利用珊瑚礁优化算法（Coral Reefs Optimization）和Aquila增强版的CatBoost，在医疗物联网系统中实现智能异常检测

《Computers and Electrical Engineering》：Intelligent anomaly detection in medical IoT systems using Coral Reefs Optimization and Aquila enhanced CatBoost

医疗物联网系统异常检测框架采用Coral Reef优化（CRO）筛选特征以降低冗余，结合Aquila优化（AO）调参CatBoost模型，在准确率（较SVM、XGBoost等传统方法提升）、F1分数及计算复杂度方面均表现优异，适用于资源受限的实时监测场景。

　　

Brij B. Gupta | Akshat Gaurav | Shin-Hung Pan | Varsha Arya | Wadee Alhalabi | Kwok Tai Chui | Ramakrishnan Raman | Nadia Nedjah

亚洲大学计算机科学与信息工程系，台湾台中市413

摘要

医疗物联网（MIoT）系统的快速发展正在改变现代医疗保健。这些系统能够实现患者的实时监测，并支持智能的数据驱动诊断。它们帮助医生和护理人员在疾病早期发现健康问题。然而，大量使用联网医疗设备也带来了严重的担忧。患者数据的安全性变得难以保障，而在如此庞大的网络中检测异常也是一项关键挑战。本文提出了一个专为MIoT环境设计的异常检测框架。该框架采用珊瑚礁优化（Coral Reef Optimization，CRO）算法来选择最重要的特征，从而减少数据冗余并提升学习效率。分类任务中使用了CatBoost模型，其超参数通过Aquila Optimization（AO）算法进行调优，以寻找更优的参数值并增强模型的泛化能力。实验结果表明，该模型在准确性、精确度和F1分数方面均优于传统方法（如支持向量机、XGBoost、梯度提升和逻辑回归以及随机森林）。此外，该模型的复杂度低于多种现有先进方法，使其在实际医疗应用中更加高效。

引言

在医疗物联网（MIoT）背景下，由于各种相互连接的设备生成了大量数据，异常检测变得至关重要[1]。鉴于MIoT网络前所未有的规模和复杂性，其可靠性和安全性亟需提升。机器学习（ML）及其他分析方法被越来越多地用于早期识别数据中的异常，以实现实时洞察并防止系统中断。

在MIoT系统中，数据异常检测的重要性体现在其多样的应用场景以及对有效安全性的需求上。异常可能由设备故障、网络攻击或环境变化引起，对系统可靠性和数据完整性产生严重影响。学习算法（尤其是深度学习和集成方法）有助于主动识别这些异常[2]。此外，在数据标注往往不可行的动态变化环境中，无监督学习技术也取得了成功[3]。

[4]、[5]的研究表明，利用来自不同传感器的多样化数据可以提高异常检测框架的鲁棒性。例如，GNN和CNN在处理多变量时间序列数据的复杂关系时表现优于传统CNN（Wu等人，2022年）。显然，解决异常检测的可解释性问题对于增强用户信任和系统可靠性、有效传达检测结果至关重要。

在实际应用（如医疗物联网系统）中，持续监控和变化检测至关重要，因为它们不仅确保了患者安全，还促进了其他医疗基础设施的顺畅运行[6]、[7]。根据最新研究，基于时间窗口的去中心化检测机制因适用于异构物联网场景而越来越受欢迎[8]。此外，深度学习在监控任务中表现出色，因为它能够处理海量数据并及时响应检测到的事件[9]。

在MIoT中，异常检测对于患者安全、异构设备管理、海量数据处理以及医疗数据分析都至关重要。MIoT的持续发展将需要开发高效的异常检测机制，以维护医疗服务的完整性。本研究提出了基于Coral Reef Optimization（CRO）特征选择和Aquila Optimization（AO）超参数调优的CatBoost模型进行异常检测。在MIoT资源有限的情况下，该方法能够在保持高精度的同时降低计算复杂度。

本文的其余部分安排如下：第2节回顾了MIoT系统中异常检测和优化技术的其他学术研究；第3节描述了使用CRO进行特征选择和AO进行CatBoost超参数调优的方法；第4节展示了所提模型与现有方法的实验结果和性能对比；第5节对全文进行了总结。

相关工作

本节介绍了医疗物联网（MIoT）系统中安全性和异常检测的相关工作。回顾的研究涵盖了隐私保护、访问控制、加密方案和基于机器学习的入侵检测等主题。表1对这些贡献进行了结构化总结，指出了它们在MIoT安全领域的重点和局限性。

提出的方法

我们提出了一个用于MIoT系统的异常检测框架，如图1所示。该系统首先从MIoT设备收集数据，这些设备用于跟踪和记录患者健康指标。为确保模型训练前的数据质量和一致性，对收集的数据进行了预处理（包括数据清洗和平衡），随后使用CRO进行特征选择；CRO计算适应度并更新局部和全局最优解，从而简化原始数据集。

CatBoost的超参数优化

CatBoost的超参数优化利用AO算法来寻找最佳超参数组合

• •$\backslash theta\_1$是学习率。
• •\theta_2是树的深度。
• •\theta_3是迭代次数。
• •\lambda是正则化项。

数据集表示

为了测试我们的模型，我们使用了Kaggle数据集[28]（https://www.kaggle.com/ds/2852100）。该数据集用于物联网医疗场景，包含良性流量和有害流量两类数据。

数据集中模拟了一个包含两张床位的重症监护室（ICU）场景，其中使用了物联网（IoT）技术。Bedx-Control-Unit作为九个患者监测设备的中心，这些设备配备了多种监测生命体征（如心率、氧含量等）的传感器。

结论

本文提出了一种适用于MIoT系统的智能异常检测框架。该框架旨在实现两个目标：一是通过减少特征数量来优化处理速度和效率；二是通过优化学习过程提高分类准确性。CRO算法用于选择关键特征并去除重复项。实验结果表明，该模型在性能上优于传统方法。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本项目由沙特阿拉伯吉达国王阿卜杜勒-阿齐兹大学的KAU Endowment（WAQF）资助。作者感谢WAQF和科学研究系（DSR）提供的技术和财务支持。