面向异构IoT设备的基于GAF的联邦学习隐私保护ECG分类
机器学习
2025-11-12 v2 人工智能
计算工程、金融与科学
网络与互联网体系结构
摘要
本研究提出了一种面向Internet of Things（IoT）医疗环境的联邦学习（FL）框架，用于隐私保护的心电图（ECG）分类。通过将1D ECG信号转换为2D Gramian Angular Field（GAF）图像，本文提出的方法能够通过卷积神经网络（CNN）高效提取特征，同时确保敏感医疗数据 remain local于每个设备。本工作是首次在异构IoT设备上实验验证GAF基于联邦ECG分类，量化了性能和通信效率。为评估现实IoT环境中的可行性，我们在服务器、笔记本电脑和资源受限的树莓派4上部署了该框架，反映了边缘云集成在IoT生态系统中的情况。实验结果表明，FL-GAF模型在多客户端设置下实现了95.18%的高分类准确率，显著优于单客户端基线在准确率和训练时间方面。尽管GAF转换增加了计算复杂度，该框架仍保持高效的资源利用和通信开销。这些发现凸显了面向IoT基础医疗监护的轻量级、隐私保护AI的潜力，支持智能健康系统中可扩展且安全的边缘部署。
引用
@article{arxiv.2511.03753,
title = {Federated Learning with Gramian Angular Fields for Privacy-Preserving ECG Classification on Heterogeneous IoT Devices},
author = {Youssef Elmir and Yassine Himeur and Abbes Amira},
journal= {arXiv preprint arXiv:2511.03753},
year = {2025}
}
备注
06 pages, 03 figures, accepted for presentation at the 7th IEEE Computing, Communications and IoT Applications Conference (ComComAp 2025)