arXiv · cs.AI · Chidike Vincent, Muhammad Aslam Jarwar, Najam Ul Hasan, Laurence Hirsch, Jonathan Zasada-James, Hem Raj Dadra · 8 小时前模型评分31
基于联邦学习的隐私保护 ECG-HRV 情绪分类，用于边缘设备情绪波动检测
Privacy-Preserving ECG-HRV Emotion Classification for Mood Swing Detection using Federated Learning on Constrained Edge Devices
导读
一项研究提出基于心电图（ECG）心率变异性（HRV）特征的隐私保护情绪监测框架，在三个公开数据集共 74 名参与者上评估，并用 Polar H10 可穿戴设备在未校准的陌生个体上取得 75% 二分类效价准确率。该框架还在六节点 Raspberry Pi 集群上以联邦学习实现，联邦逻辑回归性能与集中式训练相当，且无需共享原始生理数据。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
应用领域：医疗与生命科学
事件类型：研究发布
证据摘录
- “This paper presents a privacy-preserving mood monitoring framework that classifies emotional states from ECG-derived heart rate variability (HRV) features.”
- “Pilot validation using a Polar H10 wearable achieves 75% binary valence accuracy on an unseen individual without calibration, demonstrating the feasibility of real-world deployment.”
- “To preserve privacy, the framework is also implemented using federated learning on a six-node Raspberry Pi cluster.”
来源：arXiv · cs.AI · arxiv.org