[发明专利]跨设备ECG联邦隐私分类框架方法、系统及存储介质

说明书

本发明公开了一种跨设备ECG联邦隐私分类框架方法、系统及存储介质，涉及联邦学习技术领域。具体步骤包括如下：服务端向客户端发送初始模型参数；客户端利用训练数据集对初始模型进行训练，得到基本类型识别模型参数，并以差分的方式发送到所述服务端；所述服务端接收所述基本类型识别模型参数进行聚类，得到聚类结果；将所述聚类结果进行加权平均，得到最终服务端模型的更新参数，完成所述初始模型的训练；通过训练完成的初始模型对ECG数据进行识别，在各个客户端上输出各自的ECG数据类型识别结果。本发明能够在ECG健康监控过程中保护用户数据隐私的同时提高数据识别精度。

技术领域

本发明涉及联邦学习技术领域，更具体的说是涉及一种跨设备ECG联邦隐私分类框架方法、系统及存储介质。

背景技术

随着心血管疾病发病率的增加以及物联网软件和硬件设备的发展，导致对长周期家用ECG健康监测设备的需求快速增加。同时，在ECG健康监控过程中暴露出的用户隐私和安全问题变得越来越突出。集中式心电图诊断模型虽然可以避免用户数据泄漏，但是无法及时在模型中纳入更多的稀有类型数据。为了平衡模型的识别诊断性能和隐私属性，现有的最佳心电图隐私保护分类方案是协作式的学习策略，包括联邦学习(FederatedLearning，FL)和分割学习(Split Learning，SL)。已有研究表明，在1D-CNN模型下，采用分割学习从客户端传输到服务端的卷积层输出会导致用户数据泄漏。相比之下，联邦学习仅传输训练出来的模型参数，避免了用户数据的迁移，因此可以更好地避免由于用户数据暴露而导致的隐私泄漏。

然而，在心电图类型识别任务中采用联邦学习框架时跨设备的用户数据会出现极端Non-IID的表现，导致联邦模型对稀有类型客户端的预测能力急剧下降。现有工作无法适应极端Non-IID用户数据的场景，因为从不同客户端到服务器的参数被同等对待，无法实现不同客户端之间有效的知识传递机制和单个客户端的全局感知能力。

因此，对本领域技术人员来说，在ECG健康监控过程中如何在保护用户数据隐私的同时提高数据识别精度，是亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种跨设备ECG联邦隐私分类框架方法、系统及存储介质，能够在ECG健康监控过程中保护用户数据隐私的同时提高数据识别精度。

为了实现上述目的，本发明采用如下技术方案：一方面，提供一种跨设备ECG联邦隐私分类框架方法，具体步骤包括如下：

S1、服务端向客户端发送初始模型参数；

S2、客户端利用训练数据集对初始模型进行训练，得到基本类型识别模型参数，并以差分的方式发送到所述服务端；

S3、所述服务端接收所述基本类型识别模型参数进行聚类，得到聚类结果；将所述聚类结果进行加权平均，得到最终服务端模型的更新参数，完成所述初始模型的训练；

S4、通过训练完成的初始模型对ECG数据进行识别，在各个客户端上输出各自的ECG数据类型识别结果。

可选的，所述训练数据集为层次化共享数据与客户端私人ECG数据的总和。

通过采用上述技术方案，具有以下有益的技术效果：增加全局共享数据这一扩展客户端数据集的方法可以使跨设备的数据分布更加相似，以改善空间中数据分布的偏差，解决联邦学习存在的Non-IID问题。

可选的，步骤S2的具体过程为：

所述客户端接收所述服务端发送的初始模型参数；

基于所述训练数据集训练初始模型获得局部参数；

根据所述局部参数和所述初始模型参数计算差分参数并将所述差分参数发送至所述客户端，所述差分参数的计算公式如下：