Wiederidentifizierung von Personen durch Wearable-Health-Daten und Machine Learning

Eine neue Art von Datenschutzangriff basierend auf Wearable-Health-Daten wurde von Forschern der University of Massachusetts Lowell identifiziert. Person Re-identification Attack (PRI-Attack) verwendet HIPAA-konforme, öffentlich verfügbare Daten von Health-Wearables, um die Identität von Personen aus Herzfrequenz-, Atem- und Handgestikulationsdaten zu ermitteln.

Die Verwundbarkeit wird durch die Tatsache ermöglicht, dass die Health Insurance Portability and Accountability Act (HIPAA) in den USA, obwohl sie verlangt, dass medizinische Daten anonym bleiben, rohe Sensordaten (wie Hauttemperatur und Beschleunigungsmessdaten) nicht als datenschutzsensibel betrachtet und daher nicht verlangt, dass öffentlich geteilte Daten dieser Art verschlüsselt oder den gleichen allgemeinen Schutzmaßnahmen unterliegen wie traditionelle Arten von Patientendaten, wie Gesundheitsakten.

Von Vektor zu Visual

Ein PRI-Attack verwendet interpretierte Bildaten, um gemeinsame Muster zu erkennen, die mit anderen Arten von Gesundheitsdaten korrelieren. Die Hautreaktion einer Person kann beispielsweise aus Video (Photoplethysmographie) ausgewertet und mit nicht identifizierten Vektordaten von Gesundheitsüberwachungsgeräten wie Wearable-Uhren und anderen Arten von Überwachungsgeräten korreliert werden. Photoplethysmographie liefert Herzfrequenzdaten, die mit nicht identifizierten Wearable-Herzdaten kombiniert werden können.

Die Erkennung von Gesten ist ein weiterer “Schlüssel”, der trivial von Vektordaten in eine visuelle Matrix übersetzt werden kann, die es ermöglicht, interpretierte Bild-/Videodaten mit scheinbar anonymen Beschleunigungsinformationen in Gesundheitsdaten zu korrelieren.

Handgestikinformation von Wearable-Daten. Quelle: https://arxiv.org/pdf/2106.11900.pdf

Sensordaten als PII

Die Forschung, von UML Assistant Professor Mohammad Arif Ul Alam, behauptet, dass physiologische Sensordaten tatsächlich PII darstellen können und im Wesentlichen ein biologisches Analogon der Browser-Fingerabdruck-Techniken sind, die derzeit glaubt man, dass sie neue Initiativen zur Schutz der Benutzerdatenschutz im Internet untergraben.

Um die Hypothese zu testen, entwickelte der Forscher ein Framework zur Erkennung und Lokalisierung von Handgesten, das Gestendaten (aufgezeichnete vektorbasierte Bewegungen) von einem Wearable-Accelerometer interpretiert und die Bewegungen in eine visuelle Aufzeichnung übersetzt, die mit Bewegungen korreliert werden kann, die von Wearable-Gesundheitsgeräten aufgezeichnet werden.

Ein Multi-Modal Siamese Neural Network (mm-SNN) wurde konstruiert, um Gesteninformationen zu interpretieren, die durch Support Vector Machine (SVM) klassifiziert werden. Ein Netzwerk behandelt die Vektordaten (interpretiert als Bildinformation in einem 3D-Raum) und das zweite Netzwerk behandelt die physiologischen Daten, die von Sensordaten aufgezeichnet werden.

Testen

Das System wurde auf verschiedenen Datensätzen getestet, einschließlich eines “Gamer-Fatigue-Datensatzes”, der durch die Erfassung von Daten von fünf freiwilligen Studenten im Alter von 19-25 Jahren erstellt wurde, die sieben Tage lang Videospiele spielten, während sie den Empatica E4 Armband trugen. Die Uhr verfügt über ACC-, electrodermale Kontext- (EDA)-, Hauttemperatur- und Photoplethysmographie-(PPG)-Sensoren.

Der E4 wurde auch in einem neuen “Restaurant-Datensatz” verwendet, in dem acht Freiwillige Sandwiches für zwanzig Minuten zubereiteten und aßen, und in einem “ältere Erwachsene”-Datensatz, in dem 22 ältere Probanden im Alter von 75-95 Jahre 13 skriptierte Aktivitäten durchführten, während sie die Uhr trugen.

Schließlich verwendeten die Forscher den öffentlich verfügbaren “Healthy Adults Fatigue Dataset”, der 28 gesunde Männer und Frauen mit einem Durchschnittsalter von 42 über 1-219 aufeinanderfolgende Tage hinweg mit einem multisensorischen Wearable-Gerät überwachte, das den Daten Erfassungsfähigkeiten des E4 ähnelte, einschließlich eines 3-Achsen-ACC, eines galvanischen Hautreaktions-Elektroden, Temperatur- und Photo-Sensoren und eines Barometers.

Die Ergebnisse zeigen, dass Herzfrequenz und Atemfrequenz die sichersten Mittel zur Wiederidentifizierung sind, mit einer durchschnittlichen Genauigkeitsrate von über 66%.

Ergebnisse aus dem Testen der PRI-Attack-Methode. Crib: PPG: Photoplethysmographie; HR: Herzfrequenz; BR: Atemfrequenz; PVP: Blutvolumenpuls (aus PPG); IBI: Inter-Beat-Intervall (aus PPG); TC: Tonic-Komponente des EDA-Signals; Phasische Komponente des EDA-Datensatzes (Ibid); Temp: Temperatur.

Die Forschung kommt zu dem Schluss:

‘Während moderne Computer-Vision-Technologie leicht verwendet werden kann, um Handgesten und entsprechende physiologische Signale (Herzfrequenz, Atemfrequenz) aus öffentlichen Überwachungskameras zu lernen, können diese großen Mengen an aufgezeichneten Videos leicht von Angreifern verwendet werden, um benutzerspezifische Biometrie zu lernen und die Identität aus HIPAA-konformen Servern mit Wearable-Sensordaten zu enthüllen.’

HIPAA betrachtet PHR-Daten als “anonymisiert von Standard”

Die US-Regierung hat das Wachstum von persönlichen Gesundheitsakten (PHR) anerkannt und klassifiziert solche Akten (einschließlich Daten von Health-Wearables) als ‘eine elektronische Aufzeichnung der Gesundheitsinformationen eines Einzelnen, die der Einzelne kontrolliert und möglicherweise die Fähigkeit hat, seine eigene Gesundheitsversorgung zu verwalten, zu verfolgen und daran teilzunehmen’.

Trotzdem gibt die Regierung zu, dass es keine offizielle Aufsicht über solche Daten gibt, da sie keine personenbezogenen Informationen (PII) enthalten. Ein Bericht vom Juni 2016 über nicht-HIPAA-Entitäten des US-Gesundheitsministeriums besagt:

‘[Große] Lücken in den Richtlinien für den Zugriff, die Sicherheit und den Datenschutz bestehen weiterhin, und Verwirrung herrscht sowohl bei Verbrauchern als auch bei Innovatoren. Wearable-Fitness-Tracker, Gesundheits-Soziale-Medien und mobile Gesundheits-Apps basieren auf der Idee der Verbraucherengagement. Allerdings haben unsere Gesetze und Vorschriften nicht mit diesen neuen Technologien Schritt gehalten.’