دانلود رایگان مقالات IEEEدانلود رایگان مقالات بیس کامپیوتردانلود رایگان مقالات بیس مهندسی صنایعدانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات پژوهشی مهندسی صنایعدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات ژورنالی مهندسی صنایعدانلود رایگان مقالات سال 2019دانلود رایگان مقاله ISI حریم خصوصی آنلاین به زبان انگلیسیدانلود رایگان مقاله ISI حریم خصوصی به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی سیستم های سلامت به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی صنایع به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023سال انتشارمقالات مهندسی صنایع با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مهندسی صنایع با مدل مفهومی به زبان انگلیسیمقالات مهندسی کامپیوتر با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مهندسی کامپیوتر با مدل مفهومی به زبان انگلیسیمقاله ISI امنیت اطلاعات به زبان انگلیسی

مقاله انگلیسی رایگان در مورد یادگیری مدل مشارکتی حفظ حریم خصوصی – IEEE 2019

 

مشخصات مقاله
ترجمه عنوان مقاله طرح یادگیری مدل مشارکتی حفظ حریم خصوصی برای مراقبت های بهداشت الکترونیکی
عنوان انگلیسی مقاله Privacy-Preserving Collaborative Model Learning Scheme for E-Healthcare
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۱۲ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه IEEE
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۴٫۶۴۱ در سال ۲۰۱۸
شاخص H_index ۵۶ در سال ۲۰۱۹
شاخص SJR ۰٫۶۰۹ در سال ۲۰۱۸
شناسه ISSN ۲۱۶۹-۳۵۳۶
شاخص Quartile (چارک) Q2 در سال ۲۰۱۸
مدل مفهومی دارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر، مهندسی صنایع
گرایش های مرتبط امنیت اطلاعات، مهندسی سیستم های سلامت
نوع ارائه مقاله
ژورنال
مجله / کنفرانس دسترسی – IEEE Access
دانشگاه  State Key Laboratory of Integrated Services Networks, Xidian University, Xi’an 710071, China
کلمات کلیدی تشخیص طبی آنلاین، حفظ حریم خصوصی، یادگیری مدل مشارکتی، رایانش خط افق
کلمات کلیدی انگلیسی  Online medical diagnosis, privacy-preserving, collaborative model learning, skyline computation
شناسه دیجیتال – doi
https://doi.org/10.1109/ACCESS.2019.2953495
کد محصول  E14029
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
I. Introduction
II. Models and Security Requirements
III. Preliminaries
IV. Proposed Privacy-Preserving Scheme
V. Security Analysis
Authors
Figures
References

 

بخشی از متن مقاله:
Abstract

With the advances of data mining and the pervasiveness of cloud computing, online medical diagnosis service has been extensively applied in e-heathcare field, and brought great conveniences to people’s life. However, due to the insufficient data sharing among healthcare centers under the security and privacy concerns of medical information, the flourish of online medical diagnosis service still faces many severe challenges including diagnostic accuracy issues. In this paper, in order to address the security issues and improve the accuracy of online medical diagnosis service, we propose a new privacy-preserving collaborative model learning scheme with skyline computation, called PCML. With PCML, healthcare centers can securely learn a global diagnosis model with their local diagnosis models in the assistance of cloud, and the sensitive medical data of each healthcare center is well protected. Specifically, with a secure multi-party vector comparison algorithm (SMVC), all local diagnosis models are encrypted by their owners before being sent to the cloud, and can be directly operated without decryption. Detailed security analysis shows that PCML can resist security threats in the semi-honest model. Moreover, PCML is implemented with medical datasets from UCI machine learning repository, and extensive simulation results demonstrate that PCML is efficient and can be implemented effectively.

Introduction

In recent years, the online medical diagnosis system [1], which can provide medical diagnosis service anywhere and anytime, has attracted considerable interest. Compared with traditional treatment methods, online medical diagnosis is more flexible and convenient since it breaks the geographical restriction, and reduces the waiting time of seeing doctors [2]–[۶]. To predict hidden diseases from collected medical data, many data mining techniques have been developed for e-healthcare system in recent years. For example, skyline computation [7], which returns a set of interesting points from a potentially huge data space, can be appropriately used in medical data analyzing and disease classification [6]. Specifically, with collected medical data, healthcare centers can generate diagnosis models via medical data mining with skyline query, which assists them in offering online medical diagnosis services, and allows users to check their health conditions expediently. Unfortunately, in traditional online medical system, the medical data are commonly stored distributively in different healthcare centers, and a sole healthcare center collecting only a small set of medical data cannot generate a skyline diagnosis model accurate enough [8], [9]. For example, consider the scenario shown in Fig. 1, when a user accesses online medical diagnosis services from multiple healcare centers, due to the limitation of diagnosis model accuracy, healthcare centers may not be able to diagnose diseases accurately, which will bring bewilderment to the user.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا