Implantable medical devices are surgically inserted into patients to provide enhanced medical treatment such as continuous monitoring or regular medicine injections. Modern devices have wireless communication capabilities and communicate with external entities at hospitals for instance. This wireless communication introduces an attack vector for adversaries to exploit. Successful attacks on implantable medical devices may have fatal outcomes and hence it is crucial to secure these against remote attacks. As the number of connected medical devices increases, patient safety is jeopardized. These devices are aimed to enhance patient health and not introduce any additional risks. Investigating and suggesting a suitable anomaly detection algorithm to be implemented on implantable medical devices contributes to the early detection of potential attacks and protects patients from further harm. As the devices are resource-constrained, the algorithms need to be accurate while being computationally efficient. The primary research gap is that previous research has not taken these resource constraints into account when suggesting machine learning models for anomaly detection for implantable medical devices. In this paper, the algorithms are evaluated based on prediction performance and computational efficiency. The described problem is significant because the research area is inadequately investigated. As recent technological advancements in energy harvesting for small batteries, efficient software, and embedded systems are made, there is more room for security. By combining an investigation of various machine learning models for classification problems on a realistic and valid dataset with calculations on prediction performance and computational efficiency, the identified problem could be tackled. The findings from the investigations concluded that the explored machine learning models are performing well in correctly predicting data instances, however, they differed in computational efficiency. As a result, the multi-layer perceptron was decided as the most suitable anomaly detection algorithm to be implemented on implantable medical devices. The findings can be used for further practical applications on medical devices.

Implanterbara medicinska enheter placeras kirurgiskt i patienter för att ge förbättrad sjukvård såsom kontinuerlig övervakning eller regelbundna medicin intag. Moderna enheter upprätthåller trådlös kommunikation och kommunicerar med externa enheter på till exempel sjukhus. Denna trådlösa kommunikation introducerar en attackvektor för attackerare att utnyttja. Framgångsrika attacker på implanterbara enheter kan ha allvarliga utfall och därför är det avgörande att säkra dessa mot fjärrattacker. I takt med att antalet anslutna medicinska produkter ökar äventyras patientsäkerheten. Dessa enheter syftar till att förbättra patientens hälsa och inte innebära ytterligare risker. Att undersöka och föreslå en lämplig avvikelsedetekteringsalgoritm som ska implementeras på implanterbara medicinska enheter bidrar till tidig upptäckt av potentiella attacker och skyddar patienter från ytterligare skada. Eftersom enheterna är resursbegränsade måste algoritmerna korrekt förutse uppsåtliga data instanser samtidigt som de är beräkningseffektiva. Det primära forskningsgapet är att tidigare forskning inte tagit hänsyn till dessa resursbegränsningar när de föreslår algoritmer för anomalidetektering för sådana enheter. I denna rapport utvärderas algoritmerna baserat på korrekta förutsägelser av data instanser och beräkningseffektivitet. Det beskrivna problemet är betydande eftersom forskningsområdet är otillräckligt undersökt. De senaste tekniska framstegen inom energiutvinning för små batterier, effektiv programvara och inbyggda system tillåter mer utrymme för säkerhet. Genom att kombinera undersökningen av maskininlärningsmodeller för klassificeringsproblem på en realistisk datauppsättning med beräkningar på korrekta förutsägelser och beräkningseffektivitet har det identifierade problemet undersökts. Resultaten från undersökningarna visade att de utforskade modellerna presterar bra när det gäller korrekt förutsedda datainstanser, men skiljer sig åt i beräkningseffektivitet. Resultatet visar att multi-layer perceptron är den mest lämpliga anomalidetekteringsalgoritmen för att implementeras på implanterbara medicinsk enheter. Resultaten kan användas för ytterligare praktiska tillämpningar på implanterbara medicinsk enheter.