Edge-based privacy preserving cryptosystem is identified as the upcoming amenities of cloud-based secure remote healthcare monitoring systems. Usually, the cloud-based healthcare system will directly collect the remote patient data through a sensor layer and provide the continuous monitoring and diagnosis through various prediction processes made by the decision support system. These sensing and processing of real-time patient's medical data without compromising its privacy and security become daunting issues in the traditional healthcare services. Therefore, the proposed research incorporates the security mechanism in the patient-centric edge-cloud-based healthcare system architecture. More precisely, an edge level privacy preserving additive homomorphic encryption is proposed for secure data processing and filtering non-sensitive data in the edge layer. In addition, response time and network capacity usage are minimized in the proposed healthcare system due to effective filtering and offloading mechanisms adapted in the edge level. Next, an adaptive weighted probabilistic classifier model is proposed in the cloud layer for onboard disease prediction and rehabilitation of remote patients. It will improve the disease prediction time and prediction accuracy while comparing to traditional classifier models. Finally, security and performance analysis of the proposed Secure Edge-Cloud-based Healthcare System (SECHS) was demonstrated with respect to empirical evaluation of Parkinson disease dataset.

基于边缘的隐私保护密码系统被认为是基于云的安全远程医疗监控系统即将推出的便利设施。通常，基于云的医疗保健系统将通过传感器层直接收集远程患者数据，并通过决策支持系统所做的各种预测过程提供持续的监测和诊断。在不损害其隐私和安全性的情况下，实时感知和处理患者的医疗数据成为传统医疗服务中令人生畏的问题。因此，拟议的研究将安全机制纳入以患者为中心的基于边缘云的医疗保健系统架构中。更确切地说，提出了一种边缘级隐私保护附加同态加密，用于安全数据处理和过滤边缘层的非敏感数据。此外，由于在边缘级别采用了有效的过滤和卸载机制，因此在提议的医疗保健系统中最大限度地减少了响应时间和网络容量使用。接下来，在云层中提出了一种自适应加权概率分类器模型，用于远程患者的车载疾病预测和康复。与传统分类器模型相比，它将提高疾病预测时间和预测精度。最后，针对帕金森病数据集的经验评估，证明了所提出的基于安全边缘云的医疗保健系统 (SECHS) 的安全性和性能分析。由于在边缘级别采用了有效的过滤和卸载机制，因此在提议的医疗保健系统中，响应时间和网络容量的使用被最小化。接下来，在云层中提出了一种自适应加权概率分类器模型，用于远程患者的车载疾病预测和康复。与传统分类器模型相比，它将提高疾病预测时间和预测精度。最后，针对帕金森病数据集的经验评估，证明了所提出的基于安全边缘云的医疗保健系统 (SECHS) 的安全性和性能分析。由于在边缘级别采用了有效的过滤和卸载机制，因此在提议的医疗保健系统中，响应时间和网络容量的使用被最小化。接下来，在云层中提出了一种自适应加权概率分类器模型，用于远程患者的车载疾病预测和康复。与传统分类器模型相比，它将提高疾病预测时间和预测精度。最后，针对帕金森病数据集的经验评估，证明了所提出的基于安全边缘云的医疗保健系统 (SECHS) 的安全性和性能分析。在云层中提出了一种自适应加权概率分类器模型，用于远程患者的车载疾病预测和康复。与传统分类器模型相比，它将提高疾病预测时间和预测精度。最后，针对帕金森病数据集的经验评估，证明了所提出的基于安全边缘云的医疗保健系统 (SECHS) 的安全性和性能分析。在云层中提出了一种自适应加权概率分类器模型，用于远程患者的车载疾病预测和康复。与传统分类器模型相比，它将提高疾病预测时间和预测精度。最后，针对帕金森病数据集的经验评估，证明了所提出的基于安全边缘云的医疗保健系统 (SECHS) 的安全性和性能分析。