Secure Transmission of EEG Data Using Watermarking Algorithm for the Detection of Epileptical Seizures
Notice bibliographique
Résumé
Internet of things (IoT) has a collection of multiple network-enabled devices like sensors, gateways, smartphones, and communication links (short and long ranges). Tremendous capacity of IoT system has made possible to monitoring and detection of epileptical seizures in real time. For this purpose, various smart devices and applications, helps to transmit information securely. Amalgamation of IoT with healthcare system provides opportunity to deal issues like security, detection of seizures and real time monitoring. The proposed model of cloud-enabled Health IoT system has been presented in this paper, gives the idea about monitoring of epileptical patients. For secured transmission of Electroencephalogram (EEG) data, digital watermarking technique has been used over two dimensional EEG data obtained through one dimensional EEG data by applying Short Time Fourier Transform (STFT). In this paper, watermarking of two dimensional EEG data has been done using discrete wavelet transform - discrete cosine transform (DWT-DCT) based Bacterial Foraging Optimization (BFO) technique and its performance has been figure out. Here, satisfactory watermarking performance in terms of Peak Signal to Noise Ratio (PSNR) 49.50 for class Z and 49.61 for class S EEG data along with Normalized Cross Correlation (NCC) 0.0039 for both classes of EEG data have been achieved.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».