Resumen

La clasificacin de datos de electrocardiograma (ECG) es un rea de investigacin candente por su aplicacin en el procesamiento de informacin mdica. Sin embargo, la insuficiencia de datos, la preservacin de la privacidad y el despliegue local siguen planteando dificultades. Para abordar estos problemas, en este artculo se propone un nuevo mtodo de aprendizaje federado personalizado para la clasificacin de ECG. En primer lugar, se entrena un modelo global con un marco de aprendizaje federado en mltiples clientes de datos locales. A continuacin, utilizamos el modelo global y los datos privados para entrenar el modelo local. Para reducir la incoherencia de caractersticas entre los datos globales y los datos locales privados y para ajustar mejor los datos locales privados, se disea un novedoso mdulo de alineacin de caractersticas para garantizar la uniformidad, que contiene dos partes, la alineacin global y la alineacin local, respectivamente. Para la alineacin global, se utiliza la mtrica grfica de los datos por lotes para restringir la disimilitud entre las caractersticas generadas por el modelo global y el modelo local. Para la alineacin local, se adopta la prdida de tripletes para aumentar la capacidad discriminatoria de los datos privados locales. Se evalan experimentos exhaustivos con nuestro conjunto de datos recopilados. Los resultados muestran que el mtodo propuesto puede adaptarse mejor a los datos locales y exhibir una capacidad superior de generalizacin.

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Electrocardiograma; Clasificación de datos; Aprendizaje federado; Preservación de la privacidad; Alineación de características; Despliegue local.
• Keywords:Electrocardiogram; Data classification; Federated learning; Privacy preserve; Feature alignment; Local deployment