چکیده مقاله
طبقه بندی فعالیت های انسانی مجهز به حسگرهای پوشیدنی نقشی کلیدی در توسعه سامانه های پایش هوشمند سلامت ایفا می کند، اما همواره با چالش هایی چون حفظ حریم خصوصی داده ها، عدم تعادل کلاس ها و ناهمگونی ساختاری میان الگوهای حرکتی جوانان و سالمندان روبرو است این پژوهش برای حل چالش های مذکور، یک چارچوب یادگیری فدرال دوگانه و کارآمد به نام FLHAR ارائه می دهد که بدون اشتراک گذاری داده های محلی، ناهمگونی های جمعیتی را مدیریت می کند در این روش، یک خط لوله پردازش موازی طراحی شده است؛ شاخه نخست با پنجره بندی لغزان سیگنال های شتاب سنج، ۱۶۱ ویژگی آماری و فرکانسی را استخراج می کند و شاخه دوم با تولید تصاویر اسپکتروگرام با تبدیل فوریه کوتاه مدت ، اعمال مدل پیش آموزش دیده DenseNet۱۲۱ و انتخاب ویژگی ها از طریق الگوریتم LightGBM فدرال، فضای ویژگی را بهینه سازی می نماید در بخش پردازش عمیق محلی، ویژگی های آماری به یک شبکه متکی بر حافظه کوتاه مدت بلند مدت و داده های طیفی به یک واحد بازگشتی دروازه دار دو لایه وارد می شوند و پس از ترکیب، به فضای کلاس ها نگاشت می گردند جهت مقابله با انحراف کلاینت ها در ۴۰ کلاینت ناهمگن حاصل از ترکیب مجموعه دادگان HARTH و HAR۷۰ ، از راهبرد تجمیع FedProx استفاده شده و چالش عدم تعادل کلاس ها با تابع زیان Focal کنترل می شود ارزیابی مدل به روش اعتبارسنجی متقاطع پنج فولد کلاینت محور با حفظ پیوستگی زمانی نشان داد که این معماری به دقت متوازن ۹۴ ۹۱ درصد در HARTH و ۹۵ ۴۹ درصد در HAR۷۰ دست می یابد در ترکیب دادگان نیز مدل بدون فراموشی فاجعه بار، دقت ۹۵ ۰۲ درصد و امتیاز F۱ ماکرو ۹۵ ۳۷ درصد را ثبت کرد
کلیدواژهها
نویسندگان
شیوه ارجاع
نصیری دهج، پویا و شرفی۲، یوسف و تشنه لب، محمد و مهدیلی، علی،1404،یادگیری فدرال با معماری ترکیبی دو شاخه برای طبقه بندی فعالیت های انسانی در گروه های سنی مختلف،بیست و نهمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک،شیروان
ارائهشده در
مجموعه مقالات بیست و نهمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک28 بهمن 1404 · شیروان