Optimizing Federated Learning for Remote Patient Monitoring Systems

Les soins de santé jouent un rôle essentiel dans nos vies, et les avancées dans ce domaine progressent à un rythme rapide chaque jour. Cette dissertation explore l'optimisation de l'apprentissage fédéré pour la surveillance à distance des patients. L'apprentissage fédéré, une approche collaborative de l'apprentissage automatique qui maintient localement les données sensibles reliées à la santé, permet d'entraîner des modèles d'intelligence artificielle sur des systèmes décentralisés. Cette recherche vise à améliorer ce processus quant à l'efficacité, la précision et la minimisation des coûts de communication. Ce sont des indicateurs essentiels pour les applications en surveillance de la santé. Cela a été réalisé en créant et testant une architecture complète d'apprentissage fédéré basée sur le jeu de données MHEALTH, qui contient des données physiologiques d’envergure. L'étude a débuté par le prétraitement des données, incluant l'encodage des données catégorielles, la standardisation des données en entrée et l'équilibrage du jeu de données pour garantir des données d’entrée de haute qualité pour les modèles d'apprentissage automatique. Au coeur du système se trouve un modèle BiLSTM, un réseau de neurones récurrent sophistiqué conçu pour les données de séries temporelles, qui a démontré une précision élevée dans la reconnaissance des activités humaines avec des taux de précision dépassant 99%. Les techniques d'apprentissage fédéré, en particulier l’outil Flower avec la technique de moyenne fédérée pour l'agrégation de modèles, ont permis un entraînement décentralisé sur plusieurs clients. Cette configuration aboutit à un modèle global ayant une précision impressionnante entre les noeuds. De plus, une optimisation multi-objectifs de Pareto a été appliquée pour avoir un équilibre entre les différents indicateurs à l’étude, obtenant un compromis optimal entre précision, temps et volume de transmission des données. Cette recherche souligne le potentiel de l'apprentissage fédéré pour transformer la surveillance à distance des patients en permettant un traitement des données de santé efficace et précis. En exploitant un traitement des données optimisé, un modèle BiLSTM performant et une optimisation multi-objectifs ciblée, cette approche d'apprentissage fédéré ouvre la voie à l’échange d’informations de santé précises et fiables.

Abstract

Healthcare plays an essential role in our lives, and advancements in this field are happening at a rapid pace every day. This dissertation explores the optimization of Federated Learning (FL) for Remote Patient Monitoring (RPM). Federated learning, a collaborative machine learning approach that keeps sensitive health data local, enables the training of AI models across decentralized systems. This research aims to improve the FL process by focusing on efficiency, accuracy, and minimizing communication costs, all essential for real-world applications in health monitoring. This was accomplished by creating and testing a thorough federated learning architecture on the MHEALTH dataset, which includes extensive physiological data. The study started by addressing data preprocessing, which included encoding categorical data, standardizing features, and balancing the dataset to guarantee high-quality input for the machine learning models. At the core of the system is a BiLSTM model, a sophisticated recurrent neural network designed for timeseries data, which demonstrated high precision in recognizing human activities with accuracy rates surpassing 99%. Federated learning techniques, specifically the Flower framework with Federated Averaging (FedAvg) for model aggregation, allowing for decentralized training across multiple clients. This setup results in a global model with impressive accuracy across nodes. Furthermore, multi-objective Pareto optimization was applied to balance key metrics, achieving an optimal tradeoff between accuracy, time, and data transmission volume. This research underscores the potential of federated learning to transform remote patient monitoring by enabling efficient and accurate health data processing. By leveraging optimized data handling, a high-performing BiLSTM model, and targeted multi-objective optimization, this federated learning approach paves the way for delivering precise and reliable health insights.