論文の概要: Federated Learning with Gramian Angular Fields for Privacy-Preserving ECG Classification on Heterogeneous IoT Devices

• arxiv url: http://arxiv.org/abs/2511.03753v1
• Date: Tue, 04 Nov 2025 22:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.16724
• Title: Federated Learning with Gramian Angular Fields for Privacy-Preserving ECG Classification on Heterogeneous IoT Devices
• Title（参考訳）: 不均一IoTデバイスにおけるプライバシ保護ECG分類のためのグラミアン角度場によるフェデレーション学習
• Authors: Youssef Elmir, Yassine Himeur, Abbes Amira,
• Abstract要約: 本研究は,モノのインターネット(IoT)医療環境におけるプライバシー保護心電図(ECG)分類のための枠組みを提案する。 1次元ECG信号を2次元グラミアン角場(GAF)画像に変換することにより、提案手法はCNNによる効率的な特徴抽出を可能にする。 この研究は、異種IoTデバイス間でのフェデレーションECG分類を実験的に検証した最初のものである。
• 参考スコア（独自算出の注目度）: 5.903141794319005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study presents a federated learning (FL) framework for privacy-preserving electrocardiogram (ECG) classification in Internet of Things (IoT) healthcare environments. By transforming 1D ECG signals into 2D Gramian Angular Field (GAF) images, the proposed approach enables efficient feature extraction through Convolutional Neural Networks (CNNs) while ensuring that sensitive medical data remain local to each device. This work is among the first to experimentally validate GAF-based federated ECG classification across heterogeneous IoT devices, quantifying both performance and communication efficiency. To evaluate feasibility in realistic IoT settings, we deployed the framework across a server, a laptop, and a resource-constrained Raspberry Pi 4, reflecting edge-cloud integration in IoT ecosystems. Experimental results demonstrate that the FL-GAF model achieves a high classification accuracy of 95.18% in a multi-client setup, significantly outperforming a single-client baseline in both accuracy and training time. Despite the added computational complexity of GAF transformations, the framework maintains efficient resource utilization and communication overhead. These findings highlight the potential of lightweight, privacy-preserving AI for IoT-based healthcare monitoring, supporting scalable and secure edge deployments in smart health systems.
• Abstract（参考訳）: 本研究は,モノのインターネット(IoT)医療環境におけるプライバシー保護心電図(ECG)分類のための統合学習(FL)フレームワークを提案する。 1D ECG信号を2D Gramian Angular Field (GAF) 画像に変換することで、提案手法は畳み込みニューラルネットワーク(CNN)による効率的な特徴抽出を可能にし、感度の高い医療データが各デバイスにローカルであることを保証する。 この研究は、不均一なIoTデバイス間でGAFベースのフェデレーションECG分類を実験的に検証し、パフォーマンスと通信効率の両方を定量化した最初のものである。 現実的なIoT設定で実現可能性を評価するため、私たちは、IoTエコシステムにおけるエッジクラウドの統合を反映した、サーバ、ラップトップ、リソースに制約のあるRaspberry Pi 4にフレームワークをデプロイしました。 実験結果から,FL-GAFモデルは多サイクル設定において95.18%の高い分類精度を達成し,精度とトレーニング時間の両方において単サイクルベースラインを著しく上回ることがわかった。 GAF変換の計算量の増大にもかかわらず、このフレームワークは効率的な資源利用と通信オーバーヘッドを維持している。 これらの調査結果は、IoTベースの医療監視のための軽量でプライバシ保護のAIの可能性を強調し、スマートヘルスシステムにおけるスケーラブルでセキュアなエッジデプロイメントをサポートする。

関連論文リスト

• High-Fidelity Synthetic ECG Generation via Mel-Spectrogram Informed Diffusion Training [3.864395218585964]
  リアル患者心電図(ECG)データの共有に関するプライバシー制限により、心臓ケアのための機械学習の開発が妨げられる。 本研究は、現在の生成ECG法における2つの大きな欠点に対処する。 条件付き拡散に基づく構造化状態空間モデル (Structured State Space Model, SSSD-ECG) を2つの原則により構築する。
  論文  参考訳（メタデータ） (2025-10-07T01:14:53Z)
• Green Learning for STAR-RIS mmWave Systems with Implicit CSI [53.03358325565645]
  再構成可能なインテリジェントサーフェス (STAR-RIS) 支援ミリ波放送システム (mmWave) を同時に送信し, 反射するグリーンラーニング (GL) ベースのプリコーディングフレームワークを提案する。 本研究は,将来の6Gネットワークにおける環境持続可能性を重視し,複数のユーザが同一情報を共有し,スペクトル効率を向上し,冗長伝送と電力消費を低減させるシナリオに,トランスミッションフレームワークを採用する。
  論文  参考訳（メタデータ） (2025-09-08T15:56:06Z)
• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• Feasibility Analysis of Federated Neural Networks for Explainable Detection of Atrial Fibrillation [1.6053176639259055]
  心房細動 (AFib) の早期発見は, 無症候性, 発作性に困難である。 本研究は、生のECGデータを用いてAFibを検出するために、フェデレートラーニング(FL)プラットフォーム上でニューラルネットワークをトレーニングする可能性を評価する。
  論文  参考訳（メタデータ） (2024-10-14T15:06:10Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
  入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。 注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
  論文  参考訳（メタデータ） (2022-10-31T07:36:48Z)
• Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
  Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。 このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
  論文  参考訳（メタデータ） (2022-02-17T02:01:37Z)
• Effective classification of ecg signals using enhanced convolutional neural network in iot [0.0]
  本稿では、動的ソースルーティング(DSR)とエネルギーリンク品質(REL)に基づくIoTヘルスケアプラットフォームのためのルーティングシステムを提案する。 Deep-ECGは、重要な特徴を抽出するためにディープCNNを使用し、単純かつ高速な距離関数を用いて比較する。 その結果,提案手法は分類精度において他よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-08T13:37:23Z)
• Federated Learning for Internet of Things: A Federated Learning Framework for On-device Anomaly Data Detection [10.232121085973782]
  我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。 現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
  論文  参考訳（メタデータ） (2021-06-15T08:53:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。