Gjenkjenning av personer gjennom bærbare helsedata og maskinlæring

En ny type personvernsangrep basert på bærbare helsedata er blitt identifisert av forskere fra University of Massachusetts Lowell. Person Re-identifisering Angrep (PRI-Angrep) bruker HIPAA-kompatible, offentlig tilgjengelige data fra helsesensorer til å etablere identiteten til personer fra hjerteaktivitet, pustefrekvens og håndbevegelser, blant annet.

Sårbarheten er mulig i USA på grunn av at Health Insurance Portability and Accountability Act (HIPAA), selv om det krever at medisinske data forblir anonyme, ikke betrakter rå sensordata (slik som hudtemperatur og akselerometer (ACC) data) som personlig sensitiv informasjon, og derfor ikke krever at offentlig delt data av denne typen skal være kryptert eller underlagt samme generelle beskyttelse som det gir til tradisjonelle former for pasientdata, som helsejournaler.

Fra Vektor til Visuell

Et PRI-angrep bruker tolket bildeinformasjon til å skille ut vanlige mønster som korrelerer til andre typer helseinformasjon. En persons hudrespons, for eksempel, kan være vurdert fra video (photoplethysmography), og korrelerer med hva som burde være fullstendig anonym vektorinformasjon fra helseovervåkingsenheter som bærbare klokker og andre typer overvåkingsapparater. Photoplethysmography gir hjerteaktivitetsdata, som kan kombineres med ikke-identifisert bærbare hjerteaktivitetsdata.

Gestigjenkjenning er en annen ‘nøkkel’ som kan oversettes fra vektordata til en visuell matrise som, igjen, tillater tolket bilde-/videoinformasjon å korreleres med åpenbart anonym akselerometerinformasjon i helseinformasjon.

Håndbevegelsesinformasjon fra bærbare data. Kilde: https://arxiv.org/pdf/2106.11900.pdf

Sensor Data Som PII

Forskningen, fra UML Assistant Professor Mohammad Arif Ul Alam, hevder at fysiologisk sensorinformasjon kan utgjøre PII, og er i virkeligheten en biologisk analog til nettleserfingeravtrykksteknikkene som for tiden anses å undergrave nye initiativer for å beskytte brukerens personvern på nettet.

For å teste hypotesen, utviklet forskeren en håndbevegelsesgjenkjenning og lokaliseringsramme som tolker håndbevegelsesdata (innspilt vektorbasert bevegelse) fra en bærbare akselerometer, og oversetter bevegelsene til en visuell registrering som kan korreleres med bevegelser registrert av bærbare helseenheter.

En Multi-Modal Siamese Neural Network (mm-SNN) ble konstruert for å tolke håndbevegelsesinformasjon klassifisert via Support Vector Machine (SVM). En nettverk behandler vektorinformasjon (tolket som bildeinformasjon i et 3D-rom) og det andre nettverket behandler fysiologisk data registrert fra sensorinformasjon.

Testing

Systemet ble testet på ulike datasett, inkludert et ‘Gamer’s Fatigue Dataset’ som ble samlet inn ved å samle inn data på fem frivillige studenter, i alderen 19-25, som spilte videospill i syv dager mens de bar Empatica E4 armbånd. Klokken har ACC, elektrodermal kontekst (EDA), hudtemperatur og photoplethysmography (PPG) sensorer.

E4 ble også brukt i et nytt ‘restaurant data’ datasett, hvor åtte frivillige forberedte og spiste sandwich i tyve minutter, og i et ‘eldre voksne’ datasett, hvor 22 eldre subjekter, i alderen 75-95, utførte 13 skriptede aktiviteter mens de bar klokken.

Til slutt brukte forskerne det offentlig tilgjengelige ‘Healthy Adults Fatigue Dataset’, som overvåket 28 friske menn og kvinner med en gjennomsnittsalder på 42 over 1-219 påfølgende dager mens de bar en multisensor bærbare enhet som ligner på datainnsamlingskapasiteten til E4, inkludert en 3-akse ACC, galvanisk hudrespons-elektrode, temperatur- og fotosensorer og en barometer.

Resultatene indikerer at hjerteaktivitet og pustefrekvens er de sikreste måtene å gjenkjenne, med en gjennomsnittlig >66%+ nøyaktighetsrate.

Resultater fra testing av PRI-angrepsmetoden. Forklaring: PPG: photoplethysmography; HR: hjerteaktivitet; BR: pustefrekvens; PVP: Blodvolumpuls (obtained fra PPG); IBI: Inter Beat Interval (obtained fra PPG); TC: Tonic Component of EDA signal; Phasic Component of EDA data (Ibid); Temp: Temperatur.

Forskningen konkluderer:

‘ Mens moderne datavisualiserings-teknologi lett kan brukes til å lære håndbevegelser og korresponderende fysiologisk signal (hjerteaktivitet, pustefrekvens) fra offentlige overvåkingskamera, kan disse store mengdene av innspilte videoer lett brukes av angriperne til å lære bruker-spesifikke biometriske data for å avsløre identitet fra HIPAA-kompatible server-lagrede bærbare sensordata.’

HIPAA Betrakter PHR Data ‘Anonymisert Som Standard’

Den amerikanske regjeringen har erkjent veksten av personlige helsejournaler (PHR), og klassifiserer en slik journal (inkludert data fra helsesensorer) som ‘en elektronisk journal over en persons helseinformasjon som personen kontrollerer tilgang til informasjonen og kan ha mulighet til å forvalte, spore og delta i egen helseomsorg’.

Likevel, siden dette er et fenomen fra den private sektoren, godtar regjeringen ingen offisiell tilsyn med slik data, og har fastslått at det ikke inneholder personlig identifiserbar informasjon (PII). En rapport fra juni 2016 om ikke-dekkede HIPAA-entiteter fra det amerikanske helse- og omsorgsdepartementet fastslår:

‘[Store] hull i politikken rundt tilgang, sikkerhet og personvern fortsatt, og forvirring består blant både forbrukere og innovatører. Bærbare fitnesstracker, helsesosiale medier og mobile helseapper er basert på ideen om forbrukerengasjement. Likevel har våre lover og reguleringer ikke holdt tritt med disse nye teknologiene.’