تشخیص ناهنجاری در داده های اینترنت اشیای پزشکی (IoMT) با بهره گیری از یادگیری ماشین قابل توضیح

اینترنت اشیاء پزشکی (IoT) به عنوان یکی از زیرساخت های اصلی تحول دیجیتال در نظام سلامت امکان پایش مستمر بیماران و جمع آوری داده های زیستی را از طریق تجهیزات متصل فراهم ساخته است. با وجود مزایای گسترده این فناوری در بهبود تشخیص، درمان و مراقبت وابستگی آن به بسترهای شبکه ای زمینه را برای بروز انواع تهدیدات سایبری فراهم کرده است. از این رو تشخیص ناهنجاری در داده های IoMT به عنوان رویکردی راهبردی برای شناسایی رفتارهای غیر عادی و کاهش مخاطرات امنیتی و بالینی اهمیت فزاینده ای یافته است. پژوهش حاضر با هدف ارائه چارچوبی مفهومی برای تشخیص ناهنجاری در محیط IoMT رویکردی مبتنی بر تلفیق یادگیری عمیق و هوش مصنوعی قابل توضیح (XAI) پیشنهاد می کند. در این چارچوب از داده های شبیه سازی شده مبتنی بر الگوهای سیگنال های حیاتی و داده های حسگرهای محیطی استفاده شده است تا شرایط نرمال نویزی و ناهنجار به صورت کنترل شده بازنمایی شوند. هسته اصلی سامانه یک مدل خودرمزگذار است که با یادگیری بازنمایی فشرده از الگوهای نرمال، ناهنجاری ها را بر اساس خطای بازسازی شناسایی می کند. همچنین به منظور افزایش شفافیت در تصمیم گیری، مدل از روش SHAP برای تبیین سهم ویژگی ها در ایجاد هشدار بهره گرفته شده است. نتایج ارزیابی مفهومی نشان می دهد که چارچوب پیشنهادی در مقایسه با برخی روش های مرجع از توان بالاتری در بازنمایی الگوهای غیر خطی، پایداری در برابر نویز و کاهش هشدارهای کاذب برخوردار است. افزون بر این استفاده از XAI موجب ارتقای تفسیرپذیری سامانه و افزایش قابلیت اعتماد آن در کاربردهای حساس پزشکی و امنیتی می شود.

کلیدواژه ها:

Internet of Medical Things (IoMT) ، Time-Series Anomaly Detection ، Autoencoder ، Explainable AI (XAI) ، SHAP ، Cybersecurity ، اینترنت اشیای پزشکی (IoT) ، تشخیص ناهنجاری در داده های سری زمانی ، خود رمزگذار (Autoencoder) ، هوش مصنوعی قابل توضیح (XAI) ، امنیت سایبری