Die Vorhersage der zukünftigen Herzfrequenz hilft nicht nur bei der Erkennung von Herzrhythmusstörungen, sondern bietet auch zeitnahe Unterstützung für nachgelagerte Gesundheitsüberwachungsdienste. Bestehende Methoden zur Herzfrequenzvorhersage stehen vor Herausforderungen beim Datenschutz und bei der Datenheterogenität. Zur Bewältigung dieser Herausforderungen schlägt dieser Artikel einen neuartigen Herzfrequenz-Vorhersagerahmen – PCFedH – vor, der personalisiertes föderiertes Lernen und prototypenbasiertes kontrastives Lernen verwendet, um stabile Cluster-Ergebnisse und genauere Vorhersagen zu erzielen. PCFedH umfasst zwei Kernmodule: ein föderiertes Cluster-Modul basierend auf prototypenbasiertem kontrastivem Lernen, das die Datenheterogenität beschreibt und die Herzfrequenzrepräsentation zur effektiveren Clusterbildung verbessert; ein zweistufiges weiches Cluster-Föderiertes Lernmodul, das auf stabilen Clustering-Ergebnissen basiert, um die personalisierte Leistungsverbesserung der lokalen Modelle zu erreichen. Die experimentellen Ergebnisse an zwei realen Datensätzen zeigen, dass diese Methode bestehende Spitzentechnologien übertrifft, indem sie den mittleren quadratischen Fehler in beiden Datensätzen um durchschnittlich 3,1 % senkt. Darüber hinaus wurden umfassende Experimente durchgeführt, um die Wirksamkeit der Schlüsselkomponenten der vorgeschlagenen Methode empirisch zu validieren, wobei die personalisierte Komponente als der wichtigste Teil des gesamten Designs bestätigt wurde, was auf ihre bedeutende Auswirkung auf die Gesamtleistung hinweist.

föderiertes Lernen; Herzfrequenzvorhersage; prototypenbasiertes kontrastives Lernen