Het opnieuw identificeren van personen via draagbare gezondheidsgegevens en machine learning

Een nieuwe soort privacyaanval op basis van draagbare gezondheidsgegevens is geïdentificeerd door onderzoekers van de University of Massachusetts Lowell. Person Re-identification Attack (PRI-Attack) gebruikt HIPAA-compliant, openbaar beschikbare gegevens van gezondheidswearables om de identiteit van individuen te vestigen op basis van hartslag-, ademhaling- en handgebarengegevens, en andere.

De kwetsbaarheid is mogelijk gemaakt in de VS door het feit dat de Health Insurance Portability and Accountability Act (HIPAA), hoewel het vereist dat medische gegevens anoniem blijven, geen raw sensorgegevens (zoals huidtemperatuur- en accelerometergegevens) als privacygevoelig beschouwt, en daarom niet vereist dat openbaar gedeelde gegevens van dit type worden versleuteld of onderworpen aan dezelfde algemene beschermingen die het biedt aan traditionele vormen van patiëntgegevens, zoals gezondheidsdossiers.

Van vector naar visueel

Een PRI-Attack gebruikt geïnterpreteerde beeldgegevens om gemeenschappelijke patronen te onderscheiden die correleren met andere soorten gezondheidsgegevens. De huidreactie van een persoon kan bijvoorbeeld worden geëvalueerd vanuit video (fotoplethysmografie), en gecorreleerd met wat zou moeten zijn volledig anonieme vectorinformatie van gezondheidsmonitordata van wearables, zoals horloges, en andere soorten monitordata. Fotoplethysmografie levert hartslaggegevens op, die kunnen worden gekoppeld aan niet-geïdentificeerde wearabledata van het hart.

Handgebarenherkenning is een andere ‘sleutel’ die triviaal kan worden vertaald van vectorgegevens naar een visuele matrix die, opnieuw, geïnterpreteerde beeld-/videogegevens in verband brengt met ogenschijnlijk anonieme accelerometerinformatie in gezondheidsgegevens.

Handgebareninformatie van draagbare gegevens. Bron: https://arxiv.org/pdf/2106.11900.pdf

Sensorgegevens als PII

Het onderzoek, van UML Assistant Professor Mohammad Arif Ul Alam, stelt dat fysiologische sensorgegevens inderdaad PII kunnen vormen, en in feite een biologisch equivalent zijn van de browser fingerprinting-technieken die momenteel geloven dat ze nieuwe initiatieven om gebruikersprivacy op het web te beschermen ondermijnen.

Om de hypothese te testen, ontwikkelde de onderzoeker een handgebarenherkenning- en lokaliseringskader dat gebarengegevens (opgenomen vectorgebaseerde beweging) van een draagbare accelerometer interpreteert en de bewegingen vertaalt naar een visueel verslag dat kan worden gecorreleerd met bewegingen die zijn opgenomen door draagbare gezondheidsapparaten.

Een Multi-Modale Siamese Neural Network (mm-SNN) werd opgebouwd om gebareninformatie te interpreteren die is geclassificeerd via Support Vector Machine (SVM). Een netwerk houdt zich bezig met de vectorinformatie (geïnterpreteerd als beeldinformatie in een 3D-ruimte) en het tweede netwerk behandelt de fysiologische gegevens die zijn opgenomen van sensordata.

Testen

Het systeem werd getest op verschillende datasets, waaronder een ‘Gamer’s Fatigue Dataset’ die werd verkregen door gegevens te verzamelen van vijf vrijwillige studenten, in de leeftijd van 19-25, die computerspellen speelden terwijl ze een Empatica E4 polshorloge droegen. Het horloge heeft een accelerometer (ACC), elektrodermale context (EDA), huidtemperatuur en fotoplethysmografie (PPG)-sensoren.

De E4 werd ook gebruikt in een nieuwe ‘restaurantdata’-dataset, waarin acht vrijwilligers sandwiches bereidden en aten gedurende twintig minuten, en in een ‘oudere volwassenen’-dataset, waarin 22 oudere onderwerpen, in de leeftijd van 75-95, dertien geënsceneerde activiteiten uitvoerden terwijl ze het horloge droegen.

Tenslotte gebruikten de onderzoekers de openbaar beschikbare ‘Healthy Adults Fatigue Dataset’, die 28 gezonde mannen en vrouwen met een gemiddelde leeftijd van 42 volgde gedurende 1-219 opeenvolgende dagen terwijl ze een multisensorwearabled apparaat droegen met vergelijkbare gegevensverzameling als de E4, waaronder een 3-assige accelerometer, galvanische huidreactie-elektrode, temperatuur- en fotosensoren en een barometer.

De resultaten geven aan dat hartslag en ademhaling de meest betrouwbare middelen zijn voor heridentificatie, met een gemiddelde nauwkeurigheid van meer dan 66%.

Resultaten van het testen van de PRI-Attack-methode. Crib: PPG: fotoplethysmografie; HR: hartslag; BR: ademhaling; PVP: Bloedvolume-puls (verkregen van PPG); IBI: Inter Beat Interval (verkregen van PPG); TC: Tonic Component van EDA-signaal; Fasische Component van EDA-gegevens (Ibid); Temp: Temperatuur.

Het onderzoek concludeert:

‘Terwijl moderne computervisietechnologie gemakkelijk kan worden gebruikt om handgebaren en overeenkomstige fysiologische signalen (hartslag, ademhaling) te leren van openbare bewakingscamera’s, kunnen deze enorme hoeveelheden opgenomen video’s gemakkelijk worden gebruikt door aanvallers om gebruikersspecifieke biometrische gegevens te leren en identiteit te onthullen van HIPAA-compliant opgeslagen draagbare sensordata.’

HIPAA beschouwt PHR-gegevens als ‘anoniem per standaard’

De Amerikaanse overheid heeft de groei van persoonlijke gezondheidsdossiers (PHR) erkend en classificeert een dergelijk dossier (inclusief gegevens van gezondheidswearables) als ‘een elektronisch dossier van de gezondheidsinformatie van een individu, waarbij het individu de toegang tot de informatie controleert en mogelijk de mogelijkheid heeft om zijn of haar eigen gezondheidszorg te beheren, te volgen en deel te nemen.’

Desondanks, aangezien dit een fenomeen uit de privésector is, geeft de overheid toe dat er geen officieel toezicht is op deze gegevens, aangezien ze zijn vastgesteld dat ze geen persoonlijk identificeerbare informatie (PII) bevatten. Een rapport van juni 2016 over niet-HIPAA-entiteiten van het Amerikaanse ministerie van Volksgezondheid en Human Services stelt:

‘[Grote] hiaten in beleid rond toegang, beveiliging en privacy blijven bestaan, en verwarring blijft bestaan onder zowel consumenten als innovators. Draagbare fitness-trackers, gezondheidssocial media en mobiele gezondheidsapps zijn gebaseerd op het idee van consumentenbetrokkenheid. Echter, onze wetten en regelgeving hebben niet de pas gehouden met deze nieuwe technologieën.’