FedStack：基于堆叠联邦学习的个性化活动监测
机器学习
2022-09-29 v1 人工智能
摘要
远程患者监测（RPM）系统的近期进展可识别多种人体活动以测量生命体征，包括来自浅表血管的细微运动。通过将人工智能（AI）应用于这一医疗领域以解决已知局限与挑战（如预测和分类被视为关键任务的生命体征与身体运动）的兴趣日益增长。联邦学习是一种相对新颖的 AI 技术，旨在通过去中心化传统机器学习建模来增强数据隐私。然而，传统联邦学习要求跨本地客户端与全局服务器训练完全相同的架构模型。这由于本地模型异质性的缺乏而限制了全局模型架构。为克服此点，本研究提出了一种支持集成异质架构客户端模型的新型联邦学习架构 FedStack。本工作以去中心化方式为住院患者提供受保护的隐私系统，并确定最佳传感器放置位置。所提架构应用于来自 10 个不同受试者的移动健康传感器基准数据集，以分类 12 种日常活动。在个体受试者数据上训练了三种 AI 模型：ANN、CNN 和 Bi-LSTM。联邦学习架构应用于这些模型以构建具备最先进性能的本地与全局模型。本地 CNN 模型在每个受试者数据上优于 ANN 和 Bi-LSTM 模型。我们提出的工作在本地模型异质堆叠方面表现出优于同质堆叠的性能。本工作为构建增强型 RPM 系统奠定基础，该系统融合客户端隐私以辅助急性精神健康机构患者的临床观察，并最终有助于预防意外死亡。
引用
@article{arxiv.2209.13080,
title = {FedStack: Personalized activity monitoring using stacked federated learning},
author = {Thanveer Shaik and Xiaohui Tao and Niall Higgins and Raj Gururajan and Yuefeng Li and Xujuan Zhou and U Rajendra Acharya},
journal= {arXiv preprint arXiv:2209.13080},
year = {2022}
}
备注
47 Pages, Journal Article. Knowledge-Based Systems (2022)