في ظل الانتشار الواسع لتكنولوجيا إنترنت الأشياء الطبية (IoMT)، يظل مراقبة تخطيط القلب الكهربائي (ECG) تواجه تحديات كبيرة تتعلق بمشاركة البيانات وخصوصيتها. بينما يقدم التعلم الفيدرالي (Federated Learning) حلاً فعالاً من خلال الاحتفاظ ببيانات ECG على الأجهزة دون الحاجة إلى نقلها، إلا أن إرسال تحديثات النماذج ذات الأبعاد العالية بشكل متكرر يسبب ازدحامًا مروريًا كبيرًا على الروابط ذاتbandwidth المحدود.

ولمعالجة هذه المشكلة، تم تقديم مفهوم تقطير التعلم الفيدرالي (Federated Distillation) كبديل لتبادل المعلمات، والذي يعتمد على نقل المعرفة من خلال الإشارات. ومع ذلك، غالبًا ما تتدهور أداء هذه الطريقة في حالة توزيعات البيانات المعقدة وغير المستقلة (non-IID) أو التوزيعات الطويلة (long-tailed) في تطبيقات ECG.

لذا، تم ابتكار إطار العمل الجديد BiFedKD الذي يستخدم تقنية التجميع من خلال التقطير مع ضبط الحرارة لتوليد إشارة تقطير عالمية مستقرة تتماشى بين العملاء المتعددين. أظهرت التجارب باستخدام مجموعة بيانات MIT-BIH للاضطرابات القلبية أن BiFedKD يزيد من دقة التوقع ومعدل F1 الكلي بمقدار 3.52٪ و9.93٪ على التوالي مقارنةً بالقواعد الأساسية.

علاوة على ذلك، لتوحيد مستوى Macro-F1، فقد خفض BiFedKD تكاليف الاتصالات بنسبة 40٪ وتكاليف الحسابات بنسبة 71.7٪ مقارنةً بالنماذج السابقة. يمثل هذا الابتكار خطوة بارزة نحو مستقبل أكثر أمانًا وفاعلية في مراقبة صحة القلب باستخدام الذكاء الاصطناعي، مما يسهم في تحسين الرعاية الصحية بشكل جذري.