心电图检测是临床研究热点问题,具有重要的医学意义。现有研究表明,利用机器学习、神经网络等算法对心电图数据进行建模,来实现模型对心律失常事件的检测,其准确率已经达到心电专家的水平,但是传统的机器学习检测方法需要收集大量包含患者隐私的心电数据进行模型训练,这破坏了隐私数据不共享的原则。基于此,提出一种利用联邦学习来进行心电异常检测的算法,在无需或收集少量心电隐私数据的前提下分布式地训练神经网络模型,也可取得较为理想的效果。此外,针对非独立同分布应用场景下联邦学习精度下降的问题展开研究。全文的主要工作和研究内容如下:首先,提出一种基于联邦学习的心电异常检测算法。利用联邦学习分布式地训练模型,代替传统的集中式机器学习,使得各个分布式节点的数据保存在本地,避免大量数据共享,进而降低医疗数据隐私泄露的风险。仿真结果表明,在心电数据独立同分布的情况下,利用联邦学习训练的模型效果接近于集中式机器学习模型。同时联邦学习机制避免了集中收集数据的过程,降低了隐私泄露的风险。其次,针对数据严重非独立同分布时联邦学习模型精度的下降问题,提出了一种融合数据共享策略和动态权值聚合算法的联邦学习模型。首先提出一种全局数据共享改进策略,全局数据放置在中央服务器而无需与其他客户端共享,用以完成模型初始化,其次利用动态权值聚合算法在客户端进行本地训练。仿真结果表明,改进的联邦学习模型能有效克服数据非独立同分布条件下的模型精度下降,在独立同分布条件下同样能提升模型的训练效率,实现了数据隐私与模型性能的平衡。