La prédiction de la fréquence cardiaque future aide non seulement à détecter les anomalies du rythme cardiaque, mais elle fournit également un support en temps réel pour les services de surveillance de la santé en aval. Les méthodes actuelles de prédiction de la fréquence cardiaque sont confrontées à des défis liés à la protection de la vie privée et à l'hétérogénéité des données. Pour relever ces défis, cet article propose un nouveau cadre de prédiction de la fréquence cardiaque - PCFedH, qui exploite l'apprentissage fédéré personnalisé et l'apprentissage contrastif prototypique pour réaliser un effet de clustering stable et une prédiction plus précise. PCFedH comprend deux modules principaux : un module de clustering fédéré basé sur l'apprentissage contrastif prototypique, qui modélise l'hétérogénéité des données et renforce la représentation de la fréquence cardiaque pour obtenir un clustering plus efficace ; un module d'apprentissage fédéré de clustering souple en deux étapes, qui utilise les résultats de clustering stables pour améliorer la performance personnalisée de chaque modèle local. Les résultats expérimentaux sur deux jeux de données réels montrent que cette méthode dépasse les technologies de pointe existantes, réduisant en moyenne l'erreur quadratique moyenne de 3,1 % sur les deux ensembles. De plus, des expériences complètes ont été menées pour valider empiriquement l'efficacité des composants clés de la méthode proposée, le composant personnalisé étant reconnu comme la partie la plus cruciale de l'ensemble de la conception, indiquant son impact majeur sur la performance globale.

apprentissage fédéré; prédiction de la fréquence cardiaque; apprentissage contrastif prototypique