摘要
可穿戴生物传感器能够在智能疾病互联网环境中持续生成生理数据。这些数据有助于早期疾病检测和远程患者监测。然而，可穿戴设备产生的数据往往存在噪声、敏感度较高，且分散在不同的设备上。本文提出了一种多模态神经符号模型来克服这些限制，并将其整合到安全的边缘-雾计算-云计算框架中，用于智能医疗应用中的异常检测。该系统结合了使用Bio-ClinicalBERT对临床文本进行语义分析，以及基于LSTM模型的时间序列数值数据分析，从而构建了一个统一的神经符号人工智能处理流程。初始数据处理在边缘端完成，而推理则在分布式雾计算节点上进行，以实现低延迟的异常检测。模型训练在云端进行，同时通过同态加密技术支持隐私保护的联邦学习，从而无需共享原始患者数据即可实现协同模型训练。此外，还采用了分片式Tangle账本，雾计算节点负责传输交易信息，云端则对这些信息进行验证，以此创建不可篡改的交易日志。同时，雾计算层还集成了Honey加密技术，以增强系统对抗暴力攻击的能力。实验结果表明，该框架在测试集上的准确率为99.22%，F1分数为99.31%，其95%置信区间分别为98.96%–99.47%和99.08%–99.53%。与基准方案相比，该框架还将检测延迟从185毫秒降低到了约50毫秒。区块链层每秒可处理约500笔交易，在交易量增加或分片并行处理时，处理能力还会进一步提升。由于评估是基于合成的多模态电子健康记录类数据及受控模拟实验，因此这些结果应被视为概念验证性的内部测试结果，而非可直接应用于实际临床环境的证据；在实际应用之前，还需要通过真实的可穿戴生物传感器数据、医院物联网数据流或MIMIC-III/MIMIC-IV等公共临床数据集来进行外部验证。这些结果展现了该系统在智能医疗环境中实现安全数据处理和可靠异常检测的巨大潜力。
