Publicado por
Lecture Notes in Computer Science, Volume 14053, Algorithmic Aspects of Cloud Computing, Springer LNCS
Descripción
Abstract:
Artificial Intelligence-based (AI) analysis of large, curated medical datasets is promising for providing early detection, faster diagnosis, and more effective treatment using low-power Electrocardiography (ECG) monitoring devices information. However, accessing sensitive medical data from diverse sources is highly restricted since improper use, unsafe storage, or data leakage could violate a person's privacy. This work uses a Federated Learning (FL) privacy-preserving methodology to train AI models over heterogeneous sets of high-definition ECG from 12-lead sensor arrays collected from six heterogeneous sources. We evaluated the capacity of the resulting models to achieve equivalent performance compared to state-of-the-art models trained in a Centralized Learning (CL) fashion. Moreover, we assessed the performance of our solution over Independent and Identical distributed (IID) and Non-IID federated data. Our methodology involves machine learning techniques based on Deep Neural Networks and Long-Short-Term Memory models. It has a robust data preprocessing pipeline with feature engineering, selection, and data balancing techniques. Our AI models demonstrated comparable performance to models trained using CL, IID, and Non-IID approaches. They showcased advantages in reduced complexity and faster training time, making them well-suited
for cloud-edge architectures.
Resumen:
El análisis basado en Inteligencia Artificial (IA) de grandes conjuntos de datos médicos curados promete proporcionar detección temprana, diagnóstico más rápido y tratamiento más efectivo utilizando información de dispositivos de monitoreo de Electrocardiografía (ECG) de bajo consumo. Sin embargo, el acceso a datos médicos sensibles de diversas fuentes está altamente restringido, ya que el uso indebido, el almacenamiento inseguro o la fuga de datos podrían violar la privacidad de una persona. Este trabajo utiliza una metodología de Aprendizaje Federado (FL) preservadora de la privacidad para entrenar modelos de IA sobre conjuntos heterogéneos de ECG de alta definición provenientes de matrices de sensores de 12 derivaciones recopilados de seis fuentes heterogéneas. Evaluamos la capacidad de los modelos resultantes para lograr un rendimiento equivalente en comparación con modelos de vanguardia entrenados de manera centralizada (CL). Además, evaluamos el rendimiento de nuestra solución sobre datos federados Independientes e Idénticamente Distribuidos (IID) y No IID. Nuestra metodología involucra técnicas de aprendizaje automático basadas en Redes Neuronales Profundas y modelos de Memoria a Corto y Largo Plazo. Cuenta con un sólido pipeline de preprocesamiento de datos con técnicas de ingeniería de características, selección y equilibrio de datos. Nuestros modelos de IA demostraron un rendimiento comparable a los modelos entrenados mediante CL, IID y enfoques No IID. Exhibieron ventajas en términos de complejidad reducida y tiempo de entrenamiento más rápido, haciéndolos adecuados para arquitecturas de nube-edge.
Citación recomendada (normas APA)
Daniel Mauricio; Hassan Jiménez Gutiérrez, "Application of Federated Learning Techniques for Arrhythmia Classification Using 12-Lead ECG Signals", Colombia:Lecture Notes in Computer Science, Volume 14053, Algorithmic Aspects of Cloud Computing, Springer LNCS, 2023. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3711892/), el día 2025-05-09.
¡Disfruta más de la BDB!
Explora contenidos digitales de forma gratuita, crea tus propias colecciones, colabora y comparte con otros.
