[论文解读] SaYoPillow: A Blockchain-Enabled, Privacy-Assured Framework for Stress Detection, Prediction and Control Considering Sleeping Habits in the IoMT

Laavanya Rachakonda, Anand K. Bapatla+2 more|arXiv (Cornell University)|Jul 14, 2020

Sleep and related disorders参考文献 73被引用 10

一句话总结

SaYoPillow 提出了一种基于区块链保护、边缘计算支持的 IoMT 框架，通过监测与睡眠相关的生理信号（如打鼾、肢体活动和睡眠时长）来检测、预测和控制压力，准确率达 96%。该框架在边缘端使用全连接神经网络，并利用以太坊区块链实现隐私保护的云存储和访问控制，通过可定制的用户界面实现实时用户反馈。

ABSTRACT

Considering today's lifestyle, people just sleep forgetting the benefits it provides to the human body. The reasons for not having a productive sleep could be many. Smart-Yoga Pillow (SaYoPillow) is envisioned as a device that may help in recognizing the importance of a good quality sleep to alleviate stress while establishing a measurable relationship between stress and sleeping habits. A system that analyzes the sleeping habits by continuously monitoring the physiological changes that occur during rapid eye movement (REM) and non-rapid eye movement (NREM) stages of sleep is proposed in the current work. In addition to the physiological parameter changes, factors such as sleep duration, snoring range, eye movement, and limb movements are also monitored. The SaYoPillow system is processed at the edge level with the storage being at the cloud. Not having to compromise the user's privacy, SaYoPillow proposes secure data transmission for both uploading and retrieving, and secure storage and communications as an attempt to reduce malicious attacks on healthcare. A user interface is provided for the user to control data accessibility and visibility. SaYoPillow has 96% accuracy which is close to other existing research works. However, SaYoPillow is the only work with security features as well as only work that considers sleeping habits for stress.

研究动机与目标

• 开发一种安全、隐私保护的框架，利用生理和行为睡眠数据实现睡眠期间的持续压力监测。
• 集成区块链技术（以太坊）以实现医疗物联网系统中防篡改的数据存储和细粒度的访问控制。
• 通过在非快速眼动（NREM）和快速眼动（REM）睡眠阶段采集的生理信号，利用边缘机器学习实现实时压力检测与预测。
• 通过与区块链验证数据相连的交互式用户界面，向用户提供可操作的洞察和减压建议。
• 建立可衡量的、以数据为驱动的睡眠质量与压力水平之间的关系，用于预防性医疗。

提出的方法

• 使用全连接神经网络（FCNN）在边缘端处理八种生理信号——睡眠时长、打鼾范围、眼球运动、肢体活动等，基于 15,000 个样本进行训练。
• 使用 TensorFlow 在 13,000 个样本上进行训练，在 2,000 个样本上进行测试，损失低于 1%，压力分类准确率达 96%。
• 利用以太坊区块链存储和验证分析后的压力数据，确保数据完整性，并通过用户界面实现基于角色的访问控制。
• 实现基于模糊逻辑的图形用户界面（GUI），采用表面图可视化压力水平，支持未来移动应用程序的开发。
• 通过安全的 Wi-Fi 将处理后的数据从边缘设备传输至云端，上传和检索数据时采用端到端加密。
• 设计用户界面，允许用户控制数据可见性和访问权限，增强 IoMT 环境中的隐私保障。

实验结果

研究问题

• RQ1 如何有效利用与睡眠相关的生理和行为数据来检测和预测睡眠期间的压力水平？
• RQ2 区块链技术在基于 IoMT 的压力监测系统中对保护敏感健康数据起到何种作用？
• RQ3 边缘机器学习能否在不损害用户隐私的前提下实现实时、高精度的压力检测？
• RQ4 如何在安全、可扩展的 IoMT 医疗框架中实现用户控制的访问和数据可见性？
• RQ5 睡眠习惯（如时长、打鼾、活动）与压力水平的相关性有多大，能否被有效建模？

主要发现

• SaYoPillow 框架在 15,000 个样本的数据集上，利用全连接神经网络对五级压力水平的分类准确率达 96%。
• 该模型训练损失低于 1%，表明在压力预测方面具有良好的收敛性和可靠性。
• 以太坊区块链的集成实现了分析后压力数据的安全、不可篡改存储，具备可验证的访问控制和可审计性。
• 该系统成功实现了在睡眠期间每 15 分钟一次的生理信号和压力水平的实时监控与可视化。
• 用户界面支持对数据访问角色的动态控制，增强了用户在数据共享中的隐私保护和自主权。
• 该框架可扩展至移动应用程序，并可与第三方健康应用集成，实现更广泛的医疗健康系统整合。