[发明专利]基于联邦学习的心血管疾病辅助诊断模型及训练方法

说明书

本发明公开了基于联邦学习的心血管疾病辅助诊断模型及训练方法，包括以下步骤：S1、通过便携式设备联邦模型对便携式设备的心电数据和特征训练，生成便携式设备全局模型；S2、通过联邦学习客户端采集心电数据、提取心电特征和建立EcgNet局部模型；S3、通过联邦学习系统完成EcgNet全局模型训练，并融合便携式全局模型参数，生成最终模型。本发明中，通过对三甲医院的丰富的心电数据和心电特征的联邦训练得到EcgNet全局模型，不需要对数据集中处理，医疗数据处于严格保密状态，不涉及隐私问题，上传至医疗云服务中心的EcgNet全局模型，可提供区域内基层医疗机构下载使用，提升了医联体内其他医疗节点模型的推断水平。

技术领域

本发明涉及心血管疾病辅助诊断技术领域，尤其涉及基于联邦学习的心血管疾病辅助诊断模型及训练方法。

背景技术

普通二线及以下的医疗机构因为病患数量偏少，且临床医生专业技能相对不足，无法较好地对病患做出诊断，目前，深度卷积网络是目前主流的ECG数据分类方法，心电信号中的异常往往出现在整段信号的某个局部区域，卷积神经网络(CNN)擅长于挖掘空间特征，构建一个深度卷积网络可以将一系列ECG样本映射到一系列心律失常数据中，较常用的神经网络结构如RESNET,DENSENET等，网络以原始ECG信号的时间序列作为输入，全连接层和softmax映射结果为输出，深度学习方法能够构建深层次的特征提取和表达，构建更好的输入输出映射关系，辅助于医生做出医疗诊断。

然而，但是这类方法均需要集中大量的心血管疾病类训练数据用于模型训练，分类效果受限于数据规模，数据集中处理受限于医疗数据隐私问题，且三甲医院的数据无法直接提供给普通医院用于模型训练，扩充数据需要先解决医疗隐私问题，因此，本发明提出基于联邦学习的心血管疾病辅助诊断模型及训练方法，解决因数据集中带来的医疗隐私问题。

本发明为了解决上述背景技术中所提到的问题，而提出的基于联邦学习的心血管疾病辅助诊断模型及训练方法。

为了实现上述目的，本发明采用了如下技术方案：

基于联邦学习的心血管疾病辅助诊断模型的训练方法，其特征在于，包括以下步骤：

S1、通过便携式设备联邦模型系统对便携式设备的心电数据和心电特征进行训练，生成便携式设备的全局模型；

S2、通过多个联邦学习客户端采集心电数据、提取心电特征和建立多个EcgNet局部分类模型；

S3、通过联邦学习服务端对多个EcgNet局部分类模型参数进行融合和处理，并将处理后的模型参数反馈至每个联邦学习客户端；

S31、通过模型参数采集模块对多个EcgNet局部分类模型参数进行采集；

S32、通过模型参数处理模块对模型参数进行自适应融合处理；

S321、模型参数处理模块对初次接收的模型参数进行均值化处理，即

其中，P-联邦学习服务端下发至联邦学习客户端的首轮初始模型参数；P_i-联邦学习客户端上传给服务端的模型参数；n-联邦学习客户端的数量；

S322、联邦学习客户端在接收新的心电数据和提取新的心电特征对EcgNet全局分类模型进行迭代训练时，模型参数处理模块对联邦学习客户端上传的新的模型参数进行自适应权重处理，即：

a_i＝f(l₁,l₂,l₃…l_n)；

l_i＝loss_i-loss_(i-1)；