[發(fā)明專利]基于VAE醫(yī)療保健聯(lián)邦學(xué)習(xí)框架的確定方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202111058809.6
• 申請(qǐng)日: 2021-09-09
• 公開（公告）號(hào): CN113792856B
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計(jì)）人: 楊浩淼;葛孟雨;金禹樵;張益;李佳晟;王宇;盧銳恒;湯殿華;李宇博;李發(fā)根
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08;G06N20/00;G16H50/70
• 代理公司: 成都弘毅天承知識(shí)產(chǎn)權(quán)代理有限公司 51230
• 代理人: 朱丹

1.基于VAE醫(yī)療保健聯(lián)邦學(xué)習(xí)框架的確定方法，其特征在于，具體包括以下步驟：

步驟1：醫(yī)療機(jī)構(gòu)從云服務(wù)器獲取初始化VAE模型、初始化異常檢測模型；

步驟2：各個(gè)醫(yī)療機(jī)構(gòu)基于自己的數(shù)據(jù)集，訓(xùn)練初始化VAE模型，根據(jù)數(shù)據(jù)集的選取獲取初始化VAE_fe模型和初始化VAE_gen模型；初始化VAE_fe模型訓(xùn)練的數(shù)據(jù)集包括全部數(shù)據(jù)、初始化VAE_gen模型訓(xùn)練的數(shù)據(jù)集包括樣本數(shù)據(jù)；

所述VAE_fe模型的作用是用于從原始高維數(shù)據(jù)中提取出低維的特征，并使得該特征服從正態(tài)分布；所述VAE_gen模型的作用是用于生成更多的異常類樣本；

步驟3：云服務(wù)器將從各個(gè)醫(yī)療機(jī)構(gòu)獲取初始化VAE_fe模型和初始化VAE_gen模型的梯度，分別進(jìn)行梯度聚合后；將訓(xùn)練好的第一代初始化VAE_fe模型和第一代初始化VAE_gen模型分發(fā)給所有的醫(yī)療機(jī)構(gòu)；

步驟4：以上步驟2-3需要不斷迭代，直到損失函數(shù)收斂為止，訓(xùn)練完畢得到最終模型，記作：VAE_fe模型和VAE_gen模型，各個(gè)醫(yī)療機(jī)構(gòu)基于VAE_fe模型和VAE_gen模型更新自己的本地?cái)?shù)據(jù)集，更新后的本地?cái)?shù)據(jù)集用于訓(xùn)練初始化異常檢測模型；

步驟5：訓(xùn)練完畢的初始化異常檢測模型為第一代異常檢測模型，被云服務(wù)器分配給全部節(jié)點(diǎn)，全部節(jié)點(diǎn)包括家庭網(wǎng)關(guān)以及醫(yī)療機(jī)構(gòu)；

步驟6：醫(yī)療機(jī)構(gòu)與家庭網(wǎng)關(guān)均基于自身的數(shù)據(jù)集，同時(shí)對(duì)第一代異常檢測模型進(jìn)行聯(lián)合訓(xùn)練、得到第二代異常檢測模塊并發(fā)送至云端服務(wù)器，云服務(wù)器將從全部節(jié)點(diǎn)獲取的第二代異常檢測模塊的梯度，進(jìn)行梯度聚合后，再次下發(fā)到全部節(jié)點(diǎn)；

步驟7：以上步驟5-6需要不斷迭代，直到損失函數(shù)收斂為止，最后的異常檢測模型記為M模型，M模型直接投入使用。

2.根據(jù)權(quán)利要求1所述的基于VAE醫(yī)療保健聯(lián)邦學(xué)習(xí)框架的確定方法，其特征在于，所述家庭網(wǎng)關(guān)的數(shù)據(jù)集由可穿戴設(shè)備中的傳感器獲取，所述傳感器包含角速度和加速度傳感器，每個(gè)傳感器上都包含有xyz三軸上的序列信息；處理家庭身體數(shù)據(jù)的方式是使用Gramian Angular Field技術(shù)將其轉(zhuǎn)化為二維的圖像數(shù)據(jù)。