基于联邦学习技术的12导联ECG信号心律失常分类应用
机器学习
2024-01-08 v3
摘要
基于人工智能(AI)的大型精选医学数据集分析，有望利用低功耗心电图(ECG)监测设备信息提供早期检测、更快诊断和更有效治疗。然而，从多样来源获取敏感医疗数据受到严格限制，因为不当使用、不安全存储或数据泄露可能侵犯个人隐私。本工作采用联邦学习(FL)隐私保护方法，在来自六个异构源、由12导联传感器阵列采集的异构高清ECG集合上训练AI模型。我们评估了所得模型相比以集中式学习(CL)方式训练的最先进模型达到同等性能的能力。此外，我们评估了方案在独立同分布(IID)与非IID联邦数据上的性能。我们的方法涉及基于深度神经网络与长短期记忆模型的机器学习技术，具备含特征工程、选择与数据平衡技术的稳健数据预处理流程。我们的AI模型展示了与采用CL、IID及非IID方法训练的模型相当的性能，并在降低复杂度和加快训练时间方面具优势，非常适于云-边架构。
引用
@article{arxiv.2208.10993,
title = {Application of federated learning techniques for arrhythmia classification using 12-lead ECG signals},
author = {Daniel Mauricio Jimenez Gutierrez and Hafiz Muuhammad Hassan and Lorella Landi and Andrea Vitaletti and Ioannis Chatzigiannakis},
journal= {arXiv preprint arXiv:2208.10993},
year = {2024}
}
备注
Preprint of International Symposium on Algorithmic Aspects of Cloud Computing (ALGOCLOUD) 2023