Resumen

La clasificación de datos de electrocardiograma (ECG) es un área de investigación candente por su aplicación en el procesamiento de información médica. Sin embargo, la insuficiencia de datos, la preservación de la privacidad y la implementación local siguen siendo dificultades desafiantes. Para abordar estos problemas, en este artículo se propone un novedoso método de aprendizaje federado personalizado para la clasificación de ECG. Primero, se entrena un modelo global con el marco de aprendizaje federado en múltiples clientes de datos locales. Luego, utilizamos el modelo global y los datos privados para entrenar el modelo local. Para reducir la inconsistencia de características entre los datos globales y locales privados y para adaptarse mejor a los datos locales privados, se ha diseñado un módulo de alineación de características que garantiza la uniformidad, el cual consta de dos partes, alineación global y alineación local, respectivamente. Para la alineación global, se utiliza la métrica de grafo de los datos en lotes para limitar la disimilitud entre las características gener

• 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