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.