将来の心拍数予測は、不整脈の検出に役立つだけでなく、下流の健康モニタリングサービスにタイムリーな支援を提供します。既存の心拍数予測手法は、プライバシー保護とデータの異質性に関する課題に直面しています。これらの課題に対応するために、本論文では、個別化フェデレーテッドラーニングとプロトタイプ対比学習を利用して、安定したクラスタリング効果とより正確な予測を実現する新しい心拍数予測フレームワーク「PCFedH」を提案します。PCFedHは2つのコアモジュールを含みます：データの異質性を捉え、心拍数表現を強化してより効果的なクラスタリングを実現するプロトタイプ対比学習に基づくフェデレーテッドクラスタリングモジュール；安定したクラスタリング結果を基に各ローカルモデルの個別化性能向上を実現する2段階のソフトクラスタリングフェデレーテッドラーニングモジュール。2つの実データセットでの実験結果は、本手法が既存の最先端技術より優れており、両データセットで平均二乗誤差を3.1%削減したことを示しています。さらに、提案手法の主要な構成要素の有効性を実証的に検証するために包括的な実験を行い、個別化コンポーネントが全体設計の中で最も重要な部分であることが確認され、全体的な性能に大きな影響を与えることが示されました。

フェデレーテッドラーニング;心拍数予測;プロトタイプ対比学習