Hybrid deep learning-enabled framework for enhancing security, data integrity, and operational performance in Healthcare Internet of Things (H-IoT) environments
Notice bibliographique
Résumé
The increasing reliance on Human-centric Internet of Things (H-IoT) systems in healthcare and smart environments has raised critical concerns regarding data integrity, real-time anomaly detection, and adaptive access control. Traditional security mechanisms lack dynamic adaptability to streaming multimodal physiological data, making them ineffective in safeguarding H-IoT devices against evolving threats and tampering. This paper proposes a novel trust-aware hybrid framework integrating Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM) models, and Variational Autoencoders (VAE) to analyze spatial, temporal, and latent characteristics of physiological signals. A dynamic Trust-Aware Controller (TAC) is introduced to compute real-time trust scores using anomaly likelihood, context entropy, and historical behavior. Access decisions are enforced via threshold-based logic with a quarantine mechanism. The system is evaluated on benchmark datasets and proprietary H-IoT signals under diverse attack and noise scenarios. Experiments are conducted on edge devices including Raspberry Pi and Jetson Nano to assess scalability. The proposed framework achieved an average F1-score of 94.3% for anomaly detection and a 96.1% accuracy in access decision classification. Comparative results against rule-based and statistical baselines showed a 12-18% improvement in detection sensitivity. Real-time inference latency was maintained under 160 ms on edge hardware, validating feasibility for critical H-IoT deployments. Trust scores exhibited high stability under adversarial data fluctuations. This research delivers a scientifically grounded, practically scalable solution for adaptive security in H-IoT networks. Its novel fusion of deep learning and trust modeling enhances both responsiveness and resilience, paving the way for next-generation secure health and wearable ecosystems.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».