La predicción futura de la frecuencia cardíaca no solo ayuda a detectar anomalías del ritmo cardíaco, sino que también puede proporcionar soporte oportuno a los servicios posteriores de monitoreo de salud. Los métodos actuales de predicción de la frecuencia cardíaca enfrentan desafíos en términos de protección de la privacidad y heterogeneidad de los datos. Para abordar estos desafíos, este artículo propone un novedoso marco de predicción de la frecuencia cardíaca: PCFedH, que utiliza aprendizaje federado personalizado y aprendizaje contrastivo prototípico para lograr efectos de agrupamiento estables y predicciones más precisas. PCFedH contiene dos módulos centrales: un módulo de agrupamiento federado basado en aprendizaje contrastivo prototípico, que caracteriza la heterogeneidad de los datos y mejora la representación de la frecuencia cardíaca para obtener agrupamientos más efectivos; y un módulo de aprendizaje federado de agrupamiento suave en dos etapas, que se basa en resultados de agrupamiento estables para mejorar el rendimiento personalizado de cada modelo local. Los resultados experimentales en dos conjuntos de datos reales muestran que este método supera las tecnologías más avanzadas existentes, reduciendo el error cuadrático medio en promedio un 3,1 % en ambos conjuntos. Además, se realizaron experimentos exhaustivos para validar empíricamente la eficacia de los componentes clave del método propuesto, donde el componente personalizado resultó ser la parte más crítica del diseño completo, lo que indica su gran impacto en el rendimiento general.

aprendizaje federado; predicción de la frecuencia cardíaca; aprendizaje contrastivo prototípico