[论文解读] 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 4

一句话总结

本文提出了一种基于矩阵加密与支持向量机（SVM）的实时、隐私保护性心电图（ECG）疾病诊断系统，确保在不损失准确率的前提下保护客户端数据、诊断结果以及服务器端模型和数据库。实验表明，该系统在4GB内存设备上可实现不到一秒的诊断速度，具备实现实时健康监测的可行性。

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.

研究动机与目标

• 在物联网医疗（IoMT）环境中实现实时、隐私保护性的心电图疾病诊断。
• 解决在不牺牲诊断准确率的前提下，保护敏感患者数据、诊断结果以及服务器端模型的挑战。
• 确保高计算效率，以实现低资源设备上的部署，支持实时监测。
• 设计一种系统，使得服务器无法了解客户端的信号或诊断结果，客户端也无法了解模型或训练数据。

提出的方法

• 系统使用随机高斯矩阵加密，在信号传输至服务器前混淆客户端的心电图信号。
• 加密后的信号由服务器上存储的预训练SVM分类器处理，该分类器在不访问原始信号或结果的情况下执行诊断。
• 矩阵加密确保即使服务器处理数据，也无法推断出原始信号或诊断结果，因为信号分量已被随机化。
• 通过交换加密保留SVM决策函数的结构，实现无需解密的正确分类。
• 通过线性判别分析（LDA）或独立成分分析（ICA）进行特征提取，可在加密前降低信号维度，提高效率而不牺牲诊断性能。
• 该方案确保客户端信号和诊断结果的机密性，同时保护服务器的模型和训练数据库。

实验结果

研究问题

• RQ1 能否设计一种隐私保护性心电图诊断系统，实现实时运行且不损失诊断准确率？
• RQ2 如何在确保服务器仍能执行准确分类的同时，保护客户端信号数据和诊断结果不被服务器访问？
• RQ3 何种加密机制可实现在心电图信号上进行安全计算，同时不向服务器泄露敏感信息？
• RQ4 所提出的方案能否在低资源设备（如4GB内存设备）上保持高计算效率？
• RQ5 矩阵加密是否会影响SVM分类器在AUC或准确率方面的性能？

主要发现

• 所提方案在4GB内存设备上实现了不到一秒的实时诊断，证明了其在真实世界部署中的可行性。
• 系统保持了零准确率下降，尽管经过加密，模型AUC未见降低，证实隐私保护不会损害诊断性能。
• 矩阵加密方法有效保护了客户端心电图信号、诊断结果以及服务器模型和训练数据的机密性。
• 使用随机高斯矩阵进行加密确保了服务器即使处理加密数据，也无法推断出原始信号或分类结果。
• 该方案显著降低了通信与计算成本，同时保持了模型性能，经真实世界心电图数据集（超过80,000个样本）验证。
• 安全分析表明，该加密机制可防止信号或结果信息泄露，即使在基于特征值的推断攻击下也具备防护能力。