一种与蒙太奇技术无关的联邦学习方法，用于在多源异构脑电图数据中实现保护隐私的阿尔茨海默病分类

《Scientific Reports》：Montage-agnostic federated learning for privacy-preserving Alzheimer’s disease classification from heterogeneous multi-site EEG

　　

摘要

联邦学习技术使得各机构能够在不传输原始数据的情况下共同训练模型，这一技术对于那些样本量较小且数据隐私性要求较高的临床脑电图研究来说极具吸引力。但目前仍存在两个难题：首先，不同临床机构使用的电极配置各异，导致输入特征空间不同，传统的聚合方法无法适用；其次，单次记录会产生数千个训练周期，若按周期而非受试者进行划分，会泄露受试者身份并提高模型精度。我们提出了MontageFL算法，这是一种与电极配置无关的解决方案，它通过基于区域的频谱特征和协方差特征聚合，将任何电极配置映射为固定的88维特征向量，从而实现19通道和11通道设备之间的模型共享训练。在严格遵循受试者级别评估、无数据泄露的前提下，我们对阿尔茨海默病与健康对照组分类任务（使用Miltiadous等人提供的数据集，共65名受试者）采用了集中式训练、本地训练、FedAvg以及FedProx四种训练方法进行对比测试，结果显示19通道设备的受试者级别准确率约为74%，11通道设备则为89%，联邦学习模型与本地模型之间没有显著差异（FedProx与本地模型的差异为\(-1.8\)个百分点，95%置信区间为