لا يقتصر التنبؤ بمعدل ضربات القلب المستقبلي على المساعدة في اكتشاف اضطرابات نظم القلب فحسب، بل يوفر أيضًا دعمًا فوريًا لخدمات مراقبة الصحة اللاحقة. تواجه طرق التنبؤ الحالية لمعدل ضربات القلب تحديات في حماية الخصوصية وتغاير البيانات. لمواجهة هذه التحديات، يقترح هذا البحث إطارًا جديدًا لتوقع معدل ضربات القلب - PCFedH، والذي يستخدم التعلم الفيدرالي المخصص والتعلم التبايني الأصلي لتحقيق تأثيرات تجمع مستقرة وتنبؤ أكثر دقة. يتضمن PCFedH وحدتين رئيسيتين: وحدة تجمع فيدرالية تعتمد على التعلم التبايني الأصلي، من خلال تمثيل تغاير البيانات وتعزيز تمثيل معدل ضربات القلب للحصول على تجمع أكثر فاعلية؛ ووحدة تعلم فيدرالية متجمعة ناعمة على مرحلتين، تعتمد على نتائج تجميع مستقرة لتحقيق تحسين الأداء المخصص لكل نموذج محلي. تُظهر نتائج التجارب على مجموعتين من البيانات الحقيقية أن هذه الطريقة تتفوق على أحدث التقنيات الموجودة، حيث انخفض متوسط الخطأ التربيعي في كلتا المجموعتين بنسبة 3.1%. بالإضافة إلى ذلك، أجريت تجارب شاملة لإثبات فعالية المكونات الرئيسية للطريقة المقترحة، حيث تبين أن المكون المخصص هو الأكثر أهمية في التصميم الكامل، مما يشير إلى تأثيره الكبير على الأداء العام.

التعلم الفيدرالي;توقع معدل ضربات القلب;التعلم التبايني الأصلي