A previsão futura da frequência cardíaca não só ajuda a detectar anomalias do ritmo cardíaco, mas também pode fornecer suporte oportuno para serviços subsequentes de monitoramento de saúde. Os métodos atuais de previsão da frequência cardíaca enfrentam desafios em relação à proteção da privacidade e à heterogeneidade dos dados. Para enfrentar esses desafios, este artigo propõe uma nova estrutura de previsão da frequência cardíaca – PCFedH, que utiliza aprendizado federado personalizado e aprendizado contrastivo prototípico para alcançar efeitos de clusterização estáveis e previsões mais precisas. O PCFedH contém dois módulos principais: um módulo de clusterização federada baseado em aprendizado contrastivo prototípico, que caracteriza a heterogeneidade dos dados e reforça a representação da frequência cardíaca para obter agrupamentos mais eficazes; um módulo de aprendizado federado de clusterização suave em duas etapas, que se baseia em resultados estáveis de clusterização para melhorar o desempenho personalizado de cada modelo local. Os resultados dos experimentos em dois conjuntos de dados reais mostram que este método supera as tecnologias avançadas existentes, reduzindo o erro quadrático médio em média 3,1% em ambos os conjuntos. Além disso, foram realizados experimentos abrangentes para verificar empiricamente a eficácia dos componentes-chave do método proposto, sendo que o componente personalizado foi confirmado como a parte mais crítica do design completo, indicando seu impacto significativo no desempenho geral.

aprendizado federado; previsão da frequência cardíaca; aprendizado contrastivo prototípico