面向医疗物联网 EEG 情绪识别的基于模糊集成的联邦学习

基于摘要分析。本研究面向医疗物联网（IoMT）中的 EEG 情绪识别，针对特征提取、分类与数据隐私问题，提出结合模糊集成和异步联邦学习的框架。核心贡献是融合多种时序模型的预测，并在联邦聚合中引入异步 dropout 算法，以处理梯度陈旧性问题。 方法方面，框架集成 temporal convolutional network（TCN）、long short-term memory（LSTM）和 gated recurrent unit（GRU）三类深度学习模型，通过基于 Gompertz 函数的 fuzzy rank 方法组合预测。摘要未说明各模型的输入特征、训练方式、模糊排序计算细节，以及预测集成与全局模型聚合之间的具体关系，这些机制尚待全文核对。 联邦学习方面，作者提出用异步 dropout 算法聚合全局模型，并称其可保障数据隐私、缓解梯度陈旧性。摘要未交代 dropout 的作用对象、客户端参与机制、陈旧梯度处理规则或隐私威胁模型，因此不能仅据联邦训练形式判断其隐私保障强度，也不能将这里的 dropout 直接等同于常规网络正则化。 评估方面，作者报告在 GAMEEMO、SEED 和 DEAP 三个公开数据集上，相比已有方法取得更好的 Accuracy 和 F1；摘要未提供具体数值、对照方法、情绪标签设置或数据划分。被试内、跨被试、跨会话等评估协议，以及客户端如何映射被试或数据来源，均尚未验证，不能据此认定已实现跨数据集泛化。 复现时需优先核对 EEG 预处理与窗口划分、联邦客户端构建、异步更新和 dropout 规则，以及单模型、模糊集成和异步聚合的对照结果。实验协议、消融及统计信息尚未验证；当前材料支持其作为 EEG 情绪识别方法阅读，但不足以确认性能增益的来源、通信成本或实际部署中的隐私收益。