معماریهای یادگیری فدرال برای سامانه های مراقبت سلامت مبتنی بر اینترنت اشیاء با رویکرد حفظ حریم خصوصی: مرور نظاممند و چشم انداز آینده

با رشد روزافزون اینترنت اشیاء پزشکی (IoMT)، نیاز به مدلهای یادگیری ماشینی که هم کارآمد باشند و هم از حریم خصوصی بیماران محافظت کنند، بهویژه در محیط های سلامت هوشمند، افزایش یافته است. یادگیری فدرال (FL) بهعنوان پارادایمی نوین، امکان آموزش مدلهای غیرمتمرکز را بدون افشای داده های حساس فراهم می سازد. این مقاله مروری نظام مند بر معماریها و کاربردهای یادگیری فدرال در ترکیب با حسگرهای اپتوالکترونیکی مبتنی بر امواج میلیمتری (mmWave) در سامانه های سلامت خانگی ارائه می دهد. با تحلیل بیش از ۴۰ مقاله داوری شده بین سال های ۲۲۴۲ تا ۲۲۴۲، حوزه هایی مانند مراقبت از سالمندان، پایش بیماری های مزمن، کنترل روشنایی و تشخیص غیرتماسی بررسی شده اند. همچنین، چالش هایی همچون ناهمگونی داده، محدودیت منابع، تهدیدهای امنیتی و موانع حقوقی مورد واکاوی قرار گرفته و راهکارهایی فناورانه نظیر بلاک چین، Digital Twin، و فدرالسازی رویدادمحور پیشنهاد شده اند. در پایان، مسیرهای آینده پژوهی با تاکید بر شفافیت، تبیین پذیری، و توسعه معماری های انسان محور پیشنهاد می شوند.

کلیدواژه ها:

یادگیری فدرال ، اینترنت اشیاء پزشکی ، mmWave ، سلامت