一种基于边缘计算和联邦学习的云边协调医疗系统的制作方法

1.本发明涉及物联网人工智能技术领域，具体地说是一种基于边缘计算和联邦学习的云边协调医疗系统。


背景技术：

2.目前，我国医疗卫生数据平台规模不一，缺乏统一的标准和规范，数据呈现多源结构和跨时空特征，质量参差不齐，分布分散，难以发布。医疗和健康数据(如电子健康记录)包含大量医疗信息。它们的分析和挖掘可以应用于疾病预测、医疗辅助诊断、个性化信息推荐、临床决策支持、药物模式挖掘等领域。一方面，通过云计算存储和处理健康数据的传统方式可能会导致云网络通信的开销和负载压力；另一方面，因为云计算使用来自多个医疗和保健设施的个人数据，可能导致部门间利益冲突和患者的个人资料。为了挖掘不同机构的数据价值，实现碎片化数据的共享和整合，应该实施基于双赢组织的数据交换，通过联合技术研发和管理机制创新，促进碎片化本地数据的整合。各种移动设备、智能穿戴设备和医疗健康传感器持续产生海量数据，数亿用户使用互联网服务，这显示了边缘测量数据的爆炸性增长趋势，并实现了数据驱动的人工智能。然而，仍然存在诸如“数据岛”之类的问题。
3.为了解决云计算的问题，应考虑采用边缘计算模式将初步的数据处理放在边缘计算服务器上，并平衡通信和计算性能。
4.基于上述，如何缓解医疗系统中云计算的通信压力和数据共享冲突，是需要解决的技术问题。


技术实现要素：

5.本发明的技术任务是针对以上不足，提供一种基于边缘计算和联邦学习的云边协调医疗系统，来解决医疗系统中云计算的通信压力和数据共享冲突的技术问题。
6.本发明的一种基于边缘计算和联邦学习的云边协调医疗系统，包括：
7.云端，所述云端配置有各类用于诊断疾病的诊断模型；
8.边缘端，所述边缘端共多个且分布于各个医疗科室，用于采集患者的医疗数据作为本地医疗数据，用于与所述云端配合、基于联邦学习提供模型训练服务，并用于提供疾病诊断服务；
9.所述模型训练服务为：对于每一类诊断模型，所述边缘端基于本地医疗数据对从云端分发的诊断模型进行局部的模型训练，并将训练得到模型梯度加密上次云端，云端聚合模型梯度并更新所述诊断模型，并将更新后的诊断模型分发至各个边缘端；
10.所述疾病诊断服务为：所述边缘端以本地医疗数据为输入，基于从云端下发的诊断模型进行疾病预测，得到疾病诊断结果。
11.作为优选，所述云端通过云端服务器存储各类用于诊断疾病的诊断模型，并用于通过云端服务器聚合模型梯度以更新模型参数，并基于更新后的模型参数对诊断模型进行全局训练，得到更新后的诊断模型。
12.作为优选，所述边缘端包括：
13.数据采集模块，所述数据采集模块用于采集患者的医疗数据，所述医疗数据包括相对动态变化的健康监测数据以及相对稳定不变的健康数据；
14.数据传输模块，所述数据传输模块支持无线通信模式，与所述数据采集模块交互，用于传送医疗数据；
15.医疗管理模块，所述医疗管理模块与作为智能医疗设备使用者的用户交互，用于支持用户配置医疗任务，所述医疗任务包括模型训练任务和疾病诊断任务；
16.边缘服务器，所述边缘服务器分别与所述数据传输模块和所述医疗管理模块交互，并通过无线通信的方式与所述云端交互，用于获取并存储本地医疗数据，用于基于所述模型训练任务、与所述云端配合提供模型训练服务，并用于基于所述疾病诊断任务、与所述云端配合提供疾病诊断服务。
17.作为优选，所述数据采集模块包括：
18.传感器单元，所述传感器单元用于实时采集患者的健康监测数据；
19.数据采集接口，所述数据采集接口用于与第三方医疗系统交互，从第三方医疗系统中获取患者的监控数据。
20.作为优选，所述数据传输模块为具有边缘计算功能，用于对本地医疗数据进行数据预处理，并将预处理后的本地医疗数据传输至边缘服务器，所述边缘服务器用于基于预处理后的本地医疗数据对所述诊断模型进行局部的模型训练；
21.所述数据预处理为对获取的本地医疗数据进行格式化处理，得到格式统一的本地医疗数据。
22.作为优选，所述数据传输模块为具有边缘存储和边缘计算功能的基站。
23.作为优选，对于每一类诊断模型，所述边缘服务器基于本地医疗数据对从云端分发的诊断模型进行局部的模型训练，得到边缘端的模型梯度，对于边缘端的模型梯度进行局部搜索以进行参数调优，得到优选的边缘端模型梯度，对所述优选的边缘端模型梯度进行打包加密签名后上传云端。
24.作为优选，所述边缘服务器通过无线通信模块与云端连接，所述边缘服务器和无线通信模块配合作为边缘节点，所述边缘节点过执行一致性机制确定打包的权重，具有权限的边缘节点对边缘端模型梯度打包加密签名后上传云端；
25.所述云端认证所述边缘节点的权限后，接收所述边缘节点上传的打包加密签名后的边缘端模型梯度。
26.作为优选，所述医疗管理模块配置有任务编辑器，所述任务编辑器用于支持作为智能医疗设备使用者的用户配置医疗任务。
27.本发明的一种具有以下优点：
28.1、数据采集端提供了边缘计算，对于通过边缘端采集的本地医疗数据存储于边缘端，将诊断模型分发至各个边缘端，在边缘端通过本地医疗数据对诊断模型进行局部的模型训练，在云端只需要聚合边缘端的模型梯度，根据更新后的模型梯度对诊断模型进行全局的训练，得到更新后的诊断模型，并将更新后的诊断模型再分发至各个边缘端，通过边缘计算缓解了云计算的通信压力和计算压力；
29.2、数据采集端采集的本地医疗数据只存储于边缘端，无需上传云端，保证了患者
医疗数据的隐私性，并可避免不同科室之间数据分享的冲突性；
30.3、在边缘端，数据采集模块采集的数据通过数据传输模块传送至边缘服务器，边缘服务器提供存储和边缘计算，数据传输模块采用具有边缘计算和存储功能的基站，通过基站对本地医疗数据进行数据预处理后再传送至边缘服务器，缓解了边缘服务器的计算压力以及通信压力。
附图说明
31.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.下面结合附图对本发明进一步说明。
33.图1为一种基于边缘计算和联邦学习的云边协调医疗系统的框图。
具体实施方式
34.下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
35.本发明实施例提供一种基于边缘计算和联邦学习的云边协调医疗系统，用于解决如何缓解医疗系统中云计算的通信压力和数据共享冲突的技术问题。
36.实施例：
37.为了解决云计算的问题，应考虑采用边缘计算模式将初步的数据处理放在边缘计算服务器上，可应用于智能医疗领域。基于移动边缘计算环境的移动医疗场景下，医疗健康物联网设备可以将复杂任务交给边缘服务器节点，平衡通信和计算性能。大量医疗健康智能设备和边缘节点可以充分感知和获取丰富和个性化医疗健康数据以用于模型训练。基于原始数据使用联邦学习技术而不是采用集中式处理方式，表现出移动边缘计算的强大认知功能。边缘节点还可获取包括计算负载、存储空间、无线通信数量、任务队列状态等数据。
38.同时，基于移动设备的联合学习技术利用移动设备形成局部模型，避免了原始数据移动带来的不便。联合学习是一种新的机器学习技术。它使用本地模型形成共享数据集的大型节点(如移动设备)的分布式模型，并且只更新模型而不下载原始训练数据。基于此技术，可以在提高学习性能的同时提供隐私保护。通过设计学习算法以获得更好的学习效果，一些研究理论中提出了一种有效的声誉激励机制，以鼓励高声誉、高数据质量的移动设备参与模型学习。这些机制可以大大提高联邦学习的准确性。与数据并行化训练方式相比联邦学习无需具有独立同分布的数据样本，且在各节点的数据量不平衡的情况下依然可以进行边缘模型训练。还可在超大规模无线环境下处理处理非标准的数据。在联邦学习模块中可使用其他计算以减少交流轮训的次数模型。
39.基于上述边缘计算和联邦学习在医疗系统的积极影响，本发明一种基于边缘计算和联邦学习的云边协调医疗系统，包括云端和边缘端，云端配置有各类用于诊断疾病的诊断模型，边缘端共多个且分布于各个医疗科室，用于采集患者的医疗数据作为本地医疗数
据，用于与所述云端配合、基于联邦学习提供模型训练服务，并用于提供疾病诊断服务。
40.在本实施例中，模型训练服务为：对于每一类诊断模型，所述边缘端基于本地医疗数据对从云端分发的诊断模型进行局部的模型训练，并将训练得到模型梯度加密上次云端，云端聚合模型梯度并更新所述诊断模型，并将更新后的诊断模型分发至各个边缘端。
41.疾病诊断服务为：所述边缘端以本地医疗数据为输入，基于从云端下发的诊断模型进行疾病预测，得到疾病诊断结果。
42.作为云端的具体实施，云端通过云端服务器存储各类用于诊断疾病的诊断模型，并用于通过云端服务器聚合模型梯度以更新模型参数，并基于更新后的模型参数对诊断模型进行全局训练，得到更新后的诊断模型。
43.作为边缘端的具体实施，边缘端包括数据采集模块、医疗管理模块和边缘服务器，数据采集模块用于采集患者的医疗数据，医疗数据包括相对动态变化的健康监测数据以及相对稳定不变的健康数据；数据传输模块支持无线通信模式，与所述数据采集模块交互，用于传送医疗数据；医疗管理模块与作为智能医疗设备使用者的用户交互，用于支持用户配置医疗任务，所述医疗任务包括模型训练任务和疾病诊断任务；边缘服务器分别与数据传输模块和医疗管理模块交互，并通过无线通信的方式与所述云端交互，用于获取并存储本地医疗数据，用于基于所述模型训练任务、与云端配合提供模型训练服务，并用于基于疾病诊断任务、与云端配合提供疾病诊断服务。
44.作为医疗管理模块的一个具体实施，医疗管理模块配置有任务编辑器，任务编辑器用于支持作为智能医疗设备使用者的用户配置医疗任务。医疗管理模块配置模型训练任务和疾病诊断任务，并将上述医疗任务发送至边缘服务器。
45.作为数据采集模块的一个具体实施，数据采集模块包括传感器单元和数据采集接口，传感器单元用于实时采集患者的健康监测数据，本实施例中所涉及的健康监测数据为动态变化的数据，例如心跳、脉搏、血压等，数据采集接口用于与第三方医疗系统交互，从第三方医疗系统中获取患者的监控数据，本实施例所涉及的监控数据为相对静态的数据，例如身高、体重等。
46.数据传输模块将数据采集模块采集的医疗数据作为本地医疗数据传送至边缘服务器，边缘服务器以本地医疗数据为输入，对从云端分发的相关诊断模型机进行模型训练。鉴于数据采集模块采集的医疗数据格式不统一，且数据可能存在重复数据、不清楚数据等问题，因此，在通过本地医疗数据进行模型训练时，需要对本地医疗数据进行数据预处理，将本地医疗数据的格式统一化，并对数据进行数据清洗，去除重复的、不清楚的等无效数据。
47.为了减少边缘服务器数据预处理的压力，数据传输模块为具有边缘计算功能的，用于对本地医疗数据进行数据预处理，并将预处理后的本地医疗数据传输至边缘服务器，从而边缘服务器用于基于预处理后的本地医疗数据对诊断模型进行局部的模型训练。
48.本实施例中数据传输模块为具有边缘存储和边缘计算功能的基站。
49.边缘服务器基于本地医疗数据对从云端分发的诊断模型进行局部的模型训练，得到边缘端的模型梯度，对于边缘端的模型梯度进行局部搜索以进行参数调优，得到优选的边缘端模型梯度，对优选的边缘端模型梯度进行打包加密签名后上传云端。
50.边缘服务器通过无线通信模块与云端连接，边缘服务器和无线通信模块配合作为
边缘节点。鉴于数据安全以及数据权限的考虑，边缘节点过执行一致性机制确定打包的权重，具有权限的边缘节点对边缘端模型梯度打包加密签名后上传云端；云端认证边缘节点的权限后，接收边缘节点上传的打包加密签名后的边缘端模型梯度。
51.本实施例中，上述云端和边缘端通过横向的联邦学习对诊断模型进行模型训练。在横向联邦学习中，可以看作是基于样本的分布式模型训练，分发全部数据到不同的机器，每台机器从服务器下载模型，然后利用本地数据训练模型，之后返回给服务器需要更新的参数；服务器聚合各机器上的返回的参数，更新模型，再把最新的模型反馈到每台机器。在这个过程中，每台机器下都是相同且完整的模型，且机器之间不交流不依赖，在预测时每台机器也可以独立预测，可以把这个过程看作成基于样本的分布式模型训练。同时联邦学习使用本地模型形成共享数据集大型节点(如移动设备)的分布式模型，并且只更新模型而不下载原始训练数据。在本实施例中，云端服务器将更新后的诊断模型返回各个作为参与方的边缘端，参与的边缘端各自从服务器下载最新模型；每个边缘端利用本地数据训练模型，加密梯度上传给云端服务器，云端服务器聚合各边缘端上传的梯度更新模型参数；服务器返回更新后的模型给各参与方；各参与方更新各自模型。
52.在联邦学习中可使用其他计算以减少交流轮训的次数模型。增加计算的有效方法之一是添加每轮本地随机梯度下降算法(stochastic gmdient descent，sgd)训练次数。为了进一步减少在通讯上损耗，具有较高计算力的用户设备可以决定执行更多批次训练。
53.上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。