[發明專利]電子設備、疾病類型檢測方法、裝置及介質

在審

• 申請號: 202011127805.4
• 申請日: 2020-10-20
• 公開（公告）號: CN112259238A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 李澤遠;王健宗
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H10/60;G06K9/62;G06F21/60
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

1.一種電子設備，其特征在于，所述電子設備包括：

至少一個處理器；以及

與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執行的計算機程序，所述計算機程序被所述至少一個處理器執行，以使所述至少一個處理器執行如下步驟：

從服務端獲取初始梯度參數，根據所述初始梯度參數構建疾病類型檢測模型，通過本地的圖像訓練數據對所述疾病類型檢測模型進行訓練，得到所述疾病類型檢測模型的訓練后的模型梯度參數；

訪問服務端的監聽端口，與所述服務端成功建立連接后，將訓練后的所述模型梯度參數加密運算后上傳至服務端；

接收服務端傳送的更新后的模型梯度參數，根據所述更新后的模型梯度參數得到標準疾病類型檢測模型；

接收待檢測圖像數據，將所述待檢測圖像數據依次通過所述標準疾病類型檢測模型的卷積層，歸一化層，線性整流層，隨機失活層，全連接層及邏輯回歸層，得到疾病類型檢測結果。

2.如權利要求1所述的電子設備，其特征在于，所述對所述模型梯度參數進行加密后上傳至服務端，包括：

隨機選取大質數p，q，使得pq與(p-1)(q-1)的最大公倍數為1；

計算n＝p×q，且滿足λ(n)＝lcm(p-1，q-1)，其中，lcm為最小公倍數，λ為卡邁克爾函數；

隨機選擇一個小于n²的正整數g，并計算μ＝(L(g^λmodn²))^-1modn；

根據所述n、g、λ，和μ，得到公鑰為(n，g)，私鑰為(λ，μ)；

利用所述私鑰(λ，μ)對所述模型梯度參數進行加密處理，得到加密后的模型梯度參數。

3.如權利要求1所述的電子設備，其特征在于，所述待檢測圖像數據以及對應的注釋數據包括心電圖像與其對應的包含了心臟病專家的注釋數據的json文件。

4.一種電子設備，其特征在于，所述電子設備包括：

至少一個處理器；以及

與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執行的計算機程序，所述計算機程序被所述至少一個處理器執行，以使所述至少一個處理器執行如下步驟：

開啟K個監聽端口，其中，K為客戶端的數量；

利用所述監聽端口接收多個客戶端發送的加密后的模型梯度參數；

對所述加密后的模型梯度參數進行解密，得到每個客戶端對應的模型梯度參數；

對所述每個客戶端對應的模型梯度參數執行聯合運算，得到更新后的模型梯度參數；

將所述更新后的模型梯度參數分發給每個客戶端。

5.如權利要求4所述的電子設備，其特征在于，所述對所述每個客戶端對應的模型梯度參數執行聯合運算，得到更新后的模型梯度參數，包括：

采用下述方法執行聯合運算，得到更新后的模型梯度參數：

其中，f(w)為更新后的模型梯度參數，f_i(w)為模型梯度參數，F_k(w)表示中間參數，K為所述客戶端數量，P_k代表存儲在第k個客戶端中的訓練數據，n_k為訓練數據的數量。

6.如權利要求4所述的電子設備，其特征在于，所述對所述加密后的模型梯度參數進行解密，包括：

根據下述解密公式對所述加密后的模型梯度參數進行解密：

m＝L(c^λmodn²)*μmodn

其中，m是解密后的模型梯度參數，c是指加密后的模型梯度參數，mod是指取模運算符，n＝p×q，其中，p，q為滿足pq與(p-1)(q-1)的最大公倍數為1的大質數，λ為卡邁克爾函數，μ為預設參數。