FedSCS‑XGB: Federiertes XGBoost für kontinuierliche Gesundheitsüberwachung

Wearable‑Sensoren mit lokaler Datenverarbeitung können Gesundheitsrisiken frühzeitig erkennen, die Dokumentation verbessern und personalisierte Therapien unterstützen. Besonders bei Rückenmarksverletzungen, bei denen Druckgeschwüre und Blutdruckinstabilität häufig auftreten, ermöglicht kontinuierliches Monitoring eine rechtzeitige Erkennung und Intervention.

In dieser Arbeit wird ein neuartiges verteiltes Machine‑Learning‑Protokoll vorgestellt, das die Klassifikation menschlicher Aktivitäten (Human Activity Recognition, HAR) aus Wearable‑Sensordaten mit gradient‑boosted Decision Trees (XGBoost) realisiert. Die Architektur orientiert sich an Party‑Adaptive XGBoost (PAX), behält jedoch die wesentlichen Strukturen und Optimierungsprinzipien des klassischen XGBoost bei, darunter die histogrammbasierte Split‑Konstruktion und die Dynamik von Baum‑Ensembles.

Eine theoretische Analyse zeigt, dass das verteilte Protokoll unter geeigneten Datenbedingungen und passender Hyperparameter‑Auswahl zu Lösungen konvergiert, die denen eines zentralen XGBoost‑Trainings entsprechen. In der Praxis wurde das Verfahren auf einem repräsentativen HAR‑Datensatz aus dem Bereich Wearable‑Monitoring getestet, der die typische Heterogenität und Fragmentierung von Fernüberwachungsdaten widerspiegelt.

Der Vergleich mit zentralem XGBoost und IBM PAX bestätigt, dass die theoretischen Konvergenz‑Eigenschaften auch in der Praxis gelten. Die Ergebnisse zeigen, dass die vorgeschlagene Methode die zentrale Leistung um weniger als 1 % unterschreitet, dabei jedoch die strukturellen Vorteile von XGBoost in verteilten, wearables‑basierten HAR‑Umgebungen beibehält.

Zusammenfassend bietet FedSCS‑XGB einen praktikablen Ansatz für die kontinuierliche Gesundheitsüberwachung, der die Genauigkeit zentraler Modelle mit den Vorteilen einer dezentralen, datenschutzfreundlichen Architektur kombiniert.