《Frontiers in Artificial Intelligence》：Adaptive feature fusion based semi-supervised federated learning system for ECG arrhythmia detection
编辑推荐：
利用心电图(Electrocardiogram, ECG)信号进行自动心律失常检测对于心血管疾病的早期诊断至关重要。现有的大多数心律失常检测系统依赖于全监督学习方法。此外，由于ECG患者数据集中存储，在医疗保健环境中会引发隐私与安全方面的担忧。为解决这些问题，
利用心电图(Electrocardiogram, ECG)信号进行自动心律失常检测对于心血管疾病的早期诊断至关重要。现有的大多数心律失常检测系统依赖于全监督学习方法。此外，由于ECG患者数据集中存储，在医疗保健环境中会引发隐私与安全方面的担忧。为解决这些问题，本研究探索了一种利用ECG信号检测心律失常的半监督联邦学习框架。研究使用MIT-BIH心律失常数据集，从中提取心搏片段并获得相关特征。该框架结合了多级特征提取、自适应特征融合和伪标签技术，以有效利用有标签与无标签数据。为了提高模型性能，研究采用加权联邦聚合方法，在全局模型更新过程中考虑各客户端的贡献。研究人员在所提出的框架内实现并评估了多种机器学习和深度学习模型，包括随机森林(Random Forest)、支持向量机(Support Vector Machine)、K近邻(K-Nearest Neighbor)、AdaBoost、梯度提升(Gradient Boosting)和多层感知机(Multi-Layer Perceptron, MLP)。该方法在半监督联邦设置下达到96.81%的准确率，AUC值为0.9957，显示出较高的分类可靠性。该系统有助于在有限数量的有标签数据条件下改进模型学习，同时确保隐私保护的分布式训练。与集中式训练相比，模型在联邦设置下保持了具有竞争力的性能。在评估的模型中，基于集成与神经网络的方法表现出更优的性能。该框架在联邦训练轮次中表现出稳定的性能。总体而言，所获得的结果表明，所提出的框架在模拟联邦设置下对心律失常检测具有有效性。
本研究聚焦于基于心电图(Electrocardiogram, ECG)信号的心律失常自动检测问题。心律失常是导致全球心血管疾病死亡的主要原因之一，传统的人工ECG判读耗时费力，在大规模筛查场景中易出现人为误差。现有基于ECG的心律失常检测系统大多依赖全监督学习，需要大量经专家精确标注的数据，标注成本高昂；同时，传统集中式机器学习框架要求将分散在多机构、多设备上的患者数据汇聚到单一中心，由此引发数据隐私、安全与监管合规方面的严重担忧。半监督学习(semi-supervised learning)与联邦学习(federated learning)分别能够降低对有标签数据的依赖并支持分散式模型训练，但以往研究多将两者独立使用，缺乏与先进特征表示策略的集成。为此，研究人员提出一种将多级特征提取、自适应特征融合(adaptive feature fusion)、伪标签(pseudo-labeling)与加权联邦聚合相结合的半监督联邦学习框架，以在分类性能、数据利用效率与隐私保护分布式训练之间寻求平衡。研究采用MIT-BIH心律失常数据集进行验证，实验结果证明了该框架在模拟联邦环境下的有效性，相关成果发表在《Frontiers in Artificial Intelligence》。
研究使用的主要关键技术与方法包括：以MIT-BIH心律失常数据库（48条记录，采样频率360 Hz）为样本队列来源，围绕R峰提取固定200样本窗口的心搏片段；采用合成少数类过采样技术(SMOTE)平衡类别分布；提取原始信号特征（200维）、统计特征（7维）及基于离散小波变换的小波特征（8维），构成215维特征集；按标准化后的组间
