Přes identifikaci lidí pomocí nositelných zdravotních dat a strojového učení

Nový typ útoku na soukromí založený na nositelných zdravotních datech byl identifikován výzkumníky z University of Massachusetts Lowell. Útok na opětovnou identifikaci osoby (PRI-Attack) využívá HIPAA-kompatibilní, veřejně dostupná data z nositelných zdravotních zařízení k určení identity osob na základě dat o srdeční frekvenci, dýchání a gestikulaci rukou, mezi jinými.

Tato zranitelnost je umožněna ve Spojených státech tím, že zákon o přenositelnosti a odpovědnosti zdravotního pojištění (HIPAA), zatímco vyžaduje, aby zdravotní data zůstala anonymní, nepovažuje surová data ze senzorů (jako je teplota kůže a data z akcelerometru) za citlivá z hlediska soukromí, a proto nevyžaduje, aby veřejně sdílená data tohoto typu byla šifrována nebo podrobná stejným obecným ochranám, jakým se těší tradiční formy pacientských dat, jako jsou zdravotní záznamy.

Od vektoru k vizuálnímu

Útok na opětovnou identifikaci osoby používá interpretovaná obrazová data k rozpoznání běžných vzorců, které korelují s jinými typy zdravotních dat. Reakce kůže osoby, například, může být hodnocena z videa (fotoplethysmografie), a korelována s tím, co by mělo být zcela anonymními vektorovými informacemi z.health-monitoring zařízení, jako jsou nositelné hodinky, a jiná monitorovací zařízení. Fotoplethysmografie poskytuje data o srdeční frekvenci, která mohou být spárována s neidentifikovanými daty o srdeční činnosti z nositelných zdravotních zařízení.

Rozpoznání gest je dalším “klíčem”, který lze triviálně přeložit z vektorových dat do vizuální matice, která opět umožňuje interpretovat obrazová a video data, aby byla korelována s zdánlivě anonymními daty z akcelerometru v zdravotních datech.

Informace o gestech z nositelných dat. Zdroj: https://arxiv.org/pdf/2106.11900.pdf

Senzořová data jako PII

Výzkum, provedený asistentem profesora Mohammadem Arifem Ul Alamem, tvrdí, že fyziologická senzořová data mohou skutečně tvořit PII, a jsou v podstatě biologickým analogem technik finger-printingu prohlížeče, které se目前 věří, že podkopávají nové iniciativy na ochranu soukromí uživatelů na webu.

K testování hypotézy výzkumník vyvinul rámec pro rozpoznání a lokalizaci gest, který interpretuje data o gestech (zaznamenaná vektorová pohyby) z nositelného akcelerometru, a překládá pohyby do vizuálního záznamu, který může být korelován s pohyby zaznamenanými nositelnými zdravotními zařízeními.

Byl vytvořen multi-modální Siamese Neural Network (mm-SNN), aby interpretoval informace o gestech klasifikované pomocí Support Vector Machine (SVM). Jedna síť se zabývá vektorovými informacemi (interpretovanými jako obrazová informace v 3D prostoru) a druhá síť se zabývá fyziologickými daty zaznamenanými ze senzorových dat.

Testování

Systém byl testován na různých datech, včetně “Gamer’s Fatigue Dataset” získaného shromažďováním dat od pěti dobrovolníků-studentů ve věku 19-25 let, kteří hráli videohry po dobu sedmi dní, zatímco nosili náramkové zařízení Empatica E4 wristband. Hodinky mají akcelerometr, elektrodermální kontext (EDA), teplotu kůže a fotoplethysmografii (PPG) senzory.

E4 byl také použit v novém “restaurant data” datasetu, kde osm dobrovolníků připravilo a snědlo sendviče po dobu dvaceti minut, a v “older adults” datasetu, kde 22 starších subjektů ve věku 75-95 let provedlo 13 scénářových aktivit, zatímco nosilo hodinky.

Nakonec výzkumníci použili veřejně dostupný “Healthy Adults Fatigue Dataset”, který monitoroval 28 zdravých mužů a žen s průměrným věkem 42 po dobu 1-219 po sobě jdoucích dnů, zatímco nosili multisenzorové nositelné zařízení podobné datovým schopnostem E4, včetně 3-osého akcelerometru, galvanického senzoru kůže, teploty a foto senzoru a barometru.

Výsledky ukazují, že srdeční frekvence a dýchací frekvence jsou nejisté prostředky k opětovné identifikaci, s průměrnou přesností >66%.

Výsledky z testování metodologie PRI-Attack. Crib: PPG: fotoplethysmografie; HR: srdeční frekvence; BR: dýchací frekvence; PVP: Blood Volume Pulse (získané z PPG); IBI: Inter Beat Interval (získané z PPG); TC: Tonic Component of EDA signal; Phasic Component of EDA data (Ibid); Temp: Teplota.

Výzkum заключuje:

‘Zatímco moderní technologie počítačového vidění může být snadno využita k naučení gest a příslušných fyziologických signálů (srdeční frekvence, dýchací frekvence) z veřejných kamer, tyto obrovské množství zaznamenaných videí mohou být snadno využity útočníky k naučení uživatelských biometrických údajů, aby odhalili identitu z HIPAA-kompatibilních serverů uložených nositelných senzorových dat.’

HIPAA považuje data PHR za “anonymizovaná ve výchozím stavu”

Americká vláda uznala růst osobních zdravotních záznamů (PHR) a klasifikuje takový záznam (včetně dat z nositelných zdravotních zařízení) jako ‘elektronický záznam o zdravotních informacích osoby, kterým osoba kontroluje přístup k informacím a může mít schopnost spravovat, sledovat a účastnit se své vlastní zdravotní péče’.

Nicméně, jelikož se jedná o jev z privátního sektoru, vláda přiznává, že nemá oficiální dohled nad těmito daty, a stanovila, že neobsahují osobní identifikovatelné informace (PII). Zpráva z června 2016 o nechráněných subjektech HIPAA ze strany ministerstva zdravotnictví a sociálních služeb Spojených států uvádí:

‘[Velké] mezery v politikách kolem přístupu, bezpečnosti a soukromí pokračují, a zmatení přetrvává mezi spotřebiteli i inovátory. Nositelné fitness trackery, zdravotní sociální média a mobilní zdravotní aplikace jsou založeny na myšlence spotřebitelského zapojení. Nicméně, naše zákony a regulace se nevyvíjely tak rychle jako tyto nové technologie.’