In this article, a dual-mode, dual-polarized antenna designed using characteristic mode analysis (CMA) is described. An elliptical-shaped patch radiator is chosen with double slits on its minor axis. This design is based on mode separation from the circular patch into the elliptical patch. The suggested antenna geometry has a footprint of 60 mm × 60 mm × 1.6 mm. To design and fabricate the antenna, an FR-4 substrate with a relative permittivity of 4.3 is used, along with copper sheets 0.035 millimeters thick for the ground plane and the radiating plane. The circular patch has the resonating mode at 1.8 GHz, whereas the elliptical radiator gives different resonant modes at 1.8 GHz and 3.5 GHz. An orthogonal mode is excited with a 50-ohm coaxial feed line at 3.5 GHz by applying a full-wave approach. The antenna gives a -10dB bandwidth of 51 MHz (1.77 to 1.82 GHz) centered at 1.8 GHz and a bandwidth of 210 MHz (3.37 to 3.58 GHz) centered at 3.5 GHz. The working principle is explained through modal analysis and characteristic angles. This dual-band antenna covers a 1.8 GHz GSM band with horizontal polarization and a 3.5 GHz 5G service with vertical polarization. Peak gain attained with these bands is 5.9 dBi and 7.1 dBi, respectively. A CST full-wave simulator is used for the simulations. As a result of the antenna, radiation is stable and enhanced. Compared to measured results, simulation results are close to reality. The characteristic mode analysis (CMA) provides an in-depth look into different operating modes on the antenna in contrast with the conventional method, which relies on the simulated current distribution to verify functionality.

The cloud computing sector, including mobile networks has increased in the present time. Because of advanced features and security related information in cloud. So many methods are available for handling these problems. Cloud security, large number of methods existing for provide security. Among that, so many widespread techniques cast-off to protected data in cloud based on Individuality based encryption. This method specialty is allowing only authorized end users for access legal data and avoid smalevolent attack. Individuality -based encryption method follows up the four stages like Name, Key generation, encryption and decryption. Among these Key generation is most important for generating secure key. It provides unbreakable and non-derivable secure keys to provide strong security. This paper provides a novel approach for providing advanced security called identity-based encryption. This approach uses segment of a bitidentity thread in demandto evade seepage of user’s data identity, if any attacker decodes the key also. Statistical reports show that the proposed algorithm takes less time in the process of decryption and encryption compared to other traditional approaches. One more feature of our novel method is skinning the user’s uniqueness by using parametric curve fitting. It contains a polynomial interpolation function.

<abstract> <p>Diagnosing and treating newborn seizures accurately and promptly is crucial for providing the best possible care for these patients. For the purpose of intelligently identifying newborn seizures, this work introduced a unique method that uses spectral and spatial graph neural networks (SSGNNs) optimized with the Aquila algorithm. Using electroencephalogram (EEG) recordings, the suggested methodology takes advantage of the complex spatial and spectral characteristics of infant brain activity. Spatial and spectral GNNs were used to extract significant spatiotemporal patterns suggestive of seizure episodes by organizing the brain activity data as a graph, with nodes representing various brain regions and edges signifying functional relationships. By combining spectral and spatial data, the depiction of newborn brain dynamics was improved and made it possible to distinguish between seizure and non-seizure phases with greater accuracy. Moreover, the introduction of the Aquila algorithm improved the GNNs' performance in seizure identification tasks by streamlining the training process. A large dataset of EEG recordings from newborns with and without seizures was used to assess the effectiveness of the suggested method. Higher accuracy, sensitivity, and specificity in seizure detection were achieved in the experimental results, which showed greater performance when compared to conventional methods. This work offered an automated, data-driven method for identifying newborn seizures, which is a major development in the treatment of newborns. By combining spectral and spatial GNNs and optimizing the results using the Aquila method, it is possible to enhance seizure detection accuracy and potentially prevent neurological consequences in affected children by intervening early. This method has the potential to completely change the way neonatal care is provided by giving medical professionals a strong tool for accurate and prompt seizure monitoring in neonatal intensive care units (NICU).</p> </abstract>

Driven by the critical importance of routing in Wireless Sensor Networks (WSNs) and the security vulnerabilities present in existing protocols, this research aims to address the key challenges in securing WSNs. Many current routing protocols focus on computational efficiency but fall short of providing strong security measures, leaving them vulnerable to malicious attacks. Reactive protocols, often preferred for their reduced bandwidth usage, heighten security concerns due to their limited resources for maintaining network routes, while proactive alternatives require more resources. Additionally, the ad hoc nature and energy limitations of WSNs make traditional security models, designed for wired and wireless networks, impractical. To overcome these limitations, this paper introduces the Secured Energy-Efficient Opportunistic Routing Scheme for sustainable WSNs. The proposed protocol is designed to enhance security by continuously updating neighbor information and verifying the validity of routing parameters, while also being power-aware, a critical factor given the energy constraints of WSNs. The protocol has been evaluated through simulation experiments, measuring key performance indicators such as throughput, average end-to-end delay (E2 delay), energy consumption, and network lifetime. The results demonstrate that the proposed protocol effectively strengthens WSN security while addressing the unique operational constraints of these networks.

In cases of brain tumors, some brain cells experience abnormal and rapid growth, leading to the development of tumors. Brain tumors represent a significant source of illness affecting the brain. Magnetic Resonance Imaging (MRI) stands as a well-established and coherent diagnostic method for brain cancer detection. However, the resulting MRI scans produce a vast number of images, which require thorough examination by radiologists. Manual assessment of these images consumes considerable time and may result in inaccuracies in cancer detection. Recently, deep learning has emerged as a reliable tool for decision-making tasks across various domains, including finance, medicine, cybersecurity, agriculture, and forensics. In the context of brain cancer diagnosis, Deep Learning and Machine Learning algorithms applied to MRI data enable rapid prognosis. However, achieving higher accuracy is crucial for providing appropriate treatment to patients and facilitating prompt decision-making by radiologists. To address this, we propose the use of Convolutional Neural Networks (CNN) for brain tumor detection. Our approach utilizes a dataset consisting of two classes: three representing different tumor types and one representing non-tumor samples. We present a model that leverages pre-trained CNNs to categorize brain cancer cases. Additionally, data augmentation techniques are employed to augment the dataset size. The effectiveness of our proposed CNN model is evaluated through various metrics, including validation loss, confusion matrix, and overall loss. The proposed approach employing ResNet50 and EfficientNet demonstrated higher levels of accuracy, precision, and recall in detecting brain tumors.