Date of publication XXXX 00, 0000, date of current version XXXX 00, 0000

---

VOLUME XX, 2017 
1 
Date of publication xxxx 00, 0000, date of current version xxxx 00, 0000. 
Digital Object Identifier 10.1109/ACCESS.2017.Doi Number 
 
Federated Learning for Clinical Event 
Classification Using Vital Signs Data 
 
Ruzaliev Rakhmiddin
1
, KangYoon Lee
1*
 
1 
Department of Computer Engineering, Gachon University, Fort Collins, SongNamSi, 13120 South. Korea
* 
Corresponding author: KangYoon Lee (e-mail: 
[e-mail]
). 
This work was supported in part by the Commercialization’s Promotion Agency for R&D Outcome (COMPA) Grant funded by the Korean Government 
(MSIT) under Grant 2022-Future research service development support-1-SB4-1, and in part by the National Research Foundation of Korea (NRF) Grant 
funded by MSIT under Grant NRF-2022R1F1A1069069.
ABSTRACT
Although the healthcare industry has advanced with machine learning techniques, big data is 
needed to get accurate and fast diagnostic results. The main use of the above offer is to share privacy issues 
with others, making effective forecasting d featured applications that require large amounts of training data. 
Nowadays, Federated learning is used to keep the privacy of the data by using the main server with several 
clients. In this study, we propose clinical event classification using vital signs data with Federated Learning. 
Here, the datasets of X hospital clients with vital signs are using several types of machine learning regression 
models that leverage your own data locally such as Random Forest Regression, XGBoots Regression, 
Logistic Regression etc. Our method got a high positive result in terms of accuracy with 98.9 percent while 
the classification of clinical event.