[发明专利]一种建立数据分析模型的方法

说明书

本发明提供一种建立数据分析模型的方法，包括基于当前的用户数据，在服务器端采用深度神经网络学习和预训练初始云模型，并将初始云模型下发给不同的用户；用户根据自身数据特性，基于接收到的云模型构建其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器；服务器将接收到的用户模型基于预设的周期进行融合，得到新的云模型；用户基于接收到的新的云模型，调整其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器。基于本发明方法构建的模型框架可以通过结合联邦学习和同态加密技术，可以解决数据孤岛和个性化的问题，通过汇总来自不同组织机构的数据，构建强大的机器学习模型，同时还能保护用户的隐私。

技术领域

本发明涉及数据分析领域，尤其涉及可穿戴健康监护领域，具体地说，涉及一种建立不同用户数据共享模型的方法，更具体地说，涉及一种建立数据分析模型的方法。

背景技术

近年来，随着计算技术的快速发展，基于智能手机，腕带和智能眼镜等可穿戴设备的可穿戴技术能够帮助人们更加了解自己的健康状况。日常行为活动与人们的健康密切相关，可能是某些认知疾病的早期信号。例如，步态的改变可能导致小血管疾病或中风。经研究发现，通过佩戴传感器监测用户的活动，可以识别日常行为活动。这些可穿戴设备可以轻松访问人们的健康信息，包括行为活动、睡眠、运动等。已有的研究表明，基于可穿戴技术的健康监护能够为几种认知疾病提供早期预警，例如帕金森氏症，脑小血管疾病等，同时也可应用在其他包括心理健康评估、跌倒检测、体育运动监测等领域。

事实上，随着技术的不断进步，基于可穿戴技术的可穿戴健康监护的应用趋势越来越明显。然而值得注意的是，传统的健康监护应用通常通过聚合所有用户数据来构建模型。但是，在实际应用中，数据通常是孤立的，并且由于隐私问题而无法轻松共享，而且，构建的模型缺乏个性化的能力。在可穿戴健康监护领域，通常使用大量的用户数据训练机器学习模型去追踪用户的健康状况，例如支持向量机、决策树、隐马尔可夫模型等传统机器学习方法在许多健康监护领域中都有应用。

现有的可穿戴健康监护面临两大主要挑战。

第一个挑战，如图1所示，在现实生活中，数据通常以孤岛的形式存在，不同的组织和机构拥有大量的数据，但是由于隐私和安全问题，这些数据无法共享，在图1中，当同一用户使用来自两家公司的不同产品时，他的数据被分别存储在两家公司中无法共享，这使得很难利用这些数据训练出高性能的模型。此外，最近中国，美国和欧盟都通过了不同的规范化制度来强制保护用户数据，因此在实际应用中不可能直接获得大量的用户数据。

另一个重要的挑战是如何实现个性化。现有技术下，大多数方法都是基于一个共有的服务器模型去应用于几乎所有的用户，通过获得足够多的用户数据去训练一个令人满意的机器学习模型，然后将这个模型分发给所有用户设备中去追踪日常的健康信息，这个过程是没有实现个性化的。然而，不同的用户具有不同的身体特征和日常的行为模式，因此一个公共模型无法实现个性化的健康监护。

目前，在可穿戴健康监护领域，还没有有效的方法去解决以上挑战。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种新的能够为不同用户建立个性化分析模型并防止数据泄露的建立分析模型的方法。

根据本发明的第一方面，本发明提供一种建立数据分析模型的方法，包括：

S1、基于当前的用户数据，在服务器端采用深度神经网络学习和预训练初始云模型，并将初始云模型下发给不同的用户；在训练初始云模型的过程中，以优化云模型损失函数为训练目标，其中，损失函数为：

表示服务器端汇总的带标签的数据样本，n表示数据样本总数，i表示第i个数据样本，x表示数据样本，y表示这个数据样本对应的类别标签，f_s表示服务器端云模型。