[發明專利]基于聯邦學習的心血管疾病輔助診斷模型及訓練方法

在審

• 申請號: 202110432117.7
• 申請日: 2021-04-21
• 公開（公告）號: CN113133768A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 湯人杰;羅軍舟;金嘉暉
• 申請（專利權）人: 東南大學
• 主分類號: A61B5/35
• 分類號: A61B5/35;A61B5/346
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 薛雨妍

1.基于聯邦學習的心血管疾病輔助診斷模型的訓練方法，其特征在于，包括以下步驟：

S1、通過便攜式設備聯邦模型系統對便攜式設備的心電數據和心電特征進行訓練，生成便攜式設備的全局模型；

S2、通過多個聯邦學習客戶端采集心電數據、提取心電特征和建立多個EcgNet局部分類模型；

S3、通過聯邦學習服務端對多個EcgNet局部分類模型參數進行融合和處理，并將處理后的模型參數反饋至每個聯邦學習客戶端；

S31、通過模型參數采集模塊對多個EcgNet局部分類模型參數進行采集；

S32、通過模型參數處理模塊對模型參數進行自適應融合處理；

S321、模型參數處理模塊對初次接收的模型參數進行均值化處理，即

其中，P-聯邦學習服務端下發至聯邦學習客戶端的首輪初始模型參數；P_i-聯邦學習客戶端上傳給服務端的模型參數；n-聯邦學習客戶端的數量；

S322、聯邦學習客戶端在接收新的心電數據和提取新的心電特征對EcgNet全局分類模型進行迭代訓練時，模型參數處理模塊對聯邦學習客戶端上傳的新的模型參數進行自適應權重處理，即：

a_i＝f(l₁,l₂,l₃…l_n)；

l_i＝loss_i-loss_(i-1)；

其中，P'-經迭代訓練后聯邦學習服務端下發給客戶端的模型參數，a_i-各聯邦學習客戶端的自適應參數，f-根據各聯邦學習客戶端的收斂情況計算各聯邦學習客戶端的自適應參數的函數，l-表征收斂度，聯邦學習客戶端本輪迭代和上輪迭代的損失差，用來表示各聯邦學習客戶端的收斂情況，loss_i-EcgNet全局分類模型第i次迭代時損失函數的值；

S4、深度學習模型在后續迭代訓練中進行自適應的參數融合，并生成全局模型，然后融合便攜式設備聯邦模型的模型參數，建立EcgNet全局分類模型；

S5、通過聯邦學習服務端將EcgNet全局分類模型上傳至醫療云服務中心，公開EcgNet全局分類模型，即基于聯邦學習的心血管疾病輔助診斷模型。

2.根據權利要求1所述的基于聯邦學習的心血管疾病輔助診斷模型的訓練方法，其特征在于，所述聯邦學習客戶端包括心電數據采集模塊、心電數據預處理模塊、心電數特征提取模塊和深度學習模型結構。

3.根據權利要求1所述的基于聯邦學習的心血管疾病輔助診斷模型的訓練方法，其特征在于，所述聯邦學習服務端包括模型參數采集模塊和模型參數處理模塊。

4.根據權利要求1所述的基于聯邦學習的心血管疾病輔助診斷模型的訓練方法，其特征在于，在步驟S2中，所述聯邦學習客戶端采集心電數據、提取心電特征和訓練建立EcgNet局部分類模型的具體步驟如下：

S21、通過心電采集模塊采集心電數據；

S22、通過心電數據預處理模塊對心電數據進行預處理，包括小波去噪、低通濾波器、陷波器和數據標準化；

S23、通過心電特征提取模塊提取心電特征；

S24、通過深度學習模型結構經過心電數據和心電特征的多次訓練建立EcgNet局部分類模型。

5.根據權利要求4所述的基于聯邦學習的心血管疾病輔助診斷模型的訓練方法，其特征在于，在步驟S22中，通過所述心電數據預處理模塊對心電數據進行預處理的具體步驟如下：

S221、小波去噪工作對心電數據進行了8重的小波分解，除去了最高的3層，分解后的小波系數又進行了小波重構；

S222、低通濾波器對心電數據進行濾波處理，所述低通濾波器的截止頻率為2Hz。

6.根據權利要求4所述的基于聯邦學習的心血管疾病輔助診斷模型的訓練方法，其特征在于，所述步驟S22中陷波器為50Hz。