Dynamic Bayesian Network and Hidden Markov Model of Predicting Iot Data for Machine Learning Model Using Enhanced Recursive Feature Elimination

В рамках исследовательской работы разработано слияние данных с учетом контекста с моделью машинного обучения на основе ансамбля (CDF-EMLM) для улучшения обработки данных о здоровье. Эта исследовательская работа сосредоточена на разработке улучшенного слияния данных с учетом контекста и алгоритма эффективного выбора признаков для улучшения процесса классификации для прогнозирования данных здравоохранения. Первоначально данные с устройств интернета вещей (IoT) собираются и предварительно обрабатываются, чтобы сделать их понятными для обработки слияния. В этой работе построен метод двойной фильтрации для предварительной обработки данных, который пытается пометить немаркированные атрибуты в собранных данных, чтобы можно было точно выполнить объединение данных. Кроме того, динамическая байесовская сеть (DBN) является хорошим компромиссом для манипулирования и становится инструментом для операций CADF. Здесь проблема вывода решается с использованием скрытой марковской модели (HMM) в модели DBN. После этого анализ основных компонентов (PCA) используется для извлечения признаков, а также для уменьшения размеров. Выбор признаков выполняется с использованием метода расширенного рекурсивного исключения признаков (ERFE) для устранения нерелевантных данных в наборе данных. Наконец, эти данные изучаются с использованием модели машинного обучения на основе ансамбля (EMLM) для проверки производительности слияния данных.

Ключевые слова

динамическая байесовская сеть; скрытая марковская модель; IoT данные здравоохранения; машинное обучение; анализ главных компонентов; расширенное рекурсивное устранение признаков.

Литература

1. Hao Jin, Yan Luo, Peilong Li, Jomol Mathew. A Review of Secure and Privacy-Preserving Medical Data Sharing. IEEE Access, 2019, vol. 7, pp. 61656-61669. DOI: 10.1109/ACCESS.2019.2916503
2. Perez S., Hernandez-Ramos J.L., Pedone D., Rotondi D., Straniero L. et al. A Digital Envelope Approach Using Attribute-Based Encryption for Secure Data Exchange in IoT Scenarios. Global Internet of Things Summit, 2017, pp. 1-6. DOI: 10.1109/GIOTS.2017.8016281
3. Mohanta B.K., Jena D., Sobhanayak S. Multi-Party Computation Review for Secure Data Processing in IoT-Fog Computing Environment. International Journal of Security and Networks, 2020, vol. 15, no. 3, pp. 164-174. DOI: 10.1504/IJSN.2020.109697
4. Xueping Liang, Juan Zhao, Sachin Shetty, Jihong Liu, Danyi Li. Integrating Blockchain for Data Sharing and Collaboration in Mobile Healthcare Applications. IEEE 28th Annual International Symposium on Personal, Indoor, and Mobile Radio Communications, Montreal, 2017, pp. 1-5. DOI: 10.1109/PIMRC.2017.8292361
5. Theodouli A., Arakliotis S., Moschou K., Votis K., Tzovaras D. On the Design of a Blockchain-Based System to Facilitate Healthcare Data Sharing. 17th IEEE International Conference on Trust, Security and Privacy in Computing and Communications/12th IEEE International Conference on Big Data Science and Engineering, New York, 2018, pp. 1374-1379. DOI: 10.1109/TrustCom/BigDataSE.2018.00190
6. Mikula T., Jacobsen R.H. Identity and Access Management with Blockchain in Electronic Healthcare Records. 21st Euromicro Conference on Digital System Design, Prague, 2018, pp. 699-706. DOI: 10.1109/DSD.2018.00008
7. Rajesh Kumar, WenYong Wang, Jay Kumar, Ting Yang, Abdullah Khan, Wazir Ali, Ikram Ali. An Integration of Blockchain and AI for Secure Data Sharing and Detection of CT Images for the Hospitals. Computerized Medical Imaging and Graphics, 2021, vol. 87, no. 1, article ID: 101812. DOI: 10.1016/j.compmedimag.2020.101812
8. Gilula Z., McCulloch R.E., Rossi P.E. A Direct Approach to Data Fusion. Journal of Marketing Research, 2006, vol. 43, no. 1, pp. 73-83. DOI: 10.1509/jmkr.43.1.73
9. Uddin M.Z., Hassan M.M., Alsanad A., Savaglio C. A Body Sensor Data Fusion and Deep Recurrent Neural Network-Based Behavior Recognition Approach for Robust Healthcare. Information Fusion, 2020, vol. 55, no. 3, pp. 105-115. DOI: 10.1016/j.inffus.2019.08.004
10. Dautov R., Distefano S., Buyya R. Hierarchical Data Fusion for Smart Healthcare. Journal of Big Data, 2019, vol. 6, no. 1, pp. 1-23. DOI: 10.1186/s40537-019-0183-6
11. Begum S., Barua S., Ahmed M.U. Physiological Sensor Signals Classification for Healthcare Using Sensor Data Fusion and Case-Based Reasoning. Sensors, 2014, vol. 14, no. 7, pp. 11770-11785. DOI: 10.3390/s140711770
12. Muzammal M., Talat R., Sodhro A.H., Pirbhulal S. A Multi-Sensor Data Fusion Enabled Ensemble Approach for Medical Data from Body Sensor Networks. Information Fusion, 2020, vol. 53, no. 1, pp. 155-164. DOI: 10.1016/j.inffus.2019.06.021
13. Ando B., Baglio S., Lombardo C.O., Marletta V. A Multisensor Data-Fusion Approach for ADL and Fall Classification. IEEE Transactions on Instrumentation and Measurement, 2016, vol. 65, no. 9, pp. 1960-1967. DOI: 10.1109/TIM.2016.2552678
14. Sun-Chong Wang. Artificial Neural Network. Interdisciplinary Computing in Java Programming, Springer, Boston, 2003, pp. 81-100. DOI: 10.1007/978-1-4615-0377-4_5
15. Kondratenko Y.P., Klymenko L.P., Al Zu'bi E.Y.M. Structural Optimization of Fuzzy Systems' Rules Base and Aggregation Models, Kybernetes, 2013.
16. Chen T., He T., Benesty M., Khotilovich V., Tang Y., Cho H. Xgboost: Extreme Gradient Boosting. R Package Version, 2015, vol. 1, no. 4, pp. 1-4.
17. Chao-Ying Joanne Peng, Kuk Lida Lee, Ingersoll G.M. An Introduction to Logistic Regression Analysis and Reporting. The Journal of Educational Research, 2002, vol. 96, no. 1, pp. 3-14. DOI: 10.1080/00220670209598786