梁朝晖，朱笑笑+，曹其新，马燕红，徐义明

(1.上海交通大学 机械与动力工程学院，上海 200240；2.上海交通大学附属第六人民医院 康复医学科，上海 200233)

0 引 言

由于涉及到病人隐私与信息安全等问题，目前在康复医疗领域中不同医疗机构所采集的患者数据无法互通，导致难以训练出一个泛用性强、准确度高的神经网络模型。针对这一问题，联邦学习提供了解决思路。联邦学习是一种在各客户端节点上进行分布式训练，再在服务器端对全局模型进行整合更新的机器学习框架。联邦学习期间，所有本地数据都保存在所属机构内部而无需对外开放，从而实现数据隐私保护。可见，将联邦学习技术应用于康复领域有助于打破不同机构之间的数据孤岛状态，通过多方协同训练出泛用性强、准确度高的下肢康复评估模型。

由此，本文提出一种基于联邦学习的下肢康复评估算法，搭建联邦学习系统并设计GRU-Inception康复评估神经网络模型进行训练，实现下肢损伤部位分类及康复情况评分任务。

1 相关工作

随着计算机技术发展，已有国内外学者利用神经网络模型进行康复评估。闫航等[1]提出Pose-AMGRU模型，利用摄像系统采集到的视频信息提取人体姿态，实现康复动作识别。罗坚等[2]通过深度传感器采集得到的点云数据，结合人体特征语义，设计一种Conv GRU网络实现下肢异常步态检测。王金甲等[3]利用可穿戴设备采集患者下肢运动数据，并设计相应的卷积神经网络，实现对帕金森症患者的冻结特征识别任务。……