Multi‑Frequency Federated Learning: Mehr Privatsphäre bei Kopf‑Sensoren

In einer kürzlich veröffentlichten Studie wird ein neuartiges Verfahren vorgestellt, das die Erkennung menschlicher Aktivitäten mit Kopfhörersensoren deutlich verbessert und gleichzeitig die Privatsphäre der Nutzer schützt. Durch den Einsatz von Federated Learning (FL) können Modelle auf mehreren Geräten gleichzeitig trainiert werden, ohne dass sensible Daten an einen zentralen Server übertragen werden.

Das Besondere an diesem Ansatz ist die Berücksichtigung unterschiedlicher Abtastfrequenzen. Während herkömmliche Methoden oft nur mit einer festen Samplingrate arbeiten, ermöglicht das Multi‑Frequency‑FL‑System die gleichzeitige Nutzung von Daten, die mit unterschiedlichen Frequenzen erfasst wurden. Dadurch wird die Modellleistung auf heterogenen Geräten optimiert und die Flexibilität im Einsatz erhöht.

Der Fokus liegt auf Kopf‑getragenen Geräten wie Ohrhörern und Smart‑Gläsern – ein bislang wenig erforschtes Feld im Vergleich zu Smartwatches oder Smartphones. Diese Sensoren bieten eine neue Perspektive für die Überwachung von Aktivitäten im Alltag, insbesondere im Gesundheits- und Altenpflegebereich.

In Tests auf zwei unterschiedlichen Datensätzen zeigte das Verfahren signifikante Verbesserungen gegenüber frequenzspezifischen Ansätzen. Die Ergebnisse deuten darauf hin, dass Multi‑Frequency‑FL ein vielversprechender Ansatz für die zukünftige Entwicklung von HAR‑Systemen ist.

Die Autoren haben das Netzwerk öffentlich zugänglich gemacht, sodass Forscher und Entwickler es weiter untersuchen und in eigene Projekte integrieren können.