基于人体通信的体内边缘智能联邦学习：综述、分类与BODYFED-HBC调度方案

背景与问题

• 技术融合的必要性：人体通信能实现体域网内通信本地化并降低传统无线电负担，而联邦学习则可减少生理与行为传感数据的集中化处理。二者在可穿戴设备领域均有前景，但其交叉研究却很薄弱。
• 现有研究脱节：针对可穿戴设备的联邦学习通常抽象掉通信层，而HBC研究则通常抽象掉学习和模型更新流量。这种脱节导致无法充分利用HBC的特性来优化联邦学习过程。

核心内容

• 关键贡献与创新点：

  1. 提出分类体系：作者提出了一个区分联邦学习部署场景的分类法，具体包括：
     • 体内部署
     • 身体-中心设备部署
     • 跨用户部署
     • 临床-云端部署
  2. 界定核心开放问题：明确定义了 “身体信道感知联邦学习” 这一新方向。其核心在于，学习协议中的客户端选择、更新压缩和聚合策略，必须受到由身体姿态决定的HBC链路、设备剩余能量、传感器内存以及隐私风险等因素的控制。
  3. 提出具体架构与方案：为将研究议程具体化，文章引入了 BODYFED-HBC 作为参考架构，并提供了优化公式与调度算法。

• 实现路径：
  为推动研究的可复现性，文章指定了一个仿真场景。该方案通过结合公开的可穿戴数据集与实验性的身体耦合通信信号损耗模型，来模拟真实的物理层约束。

意义与影响

• 连接理论与应用：本文系统性地连接了HBC和可穿戴联邦学习两个相对独立的领域，为硬件层之上的计算机科学研究者提供了清晰的研究框架。
• 指引未来方向：通过明确分类法、开放问题、参考架构和仿真方案，为后续研究指明了具体路径。文章最后提供的开放数据集、评估指标和研究方向，进一步降低了该交叉领域的入门门槛。
• 推动资源受限优化：研究强调在资源受限（能量、内存、信道质量）的可穿戴设备上实施智能学习，对推动边缘智能和隐私保护（如降低原始数据传输）具有实际意义。