Federated mit GAF: Genauigkeit bei privatsphärischer ECG‑Klassifikation auf IoT

In einer wegweisenden Studie wurde ein Federated‑Learning‑Framework entwickelt, das die Klassifikation von Elektrokardiogrammen (ECG) in IoT‑Gesundheitsumgebungen ermöglicht, ohne dass sensible Patientendaten das Gerät verlassen. Durch die Umwandlung der eindimensionalen ECG‑Signale in zweidimensionale Gramian Angular Field (GAF)-Bilder kann ein Convolutional Neural Network (CNN) effiziente Merkmale extrahieren, während die Daten lokal bleiben.

Die Autoren haben das System auf einer heterogenen Testumgebung ausgesetzt, die einen Server, einen Laptop und einen ressourcenbeschränkten Raspberry Pi 4 umfasst. Diese Kombination spiegelt die typische Edge‑Cloud‑Integration in realen IoT‑Ökosystemen wider. Trotz der zusätzlichen Rechenlast durch die GAF‑Transformation zeigte das Modell eine beeindruckende Genauigkeit von 95,18 % in einem Multi‑Client‑Setup und übertraf dabei deutlich einen Single‑Client‑Baseline sowohl in der Genauigkeit als auch in der Trainingszeit.

Die Ergebnisse verdeutlichen, dass leichtgewichtige, datenschutzfreundliche KI‑Lösungen für die medizinische Überwachung auf IoT‑Geräten praktikabel sind. Das Framework kombiniert effiziente Ressourcennutzung, geringe Kommunikationskosten und hohe Klassifikationsleistung, was es zu einer vielversprechenden Grundlage für skalierbare, sichere Edge‑Deployments in smarten Gesundheitssystemen macht.