导航：X技术最新专利计算;推算;计数设备的制造及其应用技术

　　2.人体生理数据(如脑电、肌电等)作为一种特殊的输入信号，能够用于对外部设备的控制及对人体状态的监测。随着人工智能技术与机器学习技术的发展，如今人们的生活中出现了越来越多的人机交互接口。这些人机交互接口被广泛地应用于医疗康复领域及人们的日常工作生活当中。这些人机交互接口的使用前提是训练出能对人体生理数据进行准确分类与识别的神经网络模型。

　　3.训练上述神经网络模型需要大量的数据支持，然而人体生理数据的三个特性使获取大规模训练数据的需求受到了阻碍，具体地：

　　稀缺性，多样化的人体生理数据收集需要专业的设备，提供人体生理数据的受试者也可能需要经过特定的训练，导致数据收集成本高；

　　隐私性，人体生理数据含有大量的个人敏感信息，集中上传原始人体生理数据进行训练存在信息安全风险；

　　异质性，人体生理数据有鲜明的个人特性，单一的神经网络模型对不同用户的预测准确率相差巨大，这对神经网络模型的泛化能力及有效训练都提出了巨大的挑战。个体很难收集足够量的人体生理数据以独自建立准确可用的神经网络模型。

　　4.针对现有技术中的问题，本技术提供一种生理状态监测方法、装置及系统，能够利用预先训练的个体学习模型完成生理状态监测。

　　7.对被授权采集的历史生理数据进行训练，得到个体学习模型；所述个体学习模型包括基础层模型及个性化层模型；

　　8.将所述基础层模型按照其所属簇的类别上传至边缘训练节点，并接收所述边缘训练节点反馈的边缘基础学习模型或云端泛化学习模型；所述边缘基础学习模型由所述边缘训练节点对同一簇的所述基础层模型进行聚合得到；所述云端泛化学习模型由与所述边缘训练节点连接的云端训练节点对所述边缘基础学习模型进行泛化得到；

　　9.用所述边缘基础学习模型或云端泛化学习模型更新所述个体学习模型中的基础层模型；

　　10.将被授权采集的当前生理数据输入更新后的个体学习模型，得到生理状态监测结果。

　　11.进一步地，所述对被授权采集的历史生理数据进行训练，得到个体学习模型，包括：

　　12.将预处理后的历史生理数据输入卷积神经网络模型进行训练，得到所述基础层模型；

　　13.将所述预处理后的历史生理数据输入深度神经网络模型进行训练，得到所述个性化层模型；

　　16.接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；

　　18.将所述边缘基础学习模型反馈至其所属簇的个体训练节点，以使所述个体训练节点用所述边缘基础学习模型更新所述基础层模型，得到生理状态监测结果。

　　19.进一步地，所述对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型，包括：

　　20.按照所述基础层模型所属簇的类别，获取所述基础层模型的第一神经网络参数；

　　21.按照预设的加权聚合策略，对各基础层模型的第一神经网络参数进行加权聚合，以实现对同一簇的所述基础层模型的聚合，得到所述边缘基础学习模型。

　　23.接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；

　　25.将所述边缘基础学习模型上传至云端训练节点，以使所述云端训练节点对所述边缘基础学习模型进行融合，得到云端泛化学习模型；

　　26.接收所述云端训练节点反馈的云端泛化学习模型，并将所述云端泛化学习模型反馈至所述个体训练节点，以使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果。

　　27.进一步地，在将所述边缘基础学习模型上传至云端训练节点之前，还包括：

　　28.根据所述边缘基础学习模型的神经元参数生成所述边缘基础学习模型的边缘识别矩阵；

　　29.将所述边缘识别矩阵嵌入所述边缘基础学习模型后，上传至所述云端训练节点。

　　31.获取所述云端泛化学习模型，并用所述云端泛化学习模型更新所述边缘基础学习模型。

　　33.接收各边缘训练节点上传的边缘基础学习模型，并分别获取各所述边缘基础学习模型的第二神经网络参数；

　　34.将各所述边缘基础学习模型的第二神经网络参数输入全局神经网络模型进行训练，得到云端泛化学习模型；

　　35.将所述云端泛化学习模型反馈至所述各边缘训练节点，以使所述各边缘训练节点将所述云端泛化学习模型反馈至个体训练节点，从而使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果。

　　38.将所述云端泛化学习模型与所述新加入的边缘训练节点的边缘基础学习模型进行融合，以更新所述云端泛化学习模型。

　　40.个体模型生成单元，用于对被授权采集的历史生理数据进行训练，得到个体学习模型；所述个体学习模型包括基础层模型及个性化层模型；

　　41.个体上传接收单元，用于将所述基础层模型按照其所属簇的类别上传至边缘训练节点，并接收所述边缘训练节点反馈的边缘基础学习模型或云端泛化学习模型；所述边缘基础学习模型由所述边缘训练节点对同一簇的所述基础层模型进行聚合得到；所述云端泛化学习模型由与所述边缘训练节点连接的云端训练节点对所述边缘基础学习模型进行泛化得到；

　　42.个体模型更新单元，用于用所述边缘基础学习模型或云端泛化学习模型更新所述个体学习模型中的基础层模型；

　　43.生理状态监测单元，用于将被授权采集的当前生理数据输入更新后的个体学习模型，得到生理状态监测结果。

　　45.基础个性模型生成模块，用于将预处理后的历史生理数据输入卷积神经网络模型进行训练，得到所述基础层模型；

　　46.个性模型生成模块，用于将所述预处理后的历史生理数据输入深度神经网络模型进行训练，得到所述个性化层模型；

　　47.模型组合模块，用于组合所述基础层模型与所述个性化层模型，得到所述个体学习模型。

　　49.基础模型接收单元，用于接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；

　　50.边缘模型生成单元，用于对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型；

　　51.生理状态监测单元，用于将所述边缘基础学习模型反馈至其所属簇的个体训练节点，以使所述个体训练节点用所述边缘基础学习模型更新所述基础层模型，得到生理状态监测结果。

　　53.第一神经参数获取模块，用于按照所述基础层模型所属簇的类别，获取所述基础层模型的第一神经网络参数；

　　54.基础模型聚合模块，用于按照预设的加权聚合策略，对各基础层模型的第一神经网络参数进行加权聚合，以实现对同一簇的所述基础层模型的聚合，得到所述边缘基础学习模型。

　　56.基础模型接收单元，用于接收个体训练节点上传的基础层模型，并确定所述基础

　　层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；

　　57.边缘模型生成单元，用于对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型；

　　58.上传云端单元，用于将所述边缘基础学习模型上传至云端训练节点，以使所述云端训练节点对所述边缘基础学习模型进行融合，得到云端泛化学习模型；

　　59.生理状态监测单元，用于接收所述云端训练节点反馈的云端泛化学习模型，并将所述云端泛化学习模型反馈至所述个体训练节点，以使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果。

　　61.边缘矩阵生成单元，用于根据所述边缘基础学习模型的神经元参数生成所述边缘基础学习模型的边缘识别矩阵；

　　62.嵌入上传单元，用于将所述边缘识别矩阵嵌入所述边缘基础学习模型后，上传至所述云端训练节点。

　　64.云端模型获取更新单元，用于获取所述云端泛化学习模型，并用所述云端泛化学习模型更新所述边缘基础学习模型。

　　66.第二神经参数获取单元，用于接收各边缘训练节点上传的边缘基础学习模型，并分别获取各所述边缘基础学习模型的第二神经网络参数；

　　67.云端模型生成单元，用于将各所述边缘基础学习模型的第二神经网络参数输入全局神经网络模型进行训练，得到云端泛化学习模型；

　　68.生理状态监测单元，用于将所述云端泛化学习模型反馈至所述各边缘训练节点，以使所述各边缘训练节点将所述云端泛化学习模型反馈至个体训练节点，从而使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果。

　　星空体育官网

　　70.新增节点接收单元，用于接收新加入的边缘训练节点的边缘基础学习模型；

　　71.云端模型更新单元，用于将所述云端泛化学习模型与所述新加入的边缘训练节点的边缘基础学习模型进行融合，以更新所述云端泛化学习模型。

　　73.个体训练节点，用于对被授权采集的历史生理数据进行训练，得到个体学习模型；所述个体学习模型包括基础层模型及个性化层模型；将所述基础层模型按照其所属簇的类别上传至边缘训练节点，并接收所述边缘训练节点反馈的边缘基础学习模型；所述边缘基础学习模型由所述边缘训练节点对同一簇的所述基础层模型进行聚合得到；用所述边缘基础学习模型更新所述个体学习模型中的基础层模型；将被授权采集的当前生理数据输入更新后的个体学习模型，得到生理状态监测结果；

　　74.边缘训练节点，用于接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型；将所述边缘基

　　础学习模型反馈至其所属簇的个体训练节点，以使所述个体训练节点用所述边缘基础学习模型更新所述基础层模型，得到生理状态监测结果。

　　76.个体训练节点，用于对被授权采集的历史生理数据进行训练，得到个体学习模型；所述个体学习模型包括基础层模型及个性化层模型；将所述基础层模型按照其所属簇的类别上传至边缘训练节点，并接收所述边缘训练节点反馈的边缘基础学习模型或云端泛化学习模型；所述边缘基础学习模型由所述边缘训练节点对同一簇的所述基础层模型进行聚合得到；所述云端泛化学习模型由与所述边缘训练节点连接的云端训练节点对所述边缘基础学习模型进行泛化得到；用所述边缘基础学习模型或云端泛化学习模型更新所述个体学习模型中的基础层模型；将被授权采集的当前生理数据输入更新后的个体学习模型，得到生理状态监测结果；

　　77.边缘训练节点，用于接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型；将所述边缘基础学习模型上传至云端训练节点，以使所述云端训练节点对所述边缘基础学习模型进行融合，得到云端泛化学习模型；接收所述云端训练节点反馈的云端泛化学习模型，并将所述云端泛化学习模型反馈至所述个体训练节点，以使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果；

　　78.云端训练节点，用于接收各边缘训练节点上传的边缘基础学习模型，并分别获取各所述边缘基础学习模型的第二神经网络参数；将各所述边缘基础学习模型的第二神经网络参数输入全局神经网络模型进行训练，得到云端泛化学习模型；将所述云端泛化学习模型反馈至所述各边缘训练节点，以使所述各边缘训练节点将所述云端泛化学习模型反馈至个体训练节点，从而使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果。

　　79.第十一方面，本技术提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述生理状态监测方法的步骤。

　　80.第十二方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述生理状态监测方法的步骤。

　　81.针对现有技术中的问题，本技术提供的生理状态监测方法、装置及系统，能够利用个体训练节点、边缘训练节点及云端训练节点，实现在保护本地客户端设备数据安全的前提下，对个体训练节点训练得到的个体学习模型进行聚合及泛化，考虑了生理数据的异质性以及不同设备计算能力的差异性，解决了模型聚合、泛化与生理数据异质之间的矛盾，保持了用户及用户簇之间模型的独特性，提升了模型的训练效果，优化了生理状态监测结果。

　　82.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以

　　102.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。

　　103.由背景技术可知，现有的生理状态监测方法难以在保护本地客户端设备数据安全的前提下，对本地客户端设备训练得到的个体学习模型进行聚合及泛化，也未能考虑生理数据的异质性以及不同设备计算能力的差异性，未能解决模型聚合、泛化与生理数据异质之间的矛盾。为此，本技术提供一种生理状态监测方法、装置及系统。该生理状态监测方法、装置及系统基于联邦机器学习框架实现，能够在保护用户个人数据安全的前提下，实现对不同用户生理数据的共同建模，优化人机接口。

　　104.采用本技术提供的生理状态监测方法能够训练出一套用于生理状态监测的模型，用户利用该预先训练的模型可以实现对生理状态的监测，例如，对人体部位进行运动想象或进行情绪监测、疾病监测等。获得生理状态监测结果后，还可以将这些生理状态监测结果传输至外部设备，包括但不限于影像设备或医疗设备等，以控制这些外部设备动作。

　　105.需要说明的是，不同群体(如是医院康复治疗群体还是日常常规监测群体)的监测需求不同；不同硬件设备(如是可穿戴的手环还是专用脑电采集头盔)的计算能力也有很大差距。同时，由于用户之间的生理数据存在明显的稀缺性、隐私性及异质性，因此难以采用

　　传统的机器学习方法完成模型构建，也就是说，难以训练出一个全局通用的模型以满足每个用户的需求。而一个区域或一个群体内，用户因为具有共同的行为习惯或目的需求，其生理数据又具有相近的特性。本技术所提供的方法能够在充分考虑生理状态监测存在上述特征的情况下，完成生理状态监测。

　　106.一实施例中，参见图1，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术提供一种生理状态监测系统，包括：个体训练节点001及边缘训练节点002。

　　107.个体训练节点001，用于对被授权采集的历史生理数据进行训练，得到个体学习模型；所述个体学习模型包括基础层模型及个性化层模型；将所述基础层模型按照其所属簇的类别上传至边缘训练节点，并接收所述边缘训练节点反馈的边缘基础学习模型；所述边缘基础学习模型由所述边缘训练节点对同一簇的所述基础层模型进行聚合得到；用所述边缘基础学习模型更新所述个体学习模型中的基础层模型；将被授权采集的当前生理数据输入更新后的个体学习模型，得到生理状态监测结果；

　　108.边缘训练节点002，用于接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型；将所述边缘基础学习模型反馈至其所属簇的个体训练节点，以使所述个体训练节点用所述边缘基础学习模型更新所述基础层模型，得到生理状态监测结果。

　　109.一实施例中，参见图1，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术一种生理状态监测系统，包括：个体训练节点001、边缘训练节点002及云端训练节点003。

　　110.个体训练节点001，用于对被授权采集的历史生理数据进行训练，得到个体学习模型；所述个体学习模型包括基础层模型及个性化层模型；将所述基础层模型按照其所属簇的类别上传至边缘训练节点，并接收所述边缘训练节点反馈的边缘基础学习模型或云端泛化学习模型；所述边缘基础学习模型由所述边缘训练节点对同一簇的所述基础层模型进行聚合得到；所述云端泛化学习模型由与所述边缘训练节点连接的云端训练节点对所述边缘基础学习模型进行泛化得到；用所述边缘基础学习模型或云端泛化学习模型更新所述个体学习模型中的基础层模型；将被授权采集的当前生理数据输入更新后的个体学习模型，得到生理状态监测结果；

　　111.边缘训练节点002，用于接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型；将所述边缘基础学习模型上传至云端训练节点，以使所述云端训练节点对所述边缘基础学习模型进行融合，得到云端泛化学习模型；接收所述云端训练节点反馈的云端泛化学习模型，并将所述云端泛化学习模型反馈至所述个体训练节点，以使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果；

　　112.云端训练节点003，用于接收各边缘训练节点上传的边缘基础学习模型，并分别获取各所述边缘基础学习模型的第二神经网络参数；将各所述边缘基础学习模型的第二神经网络参数输入全局神经网络模型进行训练，得到云端泛化学习模型；将所述云端泛化学习模型反馈至所述各边缘训练节点，以使所述各边缘训练节点将所述云端泛化学习模型反馈

　　至个体训练节点，从而使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果。

　　113.需要说明的是，上述个体训练节点的个体学习模型中的基础层用于与其他节点进行信息交换，提升模型训练的效率及准确度；个性化层可以根据个体训练节点的推理目的、计算能力及硬件限制等，确定更合适更准确的降维、特征提取及分类识别网络。

　　114.边缘训练节点的计算能力通常相对较弱，通信效率较高，安全性高，通过多次的简单加权平均来聚合簇内节点的基础层信息，可以完成在相近特征的簇内进行信息共享。同时能够更好地保护用户的隐私，提高通信效率。

　　115.云端训练节点的计算能力最强，通过部署大型网络可以高效率地概括各个簇中对生理数据基础特征的提取能力，发挥联邦机器学习的特长。利用泛化模型实现各边缘节点的信息共享，为每个边缘节点输出模型参数。边缘节点可以只交换边缘模型的参数信息，有效避免了大型模型的参数传递，同时还能降低联邦机器学习中的通信消耗，提高通信效率。

　　117.一实施例中，参见图2，从个体训练节点的角度而言，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术提供一种生理状态监测方法，包括：

　　118.s101：对被授权采集的历史生理数据进行训练，得到个体学习模型；所述个体学习模型包括基础层模型及个性化层模型；

　　119.s102：将所述基础层模型按照其所属簇的类别上传至边缘训练节点，并接收所述边缘训练节点反馈的边缘基础学习模型或云端泛化学习模型；所述边缘基础学习模型由所述边缘训练节点对同一簇的所述基础层模型进行聚合得到；所述云端泛化学习模型由与所述边缘训练节点连接的云端训练节点对所述边缘基础学习模型进行泛化得到；

　　120.s103：用所述边缘基础学习模型或云端泛化学习模型更新所述个体学习模型中的基础层模型；

　　121.s104：将被授权采集的当前生理数据输入更新后的个体学习模型，得到生理状态监测结果。

　　122.可以理解的是，s101至s104的执行主体是本技术提供的生理状态监测系统(下文可以简称系统)中的个体训练节点。个体训练节点可以采集用户的历史生理数据，并利用该采集的历史生理数据进行生理状态监测的模型训练，得到个体学习模型。需要说明的是，在本技术实施例中，用户已经授权系统采集历史生理数据，并授权系统可以利用采集到的历史生理数据进行生理状态监测模型训练。

　　123.一实施例中，参见图3，对被授权采集的历史生理数据进行训练，得到个体学习模型，包括：

　　124.s201：将预处理后的历史生理数据输入神经网络模型进行训练，得到所述基础层模型及所述个性化层模型；

　　125.s202：组合所述基础层模型与所述个性化层模型，得到所述个体学习模型。

　　126.需要说明的是，s201至s202的执行主体是本技术提供的生理状态监测系统(下文可以简称系统)中的个体训练节点。用于数据采集的设备包括但不限于脑电头盔、肌电手环等。在进行训练前，可以先对历史生理数据进行预处理，预处理包括但不限于对采集到的数据进行滤波、对齐等，将采集到的数据处理为标准数据格式，作为卷积神经网络模型及深度

　　神经网络模型的输入。训练好的个体学习模型由基础层和个性化层组成，能够对当前生理数据进行特征提取及分类识别等处理。其中，基础层常见的实现方式为卷积神经网络模型，包括但不限于cnn及lstm；个性化层可以为不同规模的cnn与全连接层网络的组合，也称深度神经网络模型。在本技术实施例中，当前生理数据也应已被用户授权使用。

　　127.还需说明的是，个体训练节点可以对应于本地客户端设备，本地客户端设备可以为某一本地用户使用或一个本地用户群体使用，个体学习模型就是针对该本地用户或该本地用户群体所构建的生理状态监测模型，相对于聚合模型或泛化模型而言，能够更好地贴合该本地用户或该本地用户群体，完成不同的具体任务，例如运动想象及癫痫检测等，也可以是控制各种衍生硬件，例如，医疗器械等。

　　128.个体学习模型的训练完成后，其中的基础层可以被上传到系统中的边缘训练节点。该边缘训练节点应与训练个体学习模型的个体训练节点同属一个簇。所谓簇可以但不限于按照模型用途划分。

　　129.从上述描述可知，本技术提供的生理状态监测方法，能够利用个体训练节点、边缘训练节点及云端训练节点，实现在保护本地客户端设备数据安全的前提下，对个体训练节点训练得到的个体学习模型进行聚合及泛化，考虑了生理数据的异质性以及不同设备计算能力的差异性，解决了模型聚合、泛化与生理数据异质之间的矛盾，保持了用户及用户簇之间模型的独特性，提升了模型的训练效果，优化了生理状态监测结果。

　　130.一实施例中，参见图4，从边缘训练节点的角度而言，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术提供一种生理状态监测方法，包括：

　　131.s301：接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；

　　132.s302：对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型；

　　133.s303：将所述边缘基础学习模型反馈至其所属簇的个体训练节点，以使所述个体训练节点用所述边缘基础学习模型更新所述基础层模型，得到生理状态监测结果。

　　134.可以理解的是，s301至s303的执行主体是本技术提供的生理状态监测系统中的边缘训练节点，其可以与簇内若干个体训练节点交互基础层参数，向云端训练节点发送模型参数并接受模型参数的更新。也就是说，边缘训练节点可以对个体训练节点训练的个体学习模型中的基础层进行聚合，得到通用性更强的模型，然后反馈给个体训练节点，以使个体训练节点更新其基础层，在后续的模型使用中取得更好的效果。

　　135.一实施例中，参见图5，对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型，包括：

　　136.s401：按照所述基础层模型所属簇的类别，获取所述基础层模型的第一神经网络参数；

　　137.s402：按照预设的加权聚合策略，对各基础层模型的第一神经网络参数进行加权聚合，以实现对同一簇的所述基础层模型的聚合，得到所述边缘基础学习模型。

　　138.可以理解的是，s401至s402的执行主体是本技术提供的生理状态监测系统中的边缘训练节点，其可以对所属簇的个体学习模型的上传参数进行加权聚合，加权聚合策略可以包括但不限于根据网络层次、数据集大小、训练轮次等特征进行加权聚合。具体的加权聚合是针对神经网络各层的参数进行的，可以参考现有技术。其还可以根据个体训练模型参

　　数的聚合结果更新边缘网络，包含整个簇内的基础层信息，也就是更新边缘基础学习模型。

　　139.从上述描述可知，本技术提供的生理状态监测方法，能够利用个体训练节点、边缘训练节点及云端训练节点，实现在保护本地客户端设备数据安全的前提下，对个体训练节点训练得到的个体学习模型进行聚合及泛化，考虑了生理数据的异质性以及不同设备计算能力的差异性，解决了模型聚合、泛化与生理数据异质之间的矛盾，保持了用户及用户簇之间模型的独特性，提升了模型的训练效果，优化了生理状态监测结果。

　　140.一实施例中，参见图6，从边缘训练节点的角度而言，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术提供一种生理状态监测方法，包括：

　　141.s501：接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；

　　142.s502：对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型；

　　143.s503：将所述边缘基础学习模型上传至云端训练节点，以使所述云端训练节点对所述边缘基础学习模型进行融合，得到云端泛化学习模型；

　　144.s504：接收所述云端训练节点反馈的云端泛化学习模型，并将所述云端泛化学习模型反馈至所述个体训练节点，以使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果。

　　145.可以理解的是，s501至s504的执行主体是本技术提供的生理状态监测系统中的边缘训练节点，与s401至s402不同的是，边缘训练节点可以将其所聚类得到的边缘基础学习模型上传至云端训练节点，以使云端训练节点对边缘基础学习模型进行融合，得到云端泛化学习模型，后续可以接收云端泛化学习模型以更新边缘基础学习模型。

　　146.基础层模型可以根据模型的用途、所处理的神经信号的种类等分属不同簇，一个边缘训练节点对应同一个簇内所有的本地节点。一实施例中，参见图7，在将所述边缘基础学习模型上传至云端训练节点之前，还包括：

　　147.s601：根据所述边缘基础学习模型的神经元参数生成所述边缘基础学习模型的边缘识别矩阵；

　　148.s602：将所述边缘识别矩阵嵌入所述边缘基础学习模型后，上传至所述云端训练节点。

　　149.可以理解的是，s601至s602的执行主体是本技术提供的生理状态监测系统中的边缘训练节点。s601至s602的作用是在将边缘基础学习模型上传云端训练节点之前，对其进行加密处理以提升模型的安全性，以及减少参数量，降低通信消耗，相当于对模型简化降维提取特征，以便于云端模型的训练和泛化。

　　150.具体实施时，首先神经元参数可以根据实际应用场景进行选取，本技术不对神经元参数的具体内容作出限制。然后，可以选取简单的神经网络模型、哈希函数、固定映射或加密转换算法等，将边缘训练节点的编号(id)、计算能力、边缘基础学习模型的层次规模等信息进行压缩加密映射处理，得到边缘识别矩阵。举例而言，得到边缘识别矩阵的具体方法可以是：边缘训练节点设备上的神经网络通过降维和特征提取，对边缘网络的信息及权重参数进行压缩，得到的边缘识别矩阵。边缘识别矩阵的参数数量远低于原有的边缘网络，便于节点间数据的传输，特别是作为云端网络的输入，利于完成有效训练，同时也是为了将原网络的信息进行聚合，以有效表示簇边缘网络的特征。边缘识别矩阵可以包括但不限于边

　　缘基础学习模型的抽象表示及边缘训练节点的压缩信息。具体加密及压缩方法可以参见现有技术。

　　151.一实施例中，本技术提供的生理状态监测方法，还包括：获取所述云端泛化学习模型，并用所述云端泛化学习模型更新所述边缘基础学习模型。

　　152.从上述描述可知，本技术提供的生理状态监测方法，能够利用个体训练节点、边缘训练节点及云端训练节点，实现在保护本地客户端设备数据安全的前提下，对个体训练节点训练得到的个体学习模型进行聚合及泛化，考虑了生理数据的异质性以及不同设备计算能力的差异性，解决了模型聚合、泛化与生理数据异质之间的矛盾，保持了用户及用户簇之间模型的独特性，提升了模型的训练效果，优化了生理状态监测结果。

　　153.一实施例中，参见图8，从云端训练节点的角度而言，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术提供一种生理状态监测方法，包括：

　　154.s701：接收各边缘训练节点上传的边缘基础学习模型，并分别获取各所述边缘基础学习模型的第二神经网络参数(可以是边缘基础学习模型的边缘识别矩阵)；

　　155.s702：将各所述边缘基础学习模型的第二神经网络参数输入全局神经网络模型进行训练，得到云端泛化学习模型；

　　156.s703：将所述云端泛化学习模型反馈至所述各边缘训练节点，以使所述各边缘训练节点将所述云端泛化学习模型反馈至个体训练节点，从而使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果。

　　157.可以理解的是，s701至s703的执行主体是本技术提供的生理状态监测系统中的云端训练节点。云端训练节点的输入可以来自于边缘训练节点的识别信息，输出可以生成特性化边缘基础学习模型的参数，其输出网络的大小为分簇个性化的。

　　158.一实施例中，参见图19，边缘网络的结构及参数数量可以是互不相同的。每个边缘训练节点可以采用相同的固定映射方式或用边缘网络上自我训练得到的神经网络，将边缘网络模型最终压缩表示为识别单元。因云端服务器的计算能力非常强，可以部署参数更多、更复杂的大型深度神经网络。识别单元作为云端神经网络的输入，输出的是识别单元对应的边缘网络的独特参数。经过包含所有节点信息的云端网络实现簇之间的信息交流，仍可生成自己独特结构的边缘网络参数，维持自身个性化的程度。

　　159.在进行泛化时，云端训练节点可以考虑各边缘基础学习模型的权重后，按照其各自的权重进行泛化。因为每个标识都包含一个边缘簇内的信息特征，用来自不同边缘网络的识别单元和模型参数进行训练，可以使云端网络聚合所有边缘训练节点的特征信息。类似于边缘网络聚合时考虑簇内本地节点的权重，本技术实施例可以根据边缘模型迭代次数、参与训练的参数量等进行云端模型的泛化。不同边缘网络对于云端网络的贡献可以不同。具体实施时可以根据实际需要进行权重设定，本技术不以此为限。

　　162.s802：将所述云端泛化学习模型与所述新加入的边缘训练节点的边缘基础学习模型进行融合，以更新所述云端泛化学习模型。

　　163.可以理解的是，s801～s802的执行主体是本技术提供的生理状态监测系统中的云端训练节点。在一些情形下会有新的边缘训练节点加入系统，此时，云端训练节点可以接收

　　新加入的边缘训练节点的边缘基础学习模型及其参数，同时接受边缘训练节点的更新信息，收集并等待下一轮次的泛化训练。云端训练节点还可以定期根据上传的更新信息训练更新云端泛化学习模型，重新计算边缘训练节点的参数更新，包括但不限于边缘基础学习模型的参数等，并将更新后的云端泛化学习模型分发至各边缘训练节点。

　　164.需要说明的是，云端泛化学习模型相对于边缘基础学习模型及个体学习模型而言，其通用性及泛化性更高，适用于各个不同簇的个体的生理状态监测。也就是说，本技术实施例通过三个层级的模型训练，提升了模型的泛化能力，进而提升了模型的使用效果。

　　165.还要说明的是，当云端泛化学习模型生成后，边缘训练节点可以用云端泛化学习模型代替原有的边缘基础学习模型，以对边缘基础学习模型进行更新，进而将更新后的边缘基础学习模型发送给个体训练节点，最终，个体训练节点的个体学习模型中的基础层就可以被云端泛化学习模型代替，与其个性化层组合后，可以生成一个泛化能力强，且个性化程度高的个体学习模型，用于对用户生理状态进行监测。

　　166.从上述描述可知，本技术提供的生理状态监测方法，能够利用个体训练节点、边缘训练节点及云端训练节点，实现在保护本地客户端设备数据安全的前提下，对个体训练节点训练得到的个体学习模型进行聚合及泛化，考虑了生理数据的异质性以及不同设备计算能力的差异性，解决了模型聚合、泛化与生理数据异质之间的矛盾，保持了用户及用户簇之间模型的独特性，提升了模型的训练效果，优化了生理状态监测结果。

　　167.为了更好地阐述本技术所述方法、装置及系统的功能，下面举两个例子。

　　以新的用户加入系统的初始化过程为例，有一个云端中心服务器s1，一个边缘节点服务器e2，一个属于边缘节点服务器e2的个体节点脑电设备c4(客户端)。

　　169.(1)客户端c4向边缘节点服务器e2申请获取客户端c4的基础层；

　　170.(2)服务器e2建立边缘网络模型，确定层数、权重个数、网络结构等；

　　171.(3)服务器e2通过计算其自身对应的独特节点识别单元α，向服务器s1发送α；

　　172.(4)服务器s1接收识别单元α，输入至全局神经网络模型，输出得到相应的网络权重参数w，返回w到服务器e2；

　　173.(5)服务器e2接收网络参数w，用于初始化边缘网络模型，向簇内所有个体训练节点分发边缘基础学习模型；

　　174.(6)客户端c4接收边缘基础学习模型，初始化为个体学习模型的基础层，根据设备的存储空间及计算能力建立个体学习模型的个性化层，随机个性化层初始化参数；

　　175.(7)完成客户端c4的初始化，开始采集脑电数据进行工作和模型迭代。

　　以一个工作中的分簇学习系统为例，有一个云端中心服务器s1，一个边缘节点服务器e3，一个属于边缘服务器e3的个体客户端设备c5(客户端)。

　　177.(1)客户端c5采集用户的生理数据(采集及训练均已被授权)，如脑电信号，预处理为标准数据d，并保存为数据集d留待训练；

　　178.(2)客户端c5向本地模型单元输入d，经基础层的特征提取及个性化层的分类识别得到分类结果，发送至目标实现单元完成具体的生理状态监测任务；

　　179.(3)客户端c5采集工作时间t1后，使用数据集d对本地神经网络模型进行训练直到收敛，更新本地模型的基础层参数wb和个性化层参数w

　　180.(4)工作时间t2后，服务器e3向客户端c5发出聚合请求，客户端c5上传本地模型基础层wb。一般t2》》t1，使在两次聚合操作之间可以完成多次本地迭代，减少通信消耗提高聚合效率；

　　做加权聚合操作，包括但不限于根据层、数据集大小、本地训练轮次等的加权策略，得到聚合模型w

　　e’184.其中，we新为更新后的边缘聚合模型，we旧为更新前的边缘聚合模型，w

　　e’为多个基础层的聚合结果，μ为模型参数学习率，δwe表示模型参数的变化值，这些参数包括但不限于模型的权重参数及偏置参数等；

　　185.(7)服务器e3向簇内所有本地节点分发we，用we更新基础层参数wb，更新方式可类似于边缘模型的更新。更新后开始下一轮的本地节点工作与训练；

　　186.(8)服务器e3通过嵌入单元计算新的we，得到节点识别单元α，按一定周期t3可选择向服务器s1发送数据对{α，δwe}，也可选择不参与本轮训练；

　　187.(9)经过t4时间段——其中t4＜2t3，在一次全局更新中只接收一次边缘更新——服务器s1收集上一周期的边缘模型更新数据，对全局模型进行训练；

　　e’并分发对应边缘节点，边缘节点接收参数并更新边缘模型，学习率可与簇内的更新过程不同；若全局模型无法收敛，向全部边缘节点发送继续训练指令，不改变当前边缘模型参数；

　　190.基于同一发明构思，本技术实施例还提供了一种生理状态监测装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于生理状态监测装置解决问题的原理与生理状态监测方法相似，因此生理状态监测装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

　　191.一实施例中，参见图10，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术提供一种生理状态监测装置，包括：

　　192.个体模型生成单元1001，用于对被授权采集的历史生理数据进行训练，得到个体学习模型；所述个体学习模型包括基础层模型及个性化层模型；

　　193.个体上传接收单元1002，用于将所述基础层模型按照其所属簇的类别上传至边缘训练节点，并接收所述边缘训练节点反馈的边缘基础学习模型或云端泛化学习模型；所述边缘基础学习模型由所述边缘训练节点对同一簇的所述基础层模型进行聚合得到；所述云端泛化学习模型由与所述边缘训练节点连接的云端训练节点对所述边缘基础学习模型进行泛化得到；

　　194.个体模型更新单元1003，用于用所述边缘基础学习模型或云端泛化学习模型更新所述个体学习模型中的基础层模型；

　　195.生理状态监测单元1004，用于将被授权采集的当前生理数据输入更新后的个体学

　　197.基础个性模型生成模块1101，用于将预处理后的历史生理数据输入卷积神经网络模型进行训练，得到所述基础层模型及所述个性化层模型；

　　198.模型组合模块1102，用于组合所述基础层模型与所述个性化层模型，得到所述个体学习模型。

　　199.一实施例中，参见图12，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术提供一种生理状态监测装置，包括：

　　200.基础模型接收单元1201，用于接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；

　　201.边缘模型生成单元1202，用于对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型；

　　202.生理状态监测单元1203，用于将所述边缘基础学习模型反馈至其所属簇的个体训练节点，以使所述个体训练节点用所述边缘基础学习模型更新所述基础层模型，得到生理状态监测结果。

　　204.第一神经参数获取模块1301，用于按照所述基础层模型所属簇的类别，获取所述基础层模型的第一神经网络参数；

　　205.基础模型聚合模块1302，用于按照预设的加权聚合策略，对各基础层模型的第一神经网络参数进行加权聚合，以实现对同一簇的所述基础层模型的聚合，得到所述边缘基础学习模型。

　　206.一实施例中，参见图14，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术提供一种生理状态监测装置，包括：

　　207.基础模型接收单元1401，用于接收个体训练节点上传的基础层模型，并确定所述基础层模型所属的簇；所述基础层模型由所述个体训练节点利用历史生理数据及神经网络模型训练得到；

　　208.边缘模型生成单元1402，用于对同一簇的所述基础层模型进行聚合，得到各簇的边缘基础学习模型；

　　209.上传云端单元1403，用于将所述边缘基础学习模型上传至云端训练节点，以使所述云端训练节点对所述边缘基础学习模型进行融合，得到云端泛化学习模型；

　　210.生理状态监测单元1404，用于接收所述云端训练节点反馈的云端泛化学习模型，并将所述云端泛化学习模型反馈至所述个体训练节点，以使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果。

　　211.一实施例中，参见图15，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术提供所述的生理状态监测装置，还包括：

　　212.边缘矩阵生成单元1501，用于根据所述边缘基础学习模型的神经元参数生成所述边缘基础学习模型的边缘识别矩阵；

　　213.嵌入上传单元1502，用于将所述边缘识别矩阵嵌入所述边缘基础学习模型后，上

　　215.云端模型获取更新单元，用于获取所述云端泛化学习模型，并用所述云端泛化学习模型更新所述边缘基础学习模型。

　　216.一实施例中，参见图16，为了能够利用预先训练的个体学习模型完成生理状态监测，本技术提供一种生理状态监测装置，包括：

　　217.第二神经参数获取单元1601，用于接收各边缘训练节点上传的边缘基础学习模型，并分别获取各所述边缘基础学习模型的第二神经网络参数；

　　218.云端模型生成单元1602，用于将各所述边缘基础学习模型的第二神经网络参数输入全局神经网络模型进行训练，得到云端泛化学习模型；

　　219.生理状态监测单元1603，用于将所述云端泛化学习模型反馈至所述各边缘训练节点，以使所述各边缘训练节点将所述云端泛化学习模型反馈至个体训练节点，从而使所述个体训练节点用所述云端泛化学习模型更新所述基础层模型，得到生理状态监测结果。

　　221.新增节点接收单元1701，用于接收新加入的边缘训练节点的边缘基础学习模型；

　　222.云端模型更新单元1702，用于将所述云端泛化学习模型与所述新加入的边缘训练节点的边缘基础学习模型进行融合，以更新所述云端泛化学习模型。

　　223.从硬件层面来说，为了能够用预先训练的个体学习模型完成生理状态监测，本技术提供一种用于实现所述生理状态监测方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：

　　224.处理器(processor)、存储器(memory)、通讯接口(communications interface)和总线；其中，所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯；所述通讯接口用于实现所述生理状态监测装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的生理状态监测方法的实施例，以及生理状态监测装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

　　225.可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(pda)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

　　226.在实际应用中，生理状态监测方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本技术对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。

　　227.上述的客户端设备可以具有通讯模块(即通讯单元)，可以与远程的服务器进行通讯连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

　　228.图18为本技术实施例的电子设备9600的系统构成的示意框图。如图18所示，该电

　　子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图18是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

　　229.一实施例中，生理状态监测方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

　　230.s101：对被授权采集的历史生理数据进行训练，得到个体学习模型；所述个体学习模型包括基础层模型及个性化层模型；

　　231.s102：将所述基础层模型按照其所属簇的类别上传至边缘训练节点，并接收所述边缘训练节点反馈的边缘基础学习模型或云端泛化学习模型；所述边缘基础学习模型由所述边缘训练节点对同一簇的所述基础层模型进行聚合得到；所述云端泛化学习模型由与所述边缘训练节点连接的云端训练节点对所述边缘基础学习模型进行泛化得到；

　　232.s103：用所述边缘基础学习模型或云端泛化学习模型更新所述个体学习模型中的基础层模型；

　　233.s104：将被授权采集的当前生理数据输入更新后的个体学习模型，得到生理状态监测结果。

　　234.从上述描述可知，本技术提供的生理状态监测方法，能够利用个体训练节点、边缘训练节点及云端训练节点，实现在保护本地客户端设备数据安全的前提下，对个体训练节点训练得到的个体学习模型进行聚合及泛化，考虑了生理数据的异质性以及不同设备计算能力的差异性，解决了模型聚合、泛化与生理数据异质之间的矛盾，保持了用户及用户簇之间模型的独特性，提升了模型的训练效果，优化了生理状态监测结果。

　　235.在另一个实施方式中，生理状态监测装置可以与中央处理器9100分开配置，例如可以将数据复合传输装置生理状态监测装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现生理状态监测方法的功能。

　　236.如图18所示，该电子设备9600还可以包括：通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图18中所示的所有部件；此外，电子设备9600还可以包括图18中没有示出的部件，可以参考现有技术。

　　237.如图18所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

　　238.其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

　　239.输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。

　　240.该存储器9140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除

　　且设有更多数据，该存储器的示例有时被称为eprom等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

　　241.存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

　　242.通讯模块9110即为经由天线发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通讯终端的情况相同。

　　243.基于不同的通讯技术，在同一电子设备中，可以设置有多个通讯模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

　　244.本技术的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的生理状态监测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的生理状态监测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

　　245.s101：对被授权采集的历史生理数据进行训练，得到个体学习模型；所述个体学习模型包括基础层模型及个性化层模型；

　　246.s102：将所述基础层模型按照其所属簇的类别上传至边缘训练节点，并接收所述边缘训练节点反馈的边缘基础学习模型或云端泛化学习模型；所述边缘基础学习模型由所述边缘训练节点对同一簇的所述基础层模型进行聚合得到；所述云端泛化学习模型由与所述边缘训练节点连接的云端训练节点对所述边缘基础学习模型进行泛化得到；

　　247.s103：用所述边缘基础学习模型或云端泛化学习模型更新所述个体学习模型中的基础层模型；

　　248.s104：将被授权采集的当前生理数据输入更新后的个体学习模型，得到生理状态监测结果。

　　249.从上述描述可知，本技术提供的生理状态监测方法，能够利用个体训练节点、边缘训练节点及云端训练节点，实现在保护本地客户端设备数据安全的前提下，对个体训练节点训练得到的个体学习模型进行聚合及泛化，考虑了生理数据的异质性以及不同设备计算能力的差异性，解决了模型聚合、泛化与生理数据异质之间的矛盾，保持了用户及用户簇之间模型的独特性，提升了模型的训练效果，优化了生理状态监测结果。

　　250.本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序

　　产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

　　251.本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

　　252.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

　　253.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

　　254.本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

　　1.计算机视觉 2.无线.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用