PSA-FL-CDM: A Novel Federated Learning-Based Consensus Model for Post-Stroke Assessment
Notice bibliographique
Résumé
The rapid development of Internet of Things (IoT) technologies and the potential benefits of employing the vast datasets generated by IoT devices, including wearable sensors and camera systems, has ushered in a new era of opportunities for enhancing smart rehabilitation in various healthcare systems. Maintaining patient privacy is paramount in healthcare while providing smart insights and recommendations. This study proposed the adoption of federated learning to develop a scalable AI model for post-stroke assessment while protecting patients’ privacy. This research compares the centralized (PSA-MNMF) model performance with the proposed scalable federated PSA-FL-CDM model for sensor- and camera-based datasets. The computational time indicates that the federated PSA-FL-CDM model significantly reduces the execution time and attains comparable performance while preserving the patient’s privacy. Impact Statement—This research introduces groundbreaking contributions to stroke assessment by successfully implementing federated learning for the first time in this domain and applying consensus models in each node. It enables collaborative model training among multiple nodes or clients while ensuring the privacy of raw data. The study explores eight different clustering methods independently on each node, revolutionizing data organization based on similarities in stroke assessment. Additionally, the research applies the centralized PSA-MNMF consensus clustering technique to each client, resulting in more accurate and robust clustering solutions. By utilizing the FedAvg federated learning algorithm strategy, locally trained models are combined to create a global model that captures the collective knowledge of all participants. Comparative performance measurements and computational time analyses are conducted, facilitating a fair evaluation between centralized and federated learning models in stroke assessment. Moreover, the research extends beyond a single type of database by conducting experiments on two distinct datasets, wearable and camera-based, broadening the understanding of the proposed methods across different data modalities. These contributions develop stroke assessment methodologies, enabling efficient collaboration and accurate consensus clustering models and maintaining data privacy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».