(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111479341.8 (22)申请日 2021.12.0 6 (71)申请人 北京交通大 学 地址 100044 北京市海淀区上园村 3号北京 交通大学电信学院 (72)发明人 郭宇春　孙欢　陈一帅　林道勤　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 代理人 韩迎之 (51)Int.Cl. G06F 21/62(2013.01) G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 20/00(2019.01) (54)发明名称 跨设备ECG联邦隐私分类框架方法、 系统及 存储介质 (57)摘要 本发明公开了一种跨设备ECG联邦隐私分类 框架方法、 系统及存储介质， 涉及联邦学习技术 领域。 具体步骤包括如下： 服务端向客户端发送 初始模型参数； 客户端利用训练数据集对初始模 型进行训练， 得到基本类型识别模型参数， 并以 差分的方式发送到所述服务端； 所述服务端接收 所述基本类型识别模型参数进行聚类， 得到聚类 结果； 将所述聚类结果进行加权平均， 得到最终 服务端模型的更新参数， 完成所述初始模型的训 练； 通过训练完成的初始模型对ECG数据进行识 别， 在各个客户端上输出各自的ECG数据类型识 别结果。 本发明能够在ECG健康监控过程中保护 用户数据隐私的同时提高数据识别精度。 权利要求书2页 说明书5页 附图2页 CN 113987588 A 2022.01.28 CN 113987588 A 1.一种跨设备ECG联邦隐私分类框架方法， 其特征在于， 应用于服务端， 具体步骤包括 如下： 服务端向客户端发送初始模型参数； 所述服务端接收所述 客户端发送的差分参数； 所述服务端对所述差分参数进行聚类， 得到聚类结果； 将所述聚类结果进行加权平均， 得到最终服 务端模型的更新 参数， 完成所述初始模型的训练； 所述服务端通过训练完成的初始模型对ECG数据进行识别， 在各个客户端上输出各自 的ECG数据类型识别结果。 2.一种跨设备ECG联邦隐私分类框架方法， 其特征在于， 应用于客户端， 具体步骤包括 如下： S1、 客户端接收服 务端发送的初始模型参数； S2、 所述客户端利用训练数据集结合所述初始模型参数对初始模型进行训练， 得到基 本类型识别模型参数， 并基于所述基本类型识别模型参数得到差分参数发送到所述服务 端。 3.根据权利要求2所述的一种跨设备ECG联邦隐私分类框架方法， 其特征在于， 所述训 练数据集 为层次化共享数据与客户端私人E CG数据的总和。 4.根据权利要求2所述的一种跨设备ECG联邦隐私分类框架方法， 其特征在于， 步骤S2 的具体过程 为： 所述客户端接收所述 服务端发送的初始模型参数； 基于所述训练数据集训练初始模型获得局部参数； 根据所述局部参数和所述初始模型参数计算差分参数并将所述差分参数发送至所述 客户端， 所述差分参数的计算公式如下： 其中， dif fi为差分参数， 为局部参数， wt为初始模型参数。 5.根据权利要求1所述的一种跨设备ECG联邦隐私分类框架方法， 其特征在于， 所述初 始模型的训练具体过程 为： 所述客户端接收所述差分参数， 采用Kmeans进行聚类， 计算公式为： 其中i为客户端的索引号， F1为Kmeans聚类函数， Ck为第k 个聚类； 更新聚类结果， 得到更新参数， 计算公式为： 其中， L(Ck)表示属于类 型k的客户端数目， K表示所有客户端总的类型 数目。 6.根据权利要求1所述的一种跨设备ECG联邦隐私分类框架方法， 其特征在于， 初始模 型为CNN深度学习模型。 7.一种跨设备ECG联邦隐私分类框架系统， 其特征在于， 包括数据获取模块、 模型训练 模块、 差分参数计算模块、 模型 更新模块； 其中， 所述数据获取模块， 用于获取初始模型参数； 所述模型训练模块， 用于根据 所述初始模型参数和训练数据集训练初始模型获得局部权　利　要　求　书 1/2 页 2 CN 113987588 A 2参数； 所述差分参数计算模块， 用于根据所述局部参数和所述初始模型参数计算差分参数； 所述模型 更新模块， 用于对所述差分参数进行聚类， 更新模型参数。 8.一种计算机存储介质， 其特征在于， 所述计算机存储介质上存储有计算机程序， 所述 计算机程序被处理器执行时实现如权利要求1 ‑6中任意一项所述的一种跨设备ECG联邦隐 私分类框架方法的步骤。权　利　要　求　书 2/2 页 3 CN 113987588 A 3