Прогнозирование будущей частоты сердечных сокращений не только помогает обнаруживать нарушения ритма, но и обеспечивает своевременную поддержку для последующих сервисов мониторинга здоровья. Существующие методы прогнозирования ЧСС сталкиваются с проблемами защиты конфиденциальности и гетерогенности данных. Для решения этих проблем в данной работе предложена новая рамочная модель прогнозирования ЧСС — PCFedH, которая использует персонализированное федеративное обучение и прототипное контрастное обучение для достижения стабильной кластеризации и более точного прогнозирования. PCFedH включает два основных модуля: федеративный кластерный модуль на основе прототипного контрастного обучения, который моделирует гетерогенность данных и усиливает представление ЧСС для более эффективной кластеризации; и двухэтапный модуль мягкой федеративной кластеризации, который опирается на стабильные результаты кластеризации для персонализированного улучшения производительности локальных моделей. Результаты экспериментов на двух реальных наборах данных показывают, что данный метод превосходит современные передовые технологии, снижая среднеквадратичную ошибку в среднем на 3,1% на обоих наборах. Кроме того, проведены комплексные эксперименты для эмпирической проверки эффективности ключевых компонентов предлагаемого метода, при этом персонализированный компонент признан самым важным элементом всей конструкции, что указывает на его значительное влияние на общую производительность.

федеративное обучение; прогнозирование частоты сердечных сокращений; прототипное контрастное обучение