[发明专利]一种基于联邦学习的个性化心电信号监测方法

权利要求书

1.一种基于联邦学习的个性化心电信号监测方法，其特征在于，包括如下步骤：

a)在MIT-BIH数据库DS1中取出I个心拍，将取出的I个心拍分为N型、S型、V型、F型和Q型五个类别，将取出的I个心拍作为训练云端的公共模型S⁰的数据集D⁰，{(x_i,y_i)∈D⁰},i∈{1,2，...,I}，x_i为公共模型S⁰的第i个输入样本，y_i为x_i的真实标签，y_i∈{1,...,5}，每个心拍x_i提取304维特征作为公共模型S⁰的输入，公共模型S⁰的输出为心拍类别的概率，对公共模型S⁰进行L次迭代，得到基础特征提取网络参数为W^b、个性化分类网络参数为W^p的公共模型S⁰，将云端的训练后的公共模型S⁰发送给N个终端；

b)第n个终端接收云端传递的模型参数W^b和W^p，n∈{1,2,...,N}，N为终端总数，将公共模型S⁰的模型参数作为本地个性化模型Sⁿ的模型参数初始配置，得到基础特征提取网络参数为W^b,n(0)、个性化分类网络参数为W^p,n(0)的个性化模型Sⁿ；

c)第n个终端截取MIT-BIH数据库DS2中其中一条记录的前X分钟心电数据作为训练终端的个性化模型Sⁿ的训练集Dⁿ，为个性化模型Sⁿ的第j个输入样本，为的真实标签，

d)对个性化模型Sⁿ进行K次迭代，将第n个终端的基础特征提取网络参数上传给云端；

e)云端接收N个终端发送的基础特征提取网络参数，并更新步骤d)中的第n个终端的基础特征提取网络参数；步骤e)中通过公式计算处理后的参数W^b(k)，云端将W^b(k)发送至N个终端，更新第n个终端的基础特征提取网络参数Bⁿ并冻结个性化分类网络参数W^p,n(k)；

f)如果更新后的第n个终端上部署的个性化模型Sⁿ的模型参数与更新前的个性化模型Sⁿ的模型参数的差值大于等于差值阈值，则返回执行步骤e)，如果更新后的第n个终端上部署的个性化模型Sⁿ的模型参数与更新前的个性化模型Sⁿ的模型参数的差值小于差值阈值则执行步骤g)；

g)将MIT-BIH数据库的DS2中每条记录后Y分钟的数据集作为每个终端的个性化模型Sⁿ的输入，个性化模型Sⁿ的测试集为为个性化模型Sⁿ的输入，个性化模型Sⁿ输出为N型心拍或S型心拍或V型心拍或F型心拍或Q型心拍的概率值，将五种类别心拍的概率值最大的那个类别作为分类的结果，如果概率值最大的类别与真实标签相同，则判定分类正确，如果概率值最大的类别与真实标签不相同，则判定分类错误；

步骤a)包括如下步骤：

a-1)公共模型S⁰由基础特征提取网络B⁰及个性化分类网络P⁰构成；

a-2)将基础特征提取网络B⁰划分成k_b层，k_b取值为3，将个性化分类网络P⁰划分成k_p层，k_p取值为3；

a-3)将x_i输入到公共模型S⁰中，通过公式计算经过softmax之前线性层的输出获得分类的分数向量Zⁱ，为分数向量Zⁱ中将x_i分类为类别c的分数，c∈{1,...,C}，C为类别个数，C＝5，W₁^b、分别为划分后的基础特征提取网络B⁰的第一层、第二层、第三层的权重，W₁^p、W₃^p分别为划分后的个性化分类网络P⁰的第一层、第二层、第三层的权重，分别为划分后的基础特征提取网络B⁰的第一层、第二层、第三层的激活函数，分别为划分后的个性化分类网络P⁰的第一层、第二层的激活函数；

a-4)通过公式计算x_i分类正确的概率softmax(x_i,y_i；W^b,W^p)，为分数向量Zⁱ中为真实类别y_i的分数；

a-5)通过公式

FL(softmax(x_i,y_i；W^b,W^p))

＝-(1-softmax(x_i,y_i；W^b,W^p))^γlog(softmax(x_i,y_i；W^b,W^p))

计算损失函数FL(softmax(x_i,y_i；W^b,W^p))，式中γ为调节系数，γ∈[0,5]；

a-6)使用Adam对损失函数FL(softmax(x_i,y_i；W^b,W^p))进行L次迭代，得到基础特征提取网络参数为W^b、个性化分类网络参数为W^p的公共模型S⁰，通过公式计算更新第l次迭代的参数，l∈[1,...,L]，为偏微分计算。