Краткое содержание

arXiv:2511.03753v2 Тип анонса: замена-перекрёстная публикация Аннотация: В данной работе представлен фреймворк федерализованного обучения (FL), предназначенный для конфиденциальной классификации электрокардиограмм (ЭКГ) в условиях здравоохранения Интернета вещей (IoT). Путём преобразования одномерных сигналов ЭКГ в двумерные изображения поля Грамма углового типа (GAF) предложенный подход обеспечивает эффективное извлечение признаков через свёрточные нейронные сети (CNN), гарантируя при этом, что чувствительные медицинские данные остаются локальными для каждого устройства. Данная работа является одной из первых экспериментальных проверок эффективности классификации ЭКГ на основе GAF в гетерогенных средах IoT, оценивая как производительность, так и эффективность коммуникации. Для оценки применимости в реальных условиях IoT мы развернули фреймворк на сервере, ноутбуке и маломощном Raspberry Pi 4, отражая интеграцию периферийных устройств и облака в экосистемах IoT. Экспериментальные результаты показывают, что модель FL-GAF достигает высокой точности классификации — 95,18 % в многопоточном сценарии, при этом...