تکنیک های یادگیری عمیق ترکیبی برای تشخیص بیماری زاهای گیاهی و بیماری با استفاده از اینترنت اشیاء زیست نانو

هدف: هدف اصلی این مطالعه پرداختن به نگرانی های امنیتی مرتبط با کاربرد عملی رابط های سایبری زیستی (BCIs) در زمینه اینترنت اشیاء زیست نانو (IoBNT) است. به طور خاص، هدف طبقه بندی دقیق الگوهای غیرعادی در ترافیک BCI برای افزایش امنیت کلیBCI های متصل به اینترنت (۵G) است. مواد و روش ها: این بخش به تشریح مواد و روش های به کار رفته در مطالعه می پردازد. این شامل استفاده از یک مجموعه ترکیبی متشکل از شبکه های عصبی کانولوشن و حافظه کوتاه مدت بلند (CNN + LSTM) برای طراحی ویژگی های انعطاف پذیر و مقیاس پذیر است. این مطالعه شامل استفاده از تکنیک های تشخیص ناهنجاری یادگیری ماشینی (ML) است و پیچیدگی های پارامترها و همبستگی های بین پارامترهای ترافیک BCI را بررسی می کند. علاوه بر این، ایجاد و اعتبار سنجی یک مجموعه داده مورد بحث قرار می گیرد. نتایج: بخش نتایج، یافته های مطالعه را با تمرکز بر عملکرد مدل یادگیری عمیق (DL) گروه ترکیبی (CNN + LSTM) ارائه می کند. این شامل جزئیات در مورد دقت به دست آمده، مقایسه با دیگر معماری های DL، و بینش به دست آمده از اعتبار سنجی دقیق با استفاده از مدل های تک بعدی و چند بعدی در مجموعه داده های تولید شده است. نتیجه گیری: نتیجه گیری مفاهیم و مشارکت های کلیدی مطالعه را خلاصه می کند. این مقاله اهمیت مجموعه ترکیبی (CNN + LSTM)  را در دستیابی به دقت بالای تقریبا ۶/۹۴% در طبقه بندی ترافیک غیرعادی BCI مورد بحث قرار می دهد. علاوه بر این، بر اهمیت پرداختن به نگرانی های امنیتی مرتبط باBCI های متصل به اینترنت (۵G) برای کاربرد عملی آنها در زمینه IoBNT تاکید می کند.