分散的数据隐私保护深度学习方法,以增强自动睡眠阶段化数据库间的泛化

科学领域:

• 人工智能的人工智能
• 医疗信息学 医疗信息学
• 睡眠医学 睡眠医学

背景情况:

• 自动睡眠分期至关重要,但在临床采用方面面临挑战,原因是不同数据集的概括性差.
• 数据隐私限制进一步复杂化了可靠的自动睡眠评分系统的开发和部署.
• 现有的方法难以在来自不同临床环境的数据中保持一致的性能.

研究的目的:

• 提出和评估去中心化的深度学习方法,以实现强大的,保护隐私的自动睡眠分期.
• 评估组合模型和跨异质睡眠数据库的联合学习的概括能力.
• 将分散的方法与传统的单个数据库和集中式多个数据库模型进行比较.

主要方法:

• 探索四种整体策略:最大投票,输出平均化,大小比例加权和Nelder-Mead.
• 介绍了一种新的联合学习算法:亚样本联合静态梯度下降 (ssFedSGD).
• 在六个独立的睡眠阶段数据库中使用离开一个数据库的交叉验证进行评估.

主要成果:

• 与基线本地模型相比,分散式学习方法表现出更高的性能.
• 提出的方法实现了与集中式多数据库模型可比的概括结果.
• 集体和联合学习有效地解决了数据库间的性能变化.

结论:

• 分散的深度学习为改善自动睡眠阶段化概括和数据隐私提供了一个有希望的解决方案.
• 这些方法在可扩展性,设计灵活性和隐私保护方面比传统方法提供了优势.
• 这些发现支持采用去中心化技术,实现更强大,更广泛应用的自动睡眠评分系统.