미래 심박수 예측은 부정맥 감지에 도움을 줄 뿐만 아니라 다운스트림 건강 모니터링 서비스에 시기적절한 지원을 제공합니다. 기존 심박수 예측 방법은 개인정보 보호와 데이터 이질성 측면에서 도전에 직면해 있습니다. 이러한 도전을 해결하기 위해 본 논문에서는 개인화된 연합 학습과 프로토타입 대비 학습을 활용하여 안정적인 클러스터링 효과와 보다 정확한 예측을 구현하는 새로운 심박수 예측 프레임워크인 PCFedH를 제안합니다. PCFedH는 두 가지 핵심 모듈을 포함합니다: 데이터 이질성을 묘사하고 심박수 표현을 강화하여 보다 효과적인 클러스터링을 얻는 프로토타입 대비 학습 기반 연합 클러스터링 모듈; 안정적인 클러스터링 결과를 기반으로 각 로컬 모델의 개인화 성능 향상을 실현하는 2단계 소프트 클러스터링 연합 학습 모듈. 두 개의 실제 데이터 세트에 대한 실험 결과는 본 방법이 기존 최첨단 기술보다 우수하며, 두 데이터 세트 모두에서 평균 제곱 오차가 3.1% 감소했음을 보여줍니다. 또한 제안된 방법의 주요 구성 요소들의 효과를 실증적으로 검증하기 위한 포괄적인 실험이 수행되었으며, 개인화 구성 요소가 전체 설계에서 가장 중요한 부분임이 확인되어 전반적인 성능에 큰 영향을 미침을 나타냅니다.

연합 학습; 심박수 예측; 프로토타입 대비 학습