HAFN：一种用于隐私保护下压力检测的联邦学习框架

《Scientific Reports》：HAFN: a federated learning framework for privacy-preserving stress detection

　　

摘要

使用手腕佩戴式生理传感器进行压力检测，为无干扰和连续健康监测提供了一条具有前景的途径。由于生理数据固有的敏感性，传统的集中式训练范式存在局限性。联邦学习框架通过确保原始数据保留在本地设备上，为这个问题提供了一个可行的解决方案。本研究提出了一种联邦学习框架，即将分层注意力融合网络（HAFN）与 FedNova 聚合策略相结合，用于隐私保护的多模态压力分类。所提出的框架使用 WESAD 基准数据集进行验证。该框架利用生理传感器通道，包括血液容量脉搏（BVP）、皮肤电活动（EDA）、三轴加速度计（ACC）和皮肤温度（TEMP）。所提出的模型采用了特定模态的双向 LSTM 编码器，并辅以学习到的位置编码和时间自注意力，以及一个运动伪影门控，用于在跨模态融合之前抑制 BVP 和 EDA 中由运动引起的干扰。此外，辅助分支提取频域心率变异性（HRV）统计量和分布通道特征，以补充时间表示。在多个聚合策略下对 15 个客户端进行评估，所提出的 HAFN-FedNova 框架取得了最佳的整体性能，始终优于基准架构，同时保持最小的性能方差（0.74 个百分点）。结果显示，HAFN 达到了 92.22% 的准确率和 0.8938 的宏 F1 分数，证明了所提出框架的鲁棒性和有效性。