此项目开源地址：

基于 Latti-ai 的医疗健康领域 FHE 密文推理实践：心电图异常检测项目总结

1. 项目背景

最近完成了一个医疗健康领域密文推理项目，方向是“医疗数据不出院”的 AI 推理实践。

项目中，我选择 ECG 心电图异常检测作为具体场景，基于 MIT-BIH Arrhythmia Database 构建二分类模型，并使用 Latti-ai 框架将明文模型转换为支持 FHE 的密文推理模型。

简单来说，这个项目想解决的问题是：在不暴露原始医疗数据的情况下，是否还能完成 AI 推理？

最终实验结果表明，模型可以在密文状态下完成心电异常检测任务。虽然相比明文推理存在一定精度损失和计算开销，但整体预测一致性较高，说明 FHE 在医疗 AI 隐私保护推理场景中具有一定可行性。

---

2. 项目任务说明

本项目对应的任务方向是：

医疗健康领域的密文推理，包括心电图、医疗影像等场景。

项目目标可以概括为三点：

第一，选择一个医疗健康场景，完成可运行的 AI 推理任务。

第二，基于合规途径获取数据，并完成模型训练。

第三，基于 Latti-ai 将明文推理模型转换为支持 FHE 的密文推理模型，并重点观察密文推理后的精度损失是否处于可接受范围内。

在本项目中，我选择了 ECG 心电图异常检测作为实验场景，使用 MIT-BIH Arrhythmia Database 作为数据来源，构建二分类模型，并完成明文训练与密文推理对比。项目文档中记录的整体流程为：数据处理、明文训练、FHE 适配、模型编译、密文推理。

---

3. 技术方案概述

本项目的整体流程如下：

                                                      数据处理
                                                            ↓
                                                   明文模型训练
                                                            ↓
                                                  FHE 模型适配
                                                            ↓
                                                      模型编译
                                                            ↓
                                                      密文推理
                                                            ↓
                                                 结果对比与分析

其中，最核心的部分是从普通神经网络推理转换到 FHE 密文推理。

普通深度学习模型中常见的 ReLU、Sigmoid、BatchNorm 等操作，在 FHE 环境下并不一定能直接高效支持。因此，在模型转换过程中，需要对部分算子进行适配，例如使用多项式近似替代原本的非线性激活操作。

本项目中使用了 Latti-ai 框架完成密文推理相关流程。Latti-ai 是一个面向加密数据 AI 推理的框架，项目中基于它完成模型转换、编译和密文推理执行。

---

4. 数据集与数据处理

本项目使用的数据集为 MIT-BIH Arrhythmia Database，采样率为 360Hz，数据内容包括 ECG 心电信号和对应标注。

4.1 数据处理方式

原始 ECG 信号不能直接输入卷积神经网络，因此需要先进行切片和预处理。

项目中的处理流程如下：

R 峰定位
    ↓
围绕 R 峰截取 256 个采样点
    ↓
Z-score 标准化
    ↓
将 1×256 向量 reshape 为 16×16
    ↓
输入模型，格式为 1×16×16

其中，每个心拍样本以 R 峰为中心进行切片，左侧取 99 个点，右侧取 156 个点，总长度为 256。随后进行 Z-score 标准化，并将一维心电信号转换为 16×16 的二维形式，方便使用 CNN 进行分类。

4.2 标签定义

项目中将心拍分为两类：

类别	标签	含义
Normal	0	正常心拍
Abnormal	1	异常心拍

正常类别包括 N、L、R、e、j 等符号；异常类别包括 A、a、J、S、V、E、F、/、f、Q 等符号。

4.3 数据不平衡问题

医疗数据中一个非常典型的问题是类别不平衡。

在本项目中，正常样本数量明显多于异常样本。训练集中 Normal 样本为 72068，Abnormal 样本为 8485，比例约为 8.5:1。验证集和测试集也保持类似比例。

如果直接训练，模型很容易偏向多数类，也就是更倾向于预测为正常。对于医疗场景来说，这种偏差是比较危险的，因为漏检异常样本可能带来更大的风险。

因此，本项目采用了如下策略：

训练集：Oversampling 到 1:1
验证集 / 测试集：保持原始分布

这样做的好处是，训练阶段可以缓解类别不平衡问题，而验证和测试阶段仍然尽量贴近真实数据分布。

5. 模型训练

本项目使用 PyTorch 完成明文模型训练，模型名称为 two_conv，输入尺寸为：

1 × 16 × 16

任务类型为二分类：

Normal / Abnormal

明文模型训练命令如下：

python examples/test_ecg/train.py \
  --model-name two_conv \
  --epochs 20 \
  --batch-size 32 \
  --lr 0.001 \
  --num-workers 4 \
  --torch-num-threads 4 \
  --num-classes 2 \
  --processed-dir ./examples/test_ecg/processed_over_1to1 \
  --output-dir ./examples/test_ecg/runs/exp_over/model \
  --input-shape 1 16 16

训练完成后，得到明文模型权重：

train_baseline.pth

6. FHE 密文推理适配

明文模型不能直接用于 FHE 推理，因为 FHE 对计算操作有较强限制。尤其是神经网络中的非线性操作，在密文环境下往往需要使用多项式近似进行替换。

因此，本项目进行了 FHE 模型适配，核心操作包括：

加载明文模型权重
    ↓
进行 Poly Replacement
    ↓
使用多项式模块替换部分算子
    ↓
导出适合 FHE 编译的模型

项目中使用的关键参数包括：

--poly_model_convert
--degree 4
--upper-bound 3.0
--poly-module RangeNormPoly2d

对应命令如下：

python examples/test_ecg/train.py \
  --poly_model_convert \
  --model-name two_conv \
  --pretrained ./examples/test_ecg/runs/exp_over/model/train_baseline.pth \
  --epochs 3 \
  --batch-size 16 \
  --lr 0.0005 \
  --num-workers 4 \
  --torch-num-threads 4 \
  --num-classes 2 \
  --processed-dir ./examples/test_ecg/processed_over_1to1 \
  --output-dir ./examples/test_ecg/runs/exp_over/model \
  --export-dir ./examples/test_ecg/runs/exp_over/task/server \
  --input-shape 1 16 16 \
  --degree 4 \
  --upper-bound 3.0 \
  --poly-module RangeNormPoly2d

这一阶段的主要目的，是在尽量保持模型表达能力的前提下，让模型结构适合密文环境中的计算。

7. 模型编译与密文推理

完成 FHE 适配后，需要将模型进一步编译为可执行的密文推理任务。

模型编译命令如下：

python training/run_compile.py \
  --input ./examples/test_ecg/runs/exp_over/model/trained_poly.onnx \
  --output ./examples/test_ecg/runs/exp_over \
  --style multiplexed

随后生成执行配置：

python inference/interface/gen_mega_ag.py \
  --task-dir ./examples/test_ecg/runs/exp_over/task

最后执行密文推理：

python examples/test_ecg/run_fhe_batch10.py

项目中也准备了样本生成脚本，用于从测试集中抽取正常和异常样本，构建密文推理输入。

8. 实验结果

8.1 明文模型结果

明文模型整体表现如下：

指标	数值
Accuracy	0.9079
Weighted F1	0.8932
ROC-AUC	0.9438
PR-AUC	0.8133

从结果来看，明文模型在 ECG 异常检测任务上已经具备较好的分类能力。

分类别结果如下：

类别	Precision	Recall	F1-score
Normal	0.9809	0.9428	0.9615
Abnormal	0.8350	0.8445	0.8249

其中异常类别的 Recall 为 0.8445，说明模型能够识别大部分异常心拍，这对医疗辅助诊断任务比较关键。

8.2 密文推理结果

在单样本测试中，密文推理结果如下：

指标	数值
单样本推理时间	约 11s
Max Error	0.0023
Result	PASS

在 400 条样本测试中，明文模型与 FHE 密文模型结果如下：

指标	明文模型	FHE 密文模型
Accuracy	88.50%	83.50%
Macro F1	88.49%	83.50%
Weighted F1	88.49%	83.50%
Plaintext-Ciphertext Agreement	-	91.00%

从结果可以看出，FHE 密文推理模型相比明文模型存在一定精度下降，但整体仍然保持了较高的一致性。400 样本测试中，明密文预测一致率达到 91.00%。

9. 项目中遇到的问题与解决方法

这一部分是 CSDN 文章中很重要的内容，建议重点写。因为读者不仅关心最终结果，也关心你是怎么解决问题的。

---

问题一：医疗数据类别不平衡

问题描述

ECG 数据中正常心拍数量远大于异常心拍数量。训练集中 Normal 和 Abnormal 的比例约为 8.5:1。

如果直接训练，模型可能通过大量预测正常类别获得较高 Accuracy，但对异常样本识别能力不足。

在医疗场景中，这种情况尤其需要注意，因为异常样本往往才是临床更关注的目标。

解决方法

我在训练集上使用 Oversampling，将正常样本和异常样本比例调整到 1:1。

同时，验证集和测试集保持原始分布，不做过采样处理。

这样既能让模型在训练时更充分学习异常类别特征，又能保证最终评估结果更贴近真实场景。

---

问题二：一维 ECG 信号如何适配 CNN 输入

问题描述

原始 ECG 是一维时间序列信号，而项目中使用的是卷积模型。如何将 ECG 信号转换为适合模型输入的格式，是前期需要解决的问题。

解决方法

我采用了基于 R 峰的切片方式，每个样本截取 256 个点，然后将 1×256 的一维信号 reshape 成 16×16 的二维结构。

这样做的好处是：

第一，保留了心拍局部波形信息。

第二，可以使用轻量 CNN 进行特征提取。

第三，输入维度较小，更适合后续 FHE 推理。

---

问题三：明文模型不能直接用于密文推理

问题描述

普通深度学习模型中的很多算子在 FHE 环境下并不友好。例如 ReLU 等非线性激活函数，在密文状态下难以直接计算。

如果不做模型适配，模型无法顺利完成密文推理。

解决方法

项目中采用了 Poly Replacement 的方式，对模型中的部分非线性操作进行多项式替换。

具体使用参数包括：

degree = 4
upper-bound = 3.0
poly-module = RangeNormPoly2d

通过这种方式，可以让模型结构更适合 FHE 编译和密文推理。

问题四：密文推理存在精度损失

问题描述

经过 FHE 适配后，模型的部分运算被多项式近似替代，因此密文模型与原始明文模型之间会存在一定误差。

这会直接影响最终分类结果。

解决方法

我通过明文模型和 FHE 模型的对比实验来评估精度损失。

在 400 条样本测试中，明文模型 Accuracy 为 88.50%，FHE 密文模型 Accuracy 为 83.50%，精度下降约 5 个百分点；同时，明密文预测一致率达到 91.00%。

从项目角度来看，这说明密文推理虽然会带来一定性能损失，但整体预测结果仍然具有较高一致性，具备进一步优化和落地探索价值。

---

问题五：密文推理速度明显慢于明文推理

问题描述

FHE 的计算开销远高于普通明文推理。项目中单样本密文推理时间约为 11 秒。

对于实时医疗监测场景来说，这个速度还不够理想。

解决方法

目前项目采用的是轻量模型结构，并尽量降低输入尺寸和网络复杂度。

后续可以从以下方向继续优化：

1. 减少模型层数和参数量。
2. 优化多项式近似阶数。
3. 尝试批量推理。
4. 调整编译策略。
5. 使用更高性能的 CPU 或服务器环境。
6. 对模型结构进行 FHE 友好化设计。

---

问题六：路径、环境和平台差异带来的调试成本

问题描述

项目涉及 Windows 和 Linux 两种环境。数据处理可以在 Windows 或 Linux 上运行，但密文推理和算子替换主要依赖 Linux 环境。

因此，在实际开发过程中，路径配置、依赖版本、文件目录结构都会影响运行结果。

解决方法

我将流程拆分为几个阶段：

数据预处理
模型训练
FHE 转换
模型编译
样本生成
密文推理

每个阶段单独验证输出文件是否正确，再进入下一步。

同时，固定项目目录结构，例如：

processed_over_1to1/
runs/exp_over/model/
runs/exp_over/task/

这样可以减少因为路径错误导致的调试问题。

10. 项目收获

通过这个项目，我对医疗 AI 和隐私计算的结合有了更直观的理解。

10.1 对医疗 AI 的理解

医疗 AI 不仅仅是训练一个高精度模型，还需要考虑数据来源、合规性、数据分布、异常样本召回率以及真实场景中的使用条件。

尤其是在 ECG 异常检测任务中，Accuracy 并不是唯一指标。对于异常类别，Recall 和 F1-score 同样重要，因为漏检异常样本可能带来更高风险。

10.2 对 FHE 的理解

FHE 的价值在于，它允许模型在不接触明文数据的情况下完成计算。

这对于医疗场景非常有意义，因为医院可以保留原始数据，外部算法服务方只接触加密数据，从而降低隐私泄露风险。

但 FHE 目前也存在明显挑战，例如计算速度慢、支持算子有限、模型结构需要适配、精度可能下降等。

10.3 对工程落地的理解

这个项目不是单纯的模型训练，而是一个完整工程流程：

数据 → 模型 → 转换 → 编译 → 推理 → 指标评估

每一步都可能出现问题，需要逐步验证。

这让我认识到，隐私计算项目更强调系统能力，而不只是算法精度。

11. 后续优化方向

如果继续优化这个项目，我认为可以从以下几个方向进行：

11.1 优化模型结构

可以尝试设计更适合 FHE 的轻量网络，例如减少非线性层数量、降低卷积层复杂度、控制中间特征维度。

11.2 优化多项式替换策略

当前使用 degree=4 的多项式替换，后续可以尝试不同 degree 和 upper-bound 参数，观察精度和推理速度之间的平衡。

11.3 扩大测试样本规模

当前已经完成单样本、200 样本和 400 样本测试。后续可以进一步扩大测试规模，使评估结果更稳定。

11.4 引入更多医疗场景

除了 ECG 心电异常检测，还可以继续尝试：

医学影像分类
肺部疾病识别
眼底图像辅助诊断
医学检验指标风险预测

11.5 优化推理性能

密文推理时间仍然是落地时的重要问题。后续可以结合批量推理、并行计算、编译优化和硬件优化进一步降低推理延迟。

---

12. 总结

本项目完成了一次医疗健康领域 FHE 密文推理的完整实践。

项目以 ECG 心电图异常检测为应用场景，基于 MIT-BIH Arrhythmia Database 完成数据处理和明文模型训练，并使用 Latti-ai 框架完成 FHE 模型适配、模型编译和密文推理。

实验结果表明，FHE 密文推理在保护数据隐私的同时，能够完成有效的 AI 分类任务。虽然密文模型相比明文模型存在一定精度损失和推理耗时增加，但整体结果仍然具有较好的参考价值。

在 400 条样本测试中，明文模型 Accuracy 为 88.50%，FHE 密文模型 Accuracy 为 83.50%，明密文预测一致率达到 91.00%。这说明 FHE 技术在医疗 AI 隐私保护推理场景中具有一定可行性。

对我来说，这个项目最大的收获是：医疗 AI 的真正落地，不只是模型精度问题，还必须同时考虑数据安全、合规要求、工程部署和推理效率。FHE 为“数据可用不可见”提供了一种很有价值的技术路径，也让我对隐私计算在医疗领域的应用有了更深入的认识。