[发明专利]基于云雾架构纵向联邦学习的体医数据融合隐私保护方法

说明书

本发明公开了一种基于云雾架构纵向联邦学习的体医数据融合隐私保护方法，旨在解决云雾架构研究中运动指导中心和医院数据的独立性和隐私问题。本发明的方法使用差分隐私技术来保护数据和模型的隐私，并采用中央服务器进行模型参数聚合，从而避免了数据泄露和模型隐私的风险。方法分为三个阶段：(1)数据预处理阶段，从运动指导中心和医院的数据集中选择有关的特征进行处理；(2)纵向联邦学习模型阶段，采用特定的神经网络架构，通过差分隐私机制加密个体的数据，将处理后的数据传输至中央服务器进行模型训练，最终生成共享的全局模型；(3)应用模型预测阶段，使用联合建模所得到的模型进行健身健康指导、疾病预测和决策，以达到提高预测准确性。

技术领域

本发明属于体医融合的数据隐私保护和机器学习领域，具体涉及一种基于纵向联邦学习的体医数据融合隐私保护方法。

背景技术

随着大数据和人工智能技术的快速发展，越来越多的医疗机构、体育健身机构开始将自己的数据共享出去，以便进行联合建模，提高模型的准确率和泛化能力。然而，这种数据共享往往会涉及到个人隐私，如何在保证模型质量的前提下保护个人隐私成为了一个重要的问题。

针对这个问题，基于联邦学习的数据融合和隐私保护方法应运而生。其中，纵向联邦学习是一种在保护隐私的前提下对数据进行联合训练和分析的方法。这种方法允许在不共享原始数据的情况下，对多个数据源进行联合学习，并生成具有预测能力的模型。在纵向联邦学习中，每个数据源只负责提供部分信息，其他数据源不可见。这样，即使攻击者获得某些数据源的信息，也不能通过这些信息来推断出其他数据源的信息。因此，纵向联邦学习可以保证数据隐私和安全。

在体医数据融合领域，基于纵向联邦学习的数据融合隐私保护方法可以应用于不同人群的运动数据和医学数据的共同分析，同时与慢性病防控相结合，建设不同人群个性化健康需求和慢性病单病种干预的运动处方库，基于服务对象的基本信息、健康检查、体质测试、健康状态监测和评估、干预指导、方案实施等不同数据机构的数据来源，实现各种物联网终端与各种健康服务系统间的关键信息共享，更好地理解人体运动和身体状况之间的关系，为让他们随时了解运动周期内身体健康指标的动态变化和运动干预效果，进而提高人民群众的健康水平和运动表现。同时，由于涉及到个人隐私数据的共享，数据隐私和安全也是至关重要的。差分隐私技术可以用于保护个人隐私，同时保证数据的准确性和实用性。因此，基于纵向联邦学习的数据融合隐私保护方法在体医数据融合中的应用也是非常可行的，也为推动全民健身和全民健康深度融合提供有效、精准的数据融合技术服务。

发明内容

为解决现有技术的不足，本发明提供了一种基于云雾架构纵向联邦学习的体医数据融合隐私保护方法，本发明的方法可以提高模型的性能和预测准确性，同时在保护数据和模型的隐私，可以应用于不同领域的数据融合、协作学习和隐私保护，具有重要的实用价值和应用前景。

一种基于云雾架构纵向联邦学习的体医数据融合隐私保护方法，其特征是该方法包括以下步骤：

步骤一，收集参与联邦学习的各参与方的原始数据并进行相关处理，具体过程如下：

步骤1.1，首先，运动指导中心和医院收集参与联邦学习的各参与方的原始数据，并对原始数据进行数据清洗，进行数据清洗操作后，为了使数据更加适合机器学习算法的使用，需要对数据进行预处理，将不同参与方的数据格式、标签、值域进行统一，形成标准化数据格式，消除量纲差异和异常值的影响，确保不同参与方的数据具有相似的分布和特征，从而提高联邦学习的效果和可靠性；

步骤1.2，然后通过差分隐私技术向经过预处理后的数据中添加随机噪声，将隐私特征切分出来并加密，保护原始数据的隐私性，从而防止个人敏感信息的泄露，需要针对数值型的数据和非数值型数据采用不同的方法分别进行；

步骤1.3，最后，将清洗和预处理后的数据存储到数据库或文件系统中，形成本地数据集，以便后续分析和模型训练时调用，其中运动指导中心和医院分别拥有本地数据集D_center和D_hispital；