PFedAL-ECG：一种基于个性化联邦主动学习的轻量级心律失常诊断系统

《Information Fusion》：PFedAL-ECG: A Lightweight Arrhythmia Diagnostic System Leveraging Personalized Federated Active Learning

个性化联邦主动学习结合轻量级ECG模型提升边缘设备诊断效率与隐私保护

　　在现代医学技术的快速发展中，心电图（ECG）作为一种非侵入性的诊断工具，已经成为检测心律失常的重要手段。随着人工智能和深度学习技术的不断进步，这些技术在ECG分类和分析中的应用日益广泛。然而，尽管深度学习在提高诊断准确性方面表现出色，但其在实际应用中仍面临诸多挑战，例如数据隐私保护、个体差异带来的模型泛化能力受限以及人工标注成本高昂等问题。为了解决这些挑战，本文提出了一种基于个性化联邦主动学习的ECG心律失常检测算法，命名为PFedAL-ECG。

本文的主要目标是构建一个轻量级、高效且具备良好泛化能力的心律失常诊断系统，使其能够在资源受限的边缘设备上运行，同时保护用户的数据隐私。PFedAL-ECG的提出不仅考虑了模型的轻量化特性，还引入了联邦学习的分布式训练机制，以应对不同用户间数据分布的异质性问题。此外，该方法还结合了主动学习策略，以降低人工标注的成本，提高模型训练的效率。

在当前的医疗环境中，心律失常作为一种常见的心血管疾病，对患者的生命健康造成严重威胁。传统的ECG诊断方法依赖于医生的主观判断，存在效率低下、误诊率高以及诊断过程复杂等问题。因此，开发一种能够自动识别心律失常的智能系统具有重要的现实意义。深度学习技术在这一领域展现出巨大的潜力，因为它可以从大量ECG数据中自动学习复杂的特征和模式，从而实现对心律失常的精准识别。

然而，现有的深度学习模型在实际应用中仍存在一些不足。首先，大多数模型在设计时并未充分考虑心电图信号的时空特性，导致特征提取不够全面。其次，传统的集中式训练方式需要将不同患者的ECG数据集中到一个服务器上进行训练，这不仅增加了数据传输的负担，还可能导致隐私泄露的风险。此外，由于ECG数据的采集和标注需要大量的专业人员参与，这在一定程度上限制了模型的广泛应用和推广。

为了解决上述问题，本文提出了一种基于个性化联邦主动学习的ECG心律失常检测方法。该方法首先构建了一个轻量级的神经网络模型，用于提取ECG信号中的时空特征，并在资源受限的边缘设备上运行。其次，在联邦学习过程中，我们定义了基础层和个性化层，以构建适合每个用户的个性化模型。第三，我们改进了Softmax分类函数，并添加了限制性超参数，以缓解标签分布偏移带来的负面影响。此外，我们还引入了主动学习策略，用于优化本地模型的训练过程，从而降低人工标注的成本。

PFedAL-ECG的创新点在于其对联邦学习机制的改进以及对个性化模型的构建。通过将模型的训练过程分散到各个客户端，不仅减少了对中央服务器的依赖，还提高了系统的可扩展性和隐私保护能力。在联邦学习过程中，每个客户端只需处理本地数据的训练任务，而无需传输原始数据到中央服务器，这大大降低了数据传输的开销。同时，通过定义基础层和个性化层，PFedAL-ECG能够在不同用户的ECG数据之间进行知识共享，同时保留个性化的特征，从而提高模型的泛化能力和适应性。

此外，PFedAL-ECG还通过改进的Softmax分类函数来增强模型的性能。传统的Softmax分类函数在处理标签分布偏移时可能会导致模型在训练过程中偏向某些类别，而忽略其他类别。因此，本文对Softmax函数进行了优化，使其能够更有效地适应本地数据的分布特征，从而提高模型的分类准确性。同时，通过引入限制性超参数，进一步优化了模型的训练过程，使其能够在不同数据分布下保持良好的性能。

在实际应用中，PFedAL-ECG还结合了主动学习策略，以减少人工标注的成本。主动学习是一种能够自动选择最有价值的未标注样本进行标注的方法，它可以根据模型的预测结果，优先选择那些预测不确定性较高的样本进行标注，从而提高标注的效率和质量。通过将主动学习策略融入联邦学习框架，PFedAL-ECG能够在不增加人工标注成本的情况下，实现对ECG数据的高效训练和识别。

为了验证PFedAL-ECG的性能，本文使用了三个公开的ECG数据库进行实验，包括MIT-BIH心律失常数据库（MITDB）、圣彼得堡心电图技术研究所12导联心律失常数据库（INCARTDB）以及MIT-BIH室上性心律失常数据库（SVDB）。实验结果表明，PFedAL-ECG在这些数据库上的表现优于现有的其他先进方法，并且在跨数据库实验中也展现出良好的泛化能力。此外，与传统的集中式训练方法相比，PFedAL-ECG在评估指标、通信成本、数据隐私保护以及人工标注成本等方面均具有明显优势。

PFedAL-ECG的核心思想是构建一个轻量级、高效且具备个性化能力的ECG心律失常检测系统。该系统不仅能够在资源受限的边缘设备上运行，还能够通过联邦学习机制实现不同用户之间的知识共享，同时保护用户的数据隐私。此外，通过改进的Softmax分类函数和主动学习策略，PFedAL-ECG能够有效缓解标签分布偏移带来的负面影响，并降低人工标注的成本。

在实验部分，我们对PFedAL-ECG进行了全面的测试和评估。实验结果表明，该方法在不同数据库上的表现稳定且优异。特别是在跨数据库实验中，PFedAL-ECG展现出良好的泛化能力，能够适应不同用户的ECG数据特征。此外，与传统的集中式训练方法相比，PFedAL-ECG在通信成本和数据隐私保护方面具有显著优势，这使得其在实际应用中更具可行性。

PFedAL-ECG的实现基于一个分布式联邦学习框架，该框架能够支持多个客户端同时进行模型训练，并通过联邦聚合机制将各个客户端的模型参数进行整合，从而生成一个更准确和泛化的全局模型。同时，每个客户端能够根据自身的数据特征进行个性化模型的生成，以提高模型的适应性和准确性。通过这种方式，PFedAL-ECG不仅能够实现对ECG数据的高效处理，还能够适应不同用户的需求，提高系统的整体性能。

在实际应用中，PFedAL-ECG的轻量化设计使其能够在资源受限的边缘设备上运行，而不会对设备的性能造成过大的负担。同时，该方法通过联邦学习机制实现了对用户数据的隐私保护，使得用户的数据不会被集中存储或传输到中央服务器，从而降低了隐私泄露的风险。此外，通过主动学习策略的引入，PFedAL-ECG能够有效降低人工标注的成本，提高模型训练的效率。

总的来说，PFedAL-ECG是一种结合了联邦学习、个性化模型和主动学习策略的ECG心律失常检测方法。该方法不仅解决了传统深度学习模型在数据隐私、个体差异和人工标注成本等方面的问题，还提高了模型的泛化能力和适应性。通过在实际应用中验证该方法的性能，本文展示了其在医疗健康领域的广泛应用前景。未来，我们计划进一步优化该方法，以提高其在更多复杂场景下的适用性，并探索其在其他医学领域的潜在应用价值。