多个因素，选择最佳的基站进行通信，从而提高数据传输的可靠性，减少干扰和数据丢失。

在研究结论和讨论部分，研究人员指出，这项研究整合了多种先进技术，为远程患者监测系统带来了显著的改进。通过 5G 技术实现实时数据传输，认知 5G 的资源控制确保通信不间断，安全技术保障患者数据的隐私和机密性，深度学习提高资源分配和治疗策略的效率。该研究成果为未来的远程医疗提供了更可靠的解决方案，有望打破健康不平等的障碍，使医疗服务更加普及和高效。

然而，研究也面临一些挑战，如系统部署的成本较高、设备的互操作性问题以及网络连接的稳定性等。未来的研究可以朝着疾病特异性应用、AI 算法改进以及对 Choquet 积分模糊 VIKOR 方法的实际评估等方向展开。此外，结合 6G 网络和量子计算技术将进一步提升远程医疗系统的性能，为患者提供更优质的医疗服务。总的来说，这项研究为远程患者监测领域开辟了新的道路，具有重要的理论和实践意义。