Energy limitation is one of the essential parameters in the design of a Wireless body area networks (WBANs) as it is important to improve the lifetime of the network. WBAN routing is an effective approach for establishing energy efficiency sets and assign time slots for the network. Many algorithms that deal with interference model treats the whole WBAN as a minimum interference unit and increase their lifetime cycle. In this research, we report an effective low-energy adaptive clustering hierarchy (LEACH) routing protocol using MATLAB simulation and related C++ simulation codes to enhance the overall performance of the network by improving the energy efficiency and network lifetime cycles. Furthermore, the study sheds light up on the comparison of the protocol and proposes a modified protocol for WBAN. Based on the results obtained from conducting different configurations in the proposed design, the base station should be situated near the network to insure high network performance.

Abstract Electronic health records (EHRs) are important for the efficient management of healthcare data. However, Healthcare data travels across an open route, i.e., the Internet, making EHR security a difficult process to do. This puts healthcare data vulnerable to cyber assaults. A possible method for protecting EHRs is blockchain technology. In this work, we develop an EHR architecture based on blockchain, which ensures all stakeholder's safety and privacy. We analyze various security architectures used for EHRs and the standard encryption system is integrated with quantum computing (QC). To safeguard the conventional traditional encrypting system against quantum assaults, we provide a hybrid signature technique that combines the Elliptic Curve Digital Signature Algorithm (ECDSA) and Dilithium within the anti-quantum lattice-based blind signature. Based on the difficulty of lattice problems over finite fields, Dilithium is a lattice-based signature method that is substantially safe against selected message assaults. The developed technique creates high entropy secret keys using the lattice basis delegation mechanism. The combination of ECDSA and Dilithium provides an efficient and secure signature system that is resilient to quantum attacks. The proposed scheme ensures that only authorized users with a defined role can use the database to access the data. We evaluate the efficiency of our scheme by comparing its performance to other state-of-the-art solutions in terms of transaction throughput, resource utilization, and communication cost. Results demonstrate that the developed technique outperforms the existing techniques in terms of efficiency and security.

In recent times, the global rise in the prevalence rate of amyotrophic lateral sclerosis (ALS) has profoundly affected the welfare of several people in the world. ALS is a lethal neurodegenerative disease (NDD) that damages the nerve cells in the brain and spinal cord. Moreover, it removes the person’s capability of controlling muscle movements in the body. It is necessary to detect the disease earlier, to reduce the disease severity, and to enhance the life expectancy of the patients. Traditionally, ALS screening is handled by qualified physicians through blood tests, which is an expensive, painful, and time-consuming process. To resolve this limitation, several researchers focused on the ALS classification. Conversely, it have a few drawbacks, such as lack of accuracy and speed, overfitting of data, and noise handling tasks. For enhancing the classification of ALS, the proposed approach employs progressive entropy weighted-based focal loss (PEWFL)-XGBoost through the Kaggle ALS dataset. The XGBoost is used for the ability to manage missing data and speed. Nevertheless, it has certain limitations such as overfitting of data, hyperparameter tuning, and handling of smaller datasets. To resolve this, PEWFL is added to the XGBoost system to improve the classification performance. Correspondingly, the efficiency of the respective system is calculated using performance metrics to evaluate the performance of the research. Moreover, internal comparison with classical algorithms such as XGBoost, K-nearest neighbor, and random forest discloses the efficacy of the respective model. The proposed system is envisioned to contribute to molecular genetics and neuroscience research and assist neurologists in enhancing the diagnosis of ALS.

ALS (Amyotrophic Lateral Sclerosis) is a neurodegenerative disorder causing profound physical disability that severely impairs a patient's life expectancy and quality of life. It also leads to muscular atrophy and progressive weakness of muscles due to insufficient nutrition in the body. At present, there are no disease-modifying therapies to cure ALS, and there is a lack of preventive tools. The general clinical assessments are based on symptom reports, neurophysiological tests, neurological examinations, and neuroimaging. But, these techniques possess various limitations of low reliability, lack of standardized protocols, and lack of sensitivity, especially in the early stages of disease. So, effective methods are required to detect the progression of the disease and minimize the suffering of patients. Extensive studies concentrated on investigating the causes of neurological disease, which creates a barrier to precise identification and classification of genes accompanied with ALS disease. Hence, the proposed system implements a deep RSFFNN-CNN (Resemble Single Feed Forward Neural Network-Convolutional Neural Network) algorithm to effectively classify the clinical associations of ALS. It involves the addition of custom weights to the kernel initializer and neutralizer 'k' parameter to each hidden layer in the network. This is done to increase the stability and learning ability of the classifier. Additionally, the comparison of the proposed approach is performed with SFNN (Single Feed NN) and ML (Machine Learning) based algorithms, namely, NB (Naïve Bayes), XGBoost (Extreme Gradient Boosting) and RF (Random Forest), to estimate the efficacy of the proposed model. The reliability of the proposed algorithm is measured by deploying performance metrics such as precision, recall, F1 score, and accuracy.

Abstract ALS (Amyotrophic Lateral Sclerosis) is a fatal neurodegenerative disease of the human motor system. It is a group of progressive diseases that affects the nerve cells in the brain and spinal cord that control the muscle movement of the body hence, detection and classification of ALS at the right time is considered to be one of the vital aspects that can save the life of humans. Therefore, in various studies, different AI techniques are used for the detection of ALS, however, these methods are considered to be ineffectual in terms of identifying the disease due to the employment of ineffective algorithms. Hence, the proposed model utilizes Modified Principal Component Analysis (MPCA) and Modified Random Forest (MRF) for performing dimensionality reduction of all the potential features considered for effective classification of the ALS presence and absence of ALS causing mutation in the corresponding gene. The MPCA is adapted for capturing all the Low-Importance Data transformation. Furthermore, The MPCA is objected to performing three various approaches: Covariance Matrix Correlation, Eigen Vector- Eigenvalue decomposition, and selecting the desired principal components. This is done in aspects of implying the LI (Lower-Importance) Data Transformation. By choosing these potential components without any loss of features ensures better viability of selecting the attributes for ALS-causing gene classification. This is followed by the classification of the proposed model by using Modified RF by updating the clump detector technique. The clump detector is proceeded by clustering approach using K-means, and the data reduced by their dimension are grouped accordingly. These clustered data are analyzed either for ALS causing or devoid of causing ALS. Finally, the model’s performance is assessed using different evaluation metrics like accuracy, recall, F1 score, and precision, and the proposed model is further compared with the existing models to assess the efficacy of the proposed model.