論文の概要: Towards Family-Grouped Hierarchical Federated Learning on Sub-5KB Models: A Feasibility Study of Privacy-Preserving ECG Monitoring for Ultra-Resource-Constrained Wearables

• arxiv url: http://arxiv.org/abs/2605.18862v1
• Date: Fri, 15 May 2026 01:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.680227
• Title: Towards Family-Grouped Hierarchical Federated Learning on Sub-5KB Models: A Feasibility Study of Privacy-Preserving ECG Monitoring for Ultra-Resource-Constrained Wearables
• Title（参考訳）: サブ5KBモデルを用いた家族グループ階層型フェデレーション学習に向けて:超光源制約ウェアラブルにおけるプライバシ保護型ECGモニタリングの可能性
• Authors: Hangyu Wu,
• Abstract要約: 心臓血管疾患は、世界中で死の主な原因であり、不整脈の早期発見は、生命を脅かす出来事を防ぐことができる。 標準フェデレートラーニング(FL)は通信オーバーヘッドを禁止し、標準ディープラーニングモデルは超低消費電力マイクロコントローラには適用できない。 家族グループ階層型階層型学習(Family-FL)は,家族内集約のための自然なプライバシー境界として,家族を利用する3層アーキテクチャである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiovascular disease remains the leading cause of death worldwide, and early detection of arrhythmias through continuous ECG monitoring on wearable devices can prevent life-threatening events. Federated Learning (FL) enables privacy-preserving collaborative training by keeping raw ECG data on device, yet standard FL incurs prohibitive communication overhead and standard deep learning models cannot fit on ultra-low-power microcontrollers. We propose Family-Grouped Hierarchical Federated Learning (Family-FL), a three-tier architecture that uses the family as a natural privacy boundary for intra-family aggregation before global synchronization. We further design a hardware-constrained Tiny CNN-LSTM architecture with only 669 parameters, INT8-quantized to occupy merely 4.65KB Flash and 2.95KB RAM, meeting the constraints of STC32G12K128-class microcontrollers. Experiments on the MIT-BIH Arrhythmia Database (mean of 5 independent runs with different seeds) demonstrate that Family-FL reduces communication volume by 76.7% compared to FedAvg while maintaining comparable accuracy. Family-FL-Tiny achieves 91.9 +/- 1.2% accuracy with macro-F1 of 0.483 +/- 0.031, reducing total communication to 0.31% of FedAvg. The model achieves reliable ventricular arrhythmia detection (per-class F1 = 0.80), the most clinically critical abnormality for home-based preliminary screening. These results demonstrate the technical feasibility of privacy-preserving federated learning on ultra-resource-constrained microcontrollers through simulation-based evaluation. We honestly discuss limitations: no hardware deployment, single-dataset validation (MIT-BIH, 47 subjects), reduced rare-class sensitivity, and absence of formal differential privacy guarantees.
• Abstract（参考訳）: 循環器疾患は、世界中で死の主な原因であり、ウェアラブルデバイス上で連続的な心電図モニタリングによって不整脈を早期に検出することは、生命を脅かす出来事を防ぐことができる。 フェデレートラーニング(FL)は、デバイスに生のECGデータを保存することで、プライバシ保護の協調トレーニングを可能にするが、標準のFLは通信オーバーヘッドを禁止し、標準のディープラーニングモデルは超低消費電力のマイクロコントローラには適合しない。 家族グループ階層型階層型学習(Family-FL)は,家族をグローバル同期前の家族内集約のための自然なプライバシー境界として利用する3層アーキテクチャである。 さらにハードウェアに制約のあるTiny CNN-LSTMアーキテクチャを669のパラメータで設計し、わずか4.65KBのFlashと2.95KBのRAMを占有するINT8量子化し、STC32G12K128クラスのマイクロコントローラの制約を満たす。 MIT-BIH Arrhythmia Databaseの実験では、FedAvgと比較してFamily-FLは通信量を76.7%削減し、精度は同等である。 Family-FL-Tiny は 91.9 +/- 1.2% の精度で、マクロF1 は 0.483 +/- 0.031 となり、FedAvg の 0.31% に減少する。 このモデルは、ホームベースの予備スクリーニングにおいて最も臨床的に重要な異常である信頼性のある心室不整脈検出(クラス毎F1 = 0.80)を実現する。 これらの結果は、シミュレーションに基づく評価により、超リソース制約マイクロコントローラ上でのプライバシ保護フェデレーション学習の技術的実現可能性を示す。 ハードウェアデプロイメントなし、シングルデータセット検証(MIT-BIH, 47の被験者)、レアクラスの感度の低下、正式な差分プライバシー保証の欠如などについて、正直に議論する。

関連論文リスト

• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• Towards Automated Diagnosis of Inherited Arrhythmias: Combined Arrhythmia Classification Using Lead-Aware Spatial Attention Networks [1.024122682404895]
  不整脈性右室心筋症(ARVC)と長期QT症候群(LQTS)は、突然の心死に伴う不整脈症候群である。 深層学習は心電図の解釈を約束するが, 臨床に根ざした解釈性を有する多系統不整脈分類は未発達である。
  論文  参考訳（メタデータ） (2026-01-12T01:27:26Z)
• Federated Few-Shot Learning for Epileptic Seizure Detection Under Privacy Constraints [1.4150452759904846]
  脳波による発作検出のための2段階連発型数ショット学習フレームワークを提案する。 ステージ1では、事前訓練された生体信号変換器(BIOT)が、フェデレートラーニングを用いて、非IID模擬病院の現場で微調整される。 ステージ2では、フェデレートされた数発のパーソナライゼーションが5つのEEGセグメントのみを用いて各患者に適応する。
  論文  参考訳（メタデータ） (2025-12-09T16:01:35Z)
• FedCVD++: Communication-Efficient Federated Learning for Cardiovascular Risk Prediction with Parametric and Non-Parametric Model Optimization [2.622090950393807]
  心臓血管疾患は毎年1700万人以上の死者を出している。 強化されたフェデレート学習フレームワークであるFedCVD++を紹介する。 FedCVD++は、冠状心疾患のリスク予測のためにパラメトリックモデル(論理回帰、SVM、ニューラルネットワーク)と非パラメトリックモデル(ランサムフォレスト、XGBoost)を統合する。
  論文  参考訳（メタデータ） (2025-07-30T06:17:33Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Enhancing Glucose Level Prediction of ICU Patients through Hierarchical Modeling of Irregular Time-Series [4.101915841246237]
  本研究は, ICU患者における血糖値の予測を目的としたMulti-source Irregular Time-Series Transformer (MITST) を提案する。 MITSTは様々な臨床データ(検査結果、薬品、バイタルサインを含む)を事前に定義された集計なしで統合する。 MITSTは、AUROCで1.7ポイント(pp)、AUPRCで1.8ppという統計学的に有意な(p 0.001 )改善を達成している。
  論文  参考訳（メタデータ） (2024-11-03T03:03:11Z)
• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)

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。