DOI: https://doi.org/10.48084/etasr.16554
تاريخ النشر: 2026-02-09
المؤلف: Vivi Monita وآخرون
الموضوع الرئيسي: التعرف على العواطف والمزاج
نظرة عامة
تقدم البحث إطار عمل التعلم العميق الفيدرالي المحمي كميًا (QS-FDL) المصمم للتنبؤ بالصحة والإجهاد متعدد الأنماط باستخدام بيانات من أجهزة إنترنت الأشياء مثل الساعات الذكية والهواتف الذكية. يعالج هذا الإطار تحديات كبيرة في حلول الذكاء الاصطناعي على الحافة، بما في ذلك خصوصية المستخدم، والتواصل الآمن، والحساب الفعال على الأجهزة ذات الموارد المحدودة. من خلال دمج شبكة عصبية تلافيفية أحادية البعد متعددة المدخلات (MI-1D-CNN) مع بنية الذاكرة الطويلة والقصيرة المدى ثنائية الاتجاه (Bi-LSTM)، يحقق إطار QS-FDL دقة تصنيف عالية تصل إلى 97.1% و98.4% على مجموعات بيانات WISDM وWESAD، على التوالي، مع تقليل التكاليف الحاسوبية بأكثر من 39% مقارنة بأساليب التعلم الفيدرالي الحالية. يعزز دمج بروتوكولات توزيع المفتاح الكمي (BB84 وE91) أمان تحديثات النموذج وسرية البيانات، مما يجعل الإطار مقاومًا لكل من التهديدات الكلاسيكية والكمية.
تسلط الدراسة الضوء على عدة مساهمات رئيسية، بما في ذلك النشر الفعال للتعلم الفيدرالي المحمي كميًا لتطبيقات الرعاية الصحية متعددة الأنماط في العالم الحقيقي، وإظهار الأدوار التكميلية للمكونات التلافيفية، والمتكررة، والتواصل الكمي في الحفاظ على أداء النموذج. تشمل اتجاهات البحث المستقبلية استكشاف تحسين الفيدرالية الشخصية لالتقاط الأنماط الفسيولوجية المحددة للفرد، وتطوير استراتيجيات التعلم الهجينة الكمية-الكلاسيكية لتحسين قابلية التوسع، ودمج تقنيات الذكاء الاصطناعي القابلة للتفسير (XAI) لتعزيز شفافية النموذج. بالإضافة إلى ذلك، يُقترح دمج QS-FDL ضمن بنى 5G والشبكات المعرفة بالبرمجيات (SDN) لتحسين الكمون والتنقل في أنظمة الرعاية الصحية من الجيل التالي.
مقدمة
تسلط المقدمة الضوء على أهمية تقنيات الأجهزة القابلة للارتداء وأجهزة إنترنت الأشياء (IoT)، مثل الساعات الذكية والهواتف الذكية، في المراقبة المستمرة للصحة والإجهاد. تجمع هذه الأجهزة إشارات متعددة الأنماط تشير إلى التغيرات الجسدية والعاطفية، والتي يمكن تحليلها باستخدام نماذج التعلم الآلي للكشف المبكر عن الإجهاد. ومع ذلك، فإن جمع البيانات ومعالجتها على نطاق واسع في بيئات إنترنت الأشياء الموزعة يمثل تحديات تتعلق بخصوصية المستخدم، والتواصل الآمن، والحساب الفعال على الأجهزة.
لمعالجة هذه التحديات، يظهر التعلم العميق الفيدرالي (FDL) كنهج واعد، يقلل من الحاجة إلى تخزين البيانات مركزيًا ويعزز الخصوصية من خلال السماح بتدريب النماذج محليًا على الأجهزة. لا يحمي هذا الأسلوب بيانات المستخدم فحسب، بل يحسن أيضًا الكفاءة الحاسوبية، مما يجعله مجالًا حيويًا للاستكشاف في سياق مراقبة الصحة من خلال تقنيات الأجهزة القابلة للارتداء.
طرق
في هذا القسم، يوضح المؤلفون إعداد التجربة لدراستهم، مع التركيز على إمكانية التكرار من خلال معلمات هايبر ثابتة وتكوينات الأجهزة. شارك كل من 20 عميلًا في التدريب المحلي بمعدل تعلم قدره 0.001، وحجم دفعة قدره 64، و5 دورات محلية لكل جولة، باستخدام مُحسِّن آدم. كانت بنية النموذج، MI-1D-CNN، تحتوي على طبقتين تلافيفيتين مع 128 و256 مرشحًا، على التوالي، تليها تفعيل ReLU وmax-pooling. تم تقسيم مجموعات البيانات المستخدمة، WISDM وWESAD، بشكل غير IID بين العملاء، وتم تهيئة النموذج العالمي عشوائيًا دون أوزان مسبقة التدريب.
شملت البيئة الحاسوبية أجهزة الساعات الذكية المدعومة بمعالج ARM Cortex-M4 والهواتف الذكية المزودة بشريحة Qualcomm Snapdragon 730G SoC. استخدم الخادم الحدي وحدة معالجة مركزية ثمانية النواة مع 16 جيجابايت من الذاكرة العشوائية، بينما عمل الخادم السحابي على وحدة معالجة الرسوميات NVIDIA T4. تم محاكاة جلسات توزيع المفتاح الكمي (QKD) باستخدام مكتبة اتصالات كمي قائمة على البرمجيات، مع نمذجة تأخيرات توليد المفاتيح ومعدلات خطأ الفوتون وفقًا للمعايير القياسية. حدث التواصل عبر شبكة إنترنت الأشياء المحاكية بسرعة 10 ميغابت في الثانية مع تأخير قدره 30 مللي ثانية، مما يعكس ظروفًا واقعية لتفاعلات السحابة القابلة للارتداء.
نتائج
تم إجراء التقييم التجريبي لإطار QS-FDL المقترح باستخدام مجموعات بيانات WISDM وWESAD، التي تشمل بيانات الحركة والفسيولوجيا المجمعة من أجهزة إنترنت الأشياء. تتضمن مجموعة بيانات WISDM إشارات من مقياس التسارع والجيروسكوب من أنشطة يومية متنوعة، بينما توفر WESAD مؤشرات فسيولوجية متعددة الأنماط تتعلق بالحالات العاطفية. شملت خطوات المعالجة المسبقة إزالة القيم المفقودة، والتطبيع، وتقسيم الطول الثابت، وتوازن الفئات باستخدام SMOTE. ضمنت تقسيمًا مستقلًا عن الموضوع بحيث لا تظهر بيانات أي مشارك في أكثر من مجموعة فرعية واحدة، مما يسهل تقييمًا قويًا للإطار.
تم تنفيذ إطار QS-FDL في إعداد تعلم فيدرالي هرمي، حيث قام العملاء المحليون على الساعات الذكية والهواتف الذكية بإجراء التدريب على الجهاز، مع تجميع الخوادم الحديّة للنتائج وخادم سحابي منسق عالميًا. دمجت بنية النموذج طبقات MI-1D-CNN وBi-LSTM لالتقاط الأنماط المكانية والزمنية بفعالية في بيانات المستشعرات متعددة الأنماط. استخدم التدريب مُحسِّن آدم بمعدل تعلم قدره 0.001 وحجم دفعة قدره 64، مع توقف مبكر بعد عشرة دورات دون تحسين. أظهر الإطار دقة تصنيف متفوقة وتوافق أسرع مقارنة بأساليب الفيدرالية الأساسية، مع الحفاظ على تأخير منخفض بفضل التواصل المحمي كميًا باستخدام مفاتيح متماثلة تم إنشاؤها بواسطة QKD وتشفير AES-GCM. شملت مقاييس الأداء دقة التصنيف، والدقة، والاسترجاع، ودرجة F1، ومعدل الإيجابيات الكاذبة (FPR)، مما يدل على فعالية وأمان نموذج QS-FDL في ظروف إنترنت الأشياء الواقعية.
مناقشة
في قسم المناقشة من الورقة التي كتبها مونيطا وآخرون، يبرز المؤلفون قيود طرق التشفير التقليدية في تأمين تحديثات النموذج في أطر التعلم الفيدرالي، خاصة في سياق التهديد المتزايد الذي تفرضه الحوسبة الكمومية. يقترحون إطار عمل التعلم العميق الفيدرالي المحمي كميًا (QS-FDL) يهدف إلى تعزيز أمان نماذج التنبؤ بالإجهاد باستخدام بيانات من مستشعرات إنترنت الأشياء القابلة للارتداء. يدمج الإطار بروتوكولات توزيع المفتاح الكمي (QKD)، وتحديدًا BB84 وE91، لتوليد مفاتيح آمنة لتحديثات النموذج، مما يعالج الثغرات المرتبطة بأساليب التشفير التقليدية مثل RSA وECC. تُظهر الدراسة أن إطار QS-FDL لا يحسن فقط دقة التنبؤ ويقلل من التكاليف الحاسوبية، بل يعزز أيضًا أمان الاتصال، مما يجعله مناسبًا لبيئات إنترنت الأشياء الموزعة في العالم الحقيقي.
يؤكد المؤلفون على جدّة نهجهم، الذي يجمع بين التعلم متعدد الأنماط والتواصل المحمي كميًا، وهو مزيج كان غائبًا إلى حد كبير في الأدبيات الحالية. يستخدمون مجموعتين من البيانات العامة، WISDM وWESAD، لتطوير نموذج هجين يلتقط كل من الميزات المكانية والزمنية للبيانات المتعلقة بالإجهاد. تشير النتائج إلى أن إطار QS-FDL يتفوق على الأساليب الحالية من حيث دقة التصنيف، ومعدلات الإيجابيات الكاذبة، والكفاءة الحاسوبية، مع الحفاظ على ضمانات أمان قوية. تسهم هذه الأبحاث بشكل كبير في المجال من خلال توفير حل قوي وقابل للتوسع ويحافظ على الخصوصية لتنبؤ الإجهاد في تقنية الأجهزة القابلة للارتداء، مما يعالج التحديات الحرجة في التواصل الآمن وخصوصية البيانات في أنظمة مراقبة الصحة الموزعة.
DOI: https://doi.org/10.48084/etasr.16554
Publication Date: 2026-02-09
Author(s): Vivi Monita et al.
Primary Topic: Emotion and Mood Recognition
Overview
The research presents a Quantum-Secured Federated Deep Learning (QS-FDL) framework designed for multimodal health and stress prediction using data from smartwatch and smartphone IoT devices. This framework addresses significant challenges in edge-AI solutions, including user privacy, secure communication, and efficient computation on resource-constrained devices. By integrating a Multi-Input One-Dimensional Convolutional Neural Network (MI-1D-CNN) with a Bidirectional Long Short-Term Memory (Bi-LSTM) architecture, the QS-FDL framework achieves high classification accuracies of 97.1% and 98.4% on the WISDM and WESAD datasets, respectively, while reducing computational costs by over 39% compared to existing federated learning approaches. The incorporation of quantum key distribution protocols (BB84 and E91) enhances the security of model updates and data confidentiality, making the framework resilient against both classical and quantum threats.
The study highlights several key contributions, including the effective deployment of quantum-secured federated learning for real-world multimodal IoT healthcare applications, and the demonstration of the complementary roles of convolutional, recurrent, and quantum communication components in maintaining model performance. Future research directions include the exploration of personalized federated optimization to capture individual-specific physiological patterns, the development of hybrid quantum-classical learning strategies for improved scalability, and the integration of Explainable Artificial Intelligence (XAI) techniques to enhance model transparency. Additionally, the potential integration of QS-FDL within 5G and Software-Defined Networking (SDN) infrastructures is proposed to optimize latency and mobility in next-generation IoT healthcare systems.
Introduction
The introduction highlights the significance of wearable technologies and Internet of Things (IoT) devices, such as smartwatches and smartphones, in the continuous monitoring of health and stress. These devices gather multimodal signals indicative of physical and emotional changes, which can be analyzed using machine learning models for early stress detection. However, the large-scale data collection and processing inherent in distributed IoT environments present challenges concerning user privacy, secure communication, and efficient computation on devices.
To address these challenges, Federated Deep Learning (FDL) emerges as a promising approach, minimizing the need for centralized data storage and enhancing privacy by allowing models to be trained locally on devices. This method not only safeguards user data but also optimizes computational efficiency, making it a vital area of exploration in the context of health monitoring through wearable technologies.
Methods
In this section, the authors detail the experimental setup for their study, emphasizing reproducibility through consistent hyperparameters and device configurations. Each of the 20 clients engaged in local training with a learning rate of 0.001, a batch size of 64, and 5 local epochs per round, utilizing the Adam optimizer. The model architecture, MI-1D-CNN, featured two convolutional layers with 128 and 256 filters, respectively, followed by ReLU activation and max-pooling. The datasets used, WISDM and WESAD, were partitioned non-IID among clients, with the global model initialized randomly without pre-trained weights.
The computational environment included smartwatch devices powered by an ARM Cortex-M4 processor and smartphones equipped with a Qualcomm Snapdragon 730G SoC. The edge server utilized an 8-core CPU with 16 GB RAM, while the cloud server operated on an NVIDIA T4 GPU instance. Quantum key distribution (QKD) sessions were simulated using a software-based quantum communication library, with key generation latencies and photon error rates modeled according to standard parameters. Communication occurred over a simulated 10 Mbps IoT network with a latency of 30 ms, reflecting realistic conditions for wearable-cloud interactions.
Results
The experimental evaluation of the proposed QS-FDL framework was conducted using the WISDM and WESAD datasets, which encompass motion and physiological data collected from IoT devices. The WISDM dataset includes accelerometer and gyroscope signals from various daily activities, while WESAD provides multimodal physiological indicators related to emotional states. Preprocessing steps included missing-value removal, normalization, fixed-length segmentation, and class balancing using SMOTE. A subject-independent split ensured that no participant’s data appeared in more than one subset, facilitating a robust evaluation of the framework.
The QS-FDL framework was implemented in a hierarchical federated learning setup, where local clients on smartwatches and smartphones performed on-device training, with edge servers aggregating results and a cloud server coordinating globally. The model architecture integrated MI-1D-CNN and Bi-LSTM layers to effectively capture spatial and temporal patterns in the multimodal sensor data. Training utilized the Adam optimizer with a learning rate of 0.001 and a batch size of 64, with early stopping after ten epochs without improvement. The framework demonstrated superior classification accuracy and faster convergence compared to baseline federated methods, while maintaining low latency due to quantum-secured communication using QKD-generated symmetric keys and AES-GCM encryption. Performance metrics included classification accuracy, precision, recall, F1-score, and False Positive Rate (FPR), indicating the effectiveness and security of the QS-FDL model in realistic IoT conditions.
Discussion
In the discussion section of the paper by Monita et al., the authors highlight the limitations of conventional encryption methods in securing model updates in federated learning frameworks, particularly in the context of the increasing threat posed by quantum computing. They propose a Quantum-Secured Federated Deep Learning (QS-FDL) framework aimed at enhancing the security of stress prediction models using data from wearable IoT sensors. The framework integrates quantum key distribution (QKD) protocols, specifically BB84 and E91, to generate secure keys for model updates, thereby addressing vulnerabilities associated with traditional cryptographic methods like RSA and ECC. The study demonstrates that the QS-FDL framework not only improves prediction accuracy and reduces computational costs but also enhances communication security, making it suitable for real-world distributed IoT environments.
The authors emphasize the novelty of their approach, which combines multimodal learning with quantum-secured communication, a combination that has been largely absent in existing literature. They utilize two public datasets, WISDM and WESAD, to develop a hybrid model that captures both spatial and temporal features of stress-related data. The results indicate that the QS-FDL framework outperforms existing methods in terms of classification accuracy, false positive rates, and computational efficiency, while maintaining strong security guarantees. This research contributes significantly to the field by providing a robust, scalable, and privacy-preserving solution for stress prediction in wearable technology, addressing critical challenges in secure communication and data privacy in distributed health-monitoring systems.