基于VAE医疗保健联邦学习框架的确定方法技术

本发明专利技术公开了基于VAE医疗保健联邦学习框架的确定方法，涉及计算机科学、机器学习以及联邦学习技术领域，解决基于联邦学习的医疗保健领域的三个挑战，第一，数据分布非IID导致的最终模型性能降低以及收敛速度慢的问题。第二，医疗数据的正负样本分布不均衡导致的模型偏差较大的问题。第三，联邦学习下所消耗的通信带宽过大导致的难以实际部署的问题。我们先在联邦学习框架下训练两个轻量级的VAE，然后将训练好的VAE分发给所有的节点用于更新自己的本地数据，而更新后的本地数据具有的特点就是数据都是低维且分布具有相似性并且类别是均衡的。最后再利用这样的数据对异常检测模型进行训练。进行训练。进行训练。

【技术实现步骤摘要】
基于VAE医疗保健联邦学习框架的确定方法


[0001]本专利技术涉及计算机科学领域，更具体的是涉及基于VAE医疗保健联邦学习框架的确定方法


技术介绍

[0002]近年来，可穿戴技术的出现改善了患者的生活和治疗体验。可穿戴设备和移动设备从根本上改变了我们对待医疗保健的方式。远程患者监控(RPM)是医疗物联网(IoMT)的一个实现，有助于提供高质量的护理和及时的远程干预，以避免健康危机。为了得到一个高质量的远程异常检测系统(比如心率异常检测，跌倒检测等)，必须通过大量的数据进行学习。然而医疗领域的数据又是非常敏感的且是隐私的，这意味着医疗机构之间的数据是不能被共享的，于是与传统的将数据集中起来进行模型训练不同，谷歌于2016年提出了联邦学习(FL)框架，也就是在数据不需要被集中(传到中心服务器)的情况下，所有参与方与一个中心服务器共同参与模型的训练。使用FL技术，独立的数据节点可以协同工作来训练一个强大的全局模型，这满足了数据安全和有关部门的监管要求。
[0003]虽然联邦学习是一个非常有应用前景的分布式学习框架，但是它依然有存在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于VAE医疗保健联邦学习框架的确定方法，其特征在于，具体包括以下步骤：步骤1：医疗机构从云服务器获取初始化VAE模型、初始化异常检测模型；步骤2：各个医疗机构基于自己的数据集，训练初始化VAE模型，根据数据集的选取获取初始化VAE
fe
模型和初始化VAE
gen
模型；初始化VAE
fe
模型训练的数据集包括全部数据、初始化VAE
gen
模型训练的数据集包括样本数据；步骤3：云服务器将从各个医疗机构获取初始化VAE
fe
模型和初始化VAE
gen
模型的梯度，分别进行梯度聚合后；将训练好的第一代初始化VAE
fe
模型和第一代初始化VAE
gen
模型分发给所有的医疗机构；步骤4：以上步骤2
‑
3需要不断迭代，直到损失函数收敛为止，训练完毕得到最终模型，记作：VAE
fe
模型和VAE
gen
模型，各个医疗机构基于VAE
fe
模型和VAE
gen
模型更新自己的本地数据集，更新后的本地数据集用于训练初始化异常检测模型；步骤5：训练完毕的初始化异常检测模型为第一代异常检测模型，被云服务器分配给全部节点，全部节点包括家庭网关以及医疗机构；步骤6：医疗机构与家庭网关均基于自身的数据集，同时对第一代异常检测模型进行联合训练、得到第二代异常检测模块并发送至云端服务器，云服务器将从全部节点获取的第二代异常检测模块的梯度，进行梯度聚合后，再次下发到全部节点；步骤7：以上步骤5
‑
6需要不断迭代，直到损失函数收敛为止，最后的异常检测模型记为M模型，M模型直接投入使用。2.根据权利要求1所述的基于VAE医疗保健联邦学习框架的确定方法，其特征在于，所述家庭网关的数据集由可穿戴设备中的传感器获取，所述传感器包含角速度和加速度传感器，每个传感器上都包含有xyz三轴上的序列信息；处理家庭身体数据的方式是使用Gramian Angular Field技术将其转化为二维的图像数据。3.根据权利要求1所述的基于VAE医疗保健联邦学习框架的确定方法，其特征在于，所述VAE
fe
模型的作用是用于从原始高维数据中提取出低维的特征，并使得该特征服从正态分布；所述VAE
gen
模型的作用是用于生成更多的异常类样本；训练过程如下所示：步骤41：云服务器将训练好的第一代初始化VAE
fe
模型和第一代初始化VAE
gen
模型分配给所有参与训练的医疗机构，记医疗机构总数量为k，第k家医疗机构拥有的数据集为i表示数据的索引、x
i
表示数据集中的第i条数据的原始信息、y
i
表示数据集中第i条数据所对应的标签信息；步骤42：第一代初始化VAE
fe
模型的编码端和解码端分别记作E
fe
和D
fe
；第一代初始化VAE
gen
模型的编码端和解码端分别记作E
gen
和D
gen
；每个节点...

【专利技术属性】
技术研发人员：杨浩淼，葛孟雨，金禹樵，张益，李佳晟，王宇，卢锐恒，汤殿华，李宇博，李发根，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：