[論文レビュー] Real-time privacy preserving disease diagnosis using ECG signal

Guanhong Miao, A. Adam Ding+1 more|arXiv (Cornell University)|Feb 8, 2022

Wireless Body Area Networks被引用数 4

ひとこと要約

本稿では、サポートベクターマシン（SVM）を用いた行列暗号化を用いて、ECG信号のリアルタイムでプライバシーを守った疾患診断システムを提案する。精度の損失なしに、クライアントのデータ、診断結果、およびサーバーのモデルとデータベースを保護する。実験の結果、4GB RAMデバイス上でも1秒未塔で診断が可能であり、リアルタイムの健康モニタリングが現実可能であることが示された。

ABSTRACT

The rapid development in Internet of Medical Things (IoMT) boosts the opportunity for real-time health monitoring using various data types such as electroencephalography (EEG) and electrocardiography (ECG). Security issues have significantly impeded the e-healthcare system implementation. Three important challenges for privacy preserving system need to be addressed: accurate diagnosis, privacy protection without compromising accuracy, and computation efficiency. It is essential to guarantee prediction accuracy since disease diagnosis is strongly related to health and life. By implementing matrix encryption method, we propose a real-time disease diagnosis scheme using support vector machine (SVM). A biomedical signal provided by the client is diagnosed such that the server does not get any information about the signal as well as the final result of the diagnosis while the proposed scheme also achieves confidentiality of the SVM classifier and the server's medical data. The proposed scheme has no accuracy degradation. Experiments on real-world data illustrate the high efficiency of the proposed scheme. It takes less than 1 second to derive the disease diagnosis result using a device with 4Gb RAMs, suggesting the feasibility to implement real-time privacy preserving health monitoring.

研究の動機と目的

• IoMT環境において、ECG信号を用いたリアルタイムでプライバシーを守った疾患診断を可能にすること。
• 患者の機微なデータ、診断結果、およびサーバー側のモデルを、診断精度を損なうことなく保護する課題に対処すること。
• 低リソースデバイスへの展開を可能にする高効率な計算性能を確保することにより、リアルタイム監視を実現すること。
• サーバーがクライントの信号や診断結果について何も学習せず、クライントがモデルや学習データについて何も学習しないシステムを設計すること。

提案手法

• クライントのECG信号を送信する前に、ランダムなガウス行列暗号化を用いて隠蔽する。
• 暗号化された信号は、サーバーに保存された事前に訓練されたSVM分類器を用いて処理され、元の信号や結果にアクセスせずに診断が行われる。
• 行列暗号化により、サーバーがデータを処理しても、信号成分のランダム化のおかげで元の信号や診断結果を推測できない。
• 可換暗号化を用いることで、SVMの意思決定関数の構造を保持し、復号化なしに正しい分類が可能となる。
• LDAやICAによる特徴抽出により、暗号化前の信号次元を低減させ、性能に影響を与えることなく効率を向上させる。
• 本方式は、クライントの信号と診断結果の機密性に加え、サーバーのモデルと学習データベースの機密性も保証する。

実験結果

リサーチクエスチョン

• RQ1 プライバシーを守ったECG診断システムを、診断精度を損なわずリアルタイムで動作可能に設計できるか？
• RQ2 クライントの信号データと診断結果をサーバーから保護しつつ、サーバーが正確な分類を実行できるか？
• RQ3 ECG信号上で安全な計算を可能にする暗号化メカニズムは何か？
• RQ4 提案された方式は、4GB RAMなどの低リソースデバイスでも高い計算効率を維持できるか？
• RQ5 行列暗号化の使用が、AUCや精度の観点でSVM分類器の性能に影響を与えるか？

主な発見

• 提案された方式は、4GB RAMデバイス上でも1秒未塔でリアルタイム診断を達成し、実世界への展開の可能性を示した。
• 精度の損失なしに、暗号化後もモデルのAUCに低下がなく、プライバシー保護が診断性能を損なわないことを確認した。
• 行列暗号化法は、クライントのECG信号、診断結果、およびサーバーのモデルと学習データベースの機密性を効果的に保護した。
• ランダムなガウス行列を用いた暗号化により、サーバーが暗号化データを処理しても、元の信号や分類結果を推測できないことが保証された。
• 実世界のECGデータセット（80,000件以上）を用いた検証により、通信コストと計算コストを顕著に削減しながら、モデル性能を維持した。
• セキュリティ解析により、固有値に基づく推論攻撃に対しても、信号や結果の情報漏洩を防げることが確認された。