Dissertations / Theses on the topic 'Internet of Medical Things (IoMT)'

Epilepsy affects up to 1% of the world's population and approximately 2.5 million people in the United States. A considerable portion (30%) of epilepsy patients are refractory to antiepileptic drugs (AEDs), and surgery can not be an effective candidate if the focus of the seizure is on the eloquent cortex. To overcome the problems with existing solutions, a notable portion of biomedical research is focused on developing an implantable or wearable system for automated seizure detection and control. Seizure detection algorithms based on signal rejection algorithms (SRA), deep neural networks (DNN), and neighborhood component analysis (NCA) have been proposed in the IoMT framework. The algorithms proposed in this work have been validated with both scalp and intracranial electroencephalography (EEG, icEEG), and demonstrate high classification accuracy, sensitivity, and specificity. The occurrence of seizure can be controlled by direct drug injection into the epileptogenic zone, which enhances the efficacy of the AEDs. Piezoelectric and electromagnetic micropumps have been explored for the use of a drug delivery unit, as they provide accurate drug flow and reduce power consumption. The reduction in power consumption as a result of minimal circuitry employed by the drug delivery system is making it suitable for practical biomedical applications. The IoMT inclusion enables remote health activity monitoring, remote data sharing, and access, which advances the current healthcare modality for epilepsy considerably.

L'objectif de ma thèse est d'analyser les caractéristiques des signaux inertiels et physiologiques qui générés par les mouvements inhabituels des patients lorsque la crise survient et de développer un algorithme pour détecter la crise. Notre approche dans le chapitre III commence par dériver la moyenne quadratique pour l'ACM et le Gyro, suivie de la normalisation de signaux entiers dans la même plage puis de l'agrégation en un seul signal. Le contrôle du graphique avec ses limites supérieure et inférieure est défini lors de la phase au repos et utilisé pour détecter les crises anormales et pour déclencher une alarme. La procédure dans le chapitre IV de détection s'exécute dans un dispositif de collecte de données portable et déclenche une alarme. Cet algorithme est basé sur la dérivation des mesures instantanées dans une plage de données glissante contenant des mesures inertielles de 3D (ACM), 3D Gyro et de EMG. La différence entre la puissance estimée et la puissance mesurée est utilisé comme entrée pour l'algorithme de détection basé sur la carte de contrôle de Shewhart. Lorsque la différence entre la puissance prévue et la puissance dérivée dépasse les limites [limite inférieure/supérieure] pour plusieurs créneaux consécutifs, une alarme est déclenchée. L'approche que nous proposons permet une bonne détection avec un FAR de 4\% et une sensibilité de 97\%. Notre modèle dans Le chapitre V commence par réduire la dimension des données collectées grâce à l'utilisation de la moyenne quadratique pour dériver un signal de 3D ACM et un signal du 3D Gyro. Avec les 3 signaux dérivés (ACM, Gyro et EMG), nous appliquons le TVP pour dériver un signal utilisé comme entrée pour le mécanisme de détection d'anomalie. La version robuste du z-score est appliquée sur le signal résultant produit pour détecter les déviations associées aux crises avant de déclencher une alarme. Nos résultats expérimentaux montrent que notre approche proposée est robuste contre les mouvements nocturnes et atteint un haut niveau de précision de détection avec un faible FAR. Ensuite, nous comparons les performances de notre approche avec la méthode des passages à zéro calculées à partir de sEMG. Notre approche montre que la précision de détection à l'aide du VTP surpasse le nombre de passages à zéro sur une plage glissante de chevauchement de 1 seconde. Dans le chapitre VI, Les appareils IoMT sont utilisés pour acquérir ACM, Gyro et EMG et pour transmettre les mesures à LPU pour traitement. Lorsque le LPU détecte des changements anormaux dans les mesures, il déclenche une alarme. Notre approche proposée utilise SVM avec option de rejet pour distinguer les crises des activités normales de la vie quotidienne. Les caractéristiques présentant des changements physiologiques de l'activité musculaire et les données inertielles ont été extraites dans LPU et sont utilisées comme entrée pour l'algorithme de détection. L'option de rejet dans SVM est utilisée pour améliorer la fiabilité du système de surveillance et pour réduire les fausses alarmes, où l'utilisateur est averti et a la possibilité de supprimer l'alarme dans son smartphone en l'absence de saisie. Les expériences menées ont prouvé que notre approche proposée peut atteindre une bonne précision pour distinguer les crises des activités normales avec seulement 4% de taux de FAR. Dans chapitre VII, nous proposons un cadre pour empêcher une MitM de perturber les opérations et interdire le déclenchement d'alarmes par le système de surveillance à distance des soins de santé. Pour réduire la consommation d'énergie lours de la transmission normale des données et préserver la confidentialité des données de santé, notre système transmet une signature de plus petite taille dérivée des données acquises avec un code d'authentification de message, où la clé est dérivée de RSSI. Nos résultats expérimentaux montrent que notre approche peut atteindre une précision de détection élevée avec un faible FAR de 3%<br>The goal of my PhD is to investigate the characteristics of inertial and physiological signals via IoMT systems generated by epileptic seizure and to develop an algorithm to detect the seizure. The focus of the algorithms lies in nocturnal seizures where the risk of SUDEP is high because the patients are unsupervised while sleeping. In chapter III analysis we propose an IoMT platform for seizure detection. The proposed framework approach starts by deriving the RMS for ACM and Gyro, followed by the normalization of whole signals (ACM, Gyro and EMG) in the same range, and aggregate all into one signal. The chart’s control with its upper and lower limits are derived in the training phase and used to detect abnormal seizures and to raise an alarm. In chapter IV Our proposed algorithm is based on deriving instantaneous power measurements in a sliding window containing 3D ACM or 3D Gyro or EMG. The residual between forecasted and measured power is used as input for the detection algorithm based on Shewhart Control Chart (SCC). When the difference between forecasted and derived power exceeds chart limits [lower, upper] for several consecutive slots, an alarm is raised. Our proposed approach provides low FAR (4%) and sensitivity of 97%. In Chapter V our proposed method starts by reducing the dimension of collected data using RMS to derive one signal from 3D ACM and one signal from 3D Gyro. With the derived 3 collected signals (ACM, Gyro and EMG), we apply VTP to derive one signal used as input for anomaly detection mechanism. The robust version of z-score is applied on the resulting product signal to detect deviations associated with seizures before raising an alarm. Our experimental results show that our proposed approach is robust against nocturnal movements and achieves a high level of detection accuracy with low false alarm rate. Afterward, we compare the performance of our approach with the zero-crossings method calculated from sEMG. Our approach shows that the detection accuracy using VTP outperforms zero-crossing count over an overlapping sliding window of 1 second. In chapter VI, we propose an approach using the IoMT devices to acquire EMG, ACM and Gyro data and to transmit the measurements to a LPU for processing. When the LPU detects abnormal changes in the measurements, it raises an alarm for assistant. Our proposed approach uses SVM with reject option to distinguish seizures from normal daily life activity. Features presenting physiological changes of muscular activity and inertial data were extracted in LPU and are used as input for the detection algorithm. The reject option in SVM is used to enhance the reliability of the monitoring system and to reduce FAR, where the user is notified and can discard the alarm in his smartphone in the absence of seizure. The conducted experiments proved that our proposed approach could achieve a good accuracy with only 4% of false alarm rate. Finally, since we are using IoMT sensors, which are susceptible to data security issues. We proposed a solution to prevent Man in the Middle (MitM) attack, which can identify healthcare emergencies of monitored patients and replay normal physiological data to prevent the system from raising an alarm. In this chapter, we propose a framework to prevent a MitM from disrupting the operations and prohibiting the remote healthcare monitoring system. To reduce energy consumption for normal data transmission, and preserve the privacy of health data, our framework transmits a smaller size signature derived from acquired data with message authentication code, where the key is derived from Received Signal Strength Indication (RSSI). Our experimental results for emergency detection show that our approach can achieve a high detection accuracy with a low false alarm rate of 3%