पोर्टेबल स्वास्थ्य डेटा और मशीन लर्निंग के माध्यम से लोगों की पुनः पहचान

मैसाचुसेट्स लोवेल विश्वविद्यालय के शोधकर्ताओं द्वारा पोर्टेबल स्वास्थ्य डेटा पर आधारित एक नए प्रकार के गोपनीयता हमले की पहचान की गई है। व्यक्ति पुनः पहचान हमला (PRI-Attack) HIPAA-अनुरूप, सार्वजनिक रूप से उपलब्ध स्वास्थ्य पहनने योग्य डेटा का उपयोग करके हृदय दर, सांस लेने और हाथ की गति जैसे डेटा से व्यक्तियों की पहचान स्थापित करता है।

यह कमजोरियां संयुक्त राज्य अमेरिका में स्वास्थ्य बीमा पोर्टेबिलिटी और जवाबदेही अधिनियम (HIPAA) के कारण संभव हैं, जो चिकित्सा डेटा को गुमनाम रखने की आवश्यकता को निर्धारित करता है, लेकिन कच्चे सेंसर डेटा (जैसे त्वचा तापमान और एक्सेलेरोमीटर (ACC) डेटा) को गोपनीयता-संवेदनशील नहीं मानता है, और इसलिए सार्वजनिक रूप से साझा किए गए इस प्रकार के डेटा को एन्क्रिप्ट या पारंपरिक रोगी डेटा के लिए समान सामान्य सुरक्षा प्रदान करने की आवश्यकता नहीं होती है।

वेक्टर से दृश्य तक

एक PRI-Attack व्याख्या की गई छवि डेटा का उपयोग करके सामान्य पैटर्न को पहचानने के लिए करता है जो अन्य प्रकार के स्वास्थ्य डेटा से संबंधित होते हैं। एक व्यक्ति की त्वचा की प्रतिक्रिया को उदाहरण के लिए वीडियो से (फोटोप्लेथिस्मोग्राफी) मूल्यांकन किया जा सकता है और स्वास्थ्य निगरानी उपकरणों जैसे पोर्टेबल घड़ियों और अन्य प्रकार के निगरानी उपकरणों से वेक्टर जानकारी से संबंधित किया जा सकता है। फोटोप्लेथिस्मोग्राफी हृदय दर डेटा प्रदान करता है, जिसे गैर-चिह्नित पहनने योग्य हृदय डेटा के साथ जोड़ा जा सकता है।

आंदोलन मान्यता एक और ‘कुंजी’ है जिसे वेक्टर डेटा से दृश्य मैट्रिक्स में आसानी से अनुवादित किया जा सकता है, जो फिर से व्याख्या की गई छवि/वीडियो डेटा को स्वास्थ्य डेटा में स्पष्ट रूप से गुमनाम एक्सेलेरोमीटर जानकारी से संबंधित करने की अनुमति देता है।

पोर्टेबल डेटा से हाथ की गति जानकारी। स्रोत: https://arxiv.org/pdf/2106.11900.pdf

सेंसर डेटा के रूप में पीआईआई

यूएमएल सहायक प्रोफेसर मोहम्मद अरिफ उल आलम के शोध में दावा किया गया है कि शारीरिक संवेदन डेटा वास्तव में पीआईआई का गठन कर सकता है और वास्तव में ब्राउज़र फिंगरप्रिंटिंग तकनीकों का एक जैविक समकक्ष है जो वर्तमान में माना जाता है वेब पर उपयोगकर्ता गोपनीयता की रक्षा के लिए नए प्रयासों को कमजोर करने के लिए।

इस परिकल्पना का परीक्षण करने के लिए, शोधकर्ता ने एक हाथ की गति मान्यता और स्थानीयकरण ढांचे का विकास किया जो एक पहनने योग्य एक्सेलेरोमीटर से गति डेटा (रिकॉर्ड वेक्टर-आधारित आंदोलन) की व्याख्या करता है और आंदोलनों को एक दृश्य रिकॉर्ड में अनुवादित करता है जो पहनने योग्य स्वास्थ्य उपकरणों द्वारा रिकॉर्ड की गई गतिविधियों से संबंधित किया जा सकता है।

एक बहुस्तरीय सियामीज़ न्यूरल नेटवर्क (mm-SNN) का निर्माण वेक्टर जानकारी (3D स्थान में व्याख्या की गई छवि जानकारी के रूप में) और शारीरिक डेटा (सेंसर डेटा से रिकॉर्ड किया गया) की व्याख्या करने के लिए किया गया था। एक नेटवर्क वेक्टर जानकारी (3D स्थान में व्याख्या की गई छवि जानकारी के रूप में) को संभालता है और दूसरा नेटवर्क शारीरिक डेटा (सेंसर डेटा से रिकॉर्ड किया गया) को संभालता है।

परीक्षण

इस प्रणाली का परीक्षण विभिन्न डेटासेट पर किया गया, जिनमें पांच स्वयंसेवी छात्रों (19-25 वर्ष की आयु) से प्राप्त ‘गेमर्स फैटीग डेटासेट’ शामिल है, जिन्होंने सात दिनों तक एम्पैटिका ई4 पहनने योग्य बैंड पहनकर वीडियो गेम खेले। घड़ी में एक्सेलेरोमीटर (ACC), इलेक्ट्रोडर्मल संदर्भ (EDA), त्वचा तापमान और फोटोप्लेथिस्मोग्राफी (PPG) सेंसर हैं।

ई4 का उपयोग एक नए ‘रेस्तरां डेटा’ डेटासेट में भी किया गया था, जिसमें आठ स्वयंसेवकों ने बीस मिनट तक सैंडविच तैयार किए और खाए, और ‘बुजुर्ग वयस्क’ डेटासेट में, जिसमें 75-95 वर्ष की आयु के 22 बुजुर्ग विषयों ने घड़ी पहने हुए तेरह स्क्रिप्टेड गतिविधियों को किया।

अंत में, शोधकर्ताओं ने सार्वजनिक रूप से उपलब्ध ‘स्वस्थ वयस्क थकान डेटासेट’ का उपयोग किया, जिसने 28 स्वस्थ पुरुषों और महिलाओं (औसत आयु 42) की निगरानी एक से 219 लगातार दिनों तक की थी जब वे एक बहुसेंसर पहनने योग्य डिवाइस पहने हुए थे, जिसमें ई4 की डेटा-संग्रह क्षमताओं के समान 3-एक्सिस एक्सेलेरोमीटर, गैल्वानिक त्वचा प्रतिक्रिया इलेक्ट्रोड, तापमान और फोटो सेंसर, और एक बारोमीटर शामिल थे।

परिणाम दर्शाते हैं कि हृदय दर और सांस लेने की दर पुनः पहचान के लिए सबसे सुरक्षित साधन हैं, जो 66% से अधिक की औसत सटीकता दर प्राप्त करते हैं।

PRI-Attack पद्धति के परीक्षण से परिणाम। क्रिब: PPG: फोटोप्लेथिस्मोग्राफी; एचआर: हृदय दर; बीआर: सांस लेने की दर; पीवीपी: रक्त आयतन पल्स (पीपीजी से प्राप्त); आईबीआई: इंटर बीट अंतराल (पीपीजी से प्राप्त); टीसी: ईडीए सिग्नल का टॉनिक घटक; ईडीए डेटा का फेसिक घटक (उद्धृत); टेम्प: तापमान।

शोध का निष्कर्ष है:

‘जबकि आधुनिक कंप्यूटर दृष्टि प्रौद्योगिकी का उपयोग हाथ की गति और संबंधित शारीरिक संकेत (हृदय दर, सांस लेने की दर) को सार्वजनिक निगरानी कैमरे से सीखने के लिए आसानी से किया जा सकता है, ये बड़ी मात्रा में रिकॉर्ड की गई वीडियो को हमलावरों द्वारा उपयोगकर्ता के विशिष्ट बायोमेट्रिक्स को प्रकट करने और HIPPA अनुरूप सर्वर-संग्रहीत पहनने योग्य सेंसिंग डेटा से पहचान का खुलासा करने के लिए उपयोग किया जा सकता है।’

HIPAA पीएचआर डेटा को ‘डिफ़ॉल्ट रूप से व匿名’ मानता है

संयुक्त राज्य अमेरिका सरकार ने व्यक्तिगत स्वास्थ्य रिकॉर्ड (पीएचआर) के विकास को स्वीकार किया है, और वर्गीकृत ऐसे रिकॉर्ड (स्वास्थ्य पहनने योग्य डेटा सहित) को ‘एक व्यक्ति के स्वास्थ्य जानकारी का एक इलेक्ट्रॉनिक रिकॉर्ड जिसमें व्यक्ति जानकारी तक पहुंच को नियंत्रित करता है और अपने स्वास्थ्य देखभाल में भाग लेने की क्षमता रख सकता है।’

हालांकि, चूंकि यह एक निजी क्षेत्र की घटना है, सरकार इस डेटा पर कोई आधिकारिक निगरानी स्वीकार नहीं करती है, यह स्थापित करते हुए कि यह व्यक्तिगत रूप से पहचान योग्य जानकारी (पीआईआई) नहीं है। जून 2016 में गैर-हिप्पा संस्थाओं पर एक रिपोर्ट से यू.एस. स्वास्थ्य और मानव सेवा विभाग का कहना है:

‘पहुंच, सुरक्षा और गोपनीयता के आसपास नीतियों में बड़े अंतराल बने हुए हैं, और उपभोक्ताओं और नवाचारों के बीच भ्रम बना हुआ है। पहनने योग्य फिटनेस ट्रैकर, स्वास्थ्य सोशल मीडिया और मोबाइल स्वास्थ्य ऐप उपभोक्ता जुड़ाव के विचार पर आधारित हैं। हालांकि, हमारे कानून और विनियम इन नई प्रौद्योगिकियों के साथ तालमेल नहीं बिठा पाए हैं।’