การระบุตัวบุคคลอีกครั้งผ่านข้อมูลสุขภาพที่สวมใส่และเครื่องมือการเรียนรู้ของเครื่อง

นักวิจัยจากมหาวิทยาลัยแมสซาชูเซตส์โลเวลล์ได้ระบุการโจมตีแบบใหม่ของความเป็นส่วนตัวที่อาศัยข้อมูลสุขภาพที่สวมใส่ การโจมตีแบบระบุตัวบุคคล (PRI-Attack) ใช้ข้อมูลที่เป็นไปตาม HIPAA และมีอยู่ในเชิงสาธารณะจากอุปกรณ์สุขภาพที่สวมใส่เพื่อกำหนดตัวตนของบุคคลจากข้อมูลอัตราการเต้นของหัวใจ การหายใจ และการเคลื่อนไหวของมือ เป็นต้น

ความเสี่ยงนี้เกิดขึ้นได้ในสหรัฐอเมริกาเนื่องจากกฎหมาย Health Insurance Portability and Accountability Act (HIPAA) กำหนดให้ข้อมูลทางการแพทย์จะต้องไม่ระบุชื่อ แต่ไม่ถือว่าข้อมูลเซ็นเซอร์แบบดั้งเดิม (เช่น อุณหภูมิผิวหนังและข้อมูล gia tốc) เป็นข้อมูลที่มีความอ่อนไหวด้านความเป็นส่วนตัว และดังนั้นจึงไม่ต้องการให้ข้อมูลที่แบ่งปันสาธารณะประเภทนี้ถูกเข้ารหัสหรือได้รับการคุ้มครองในระดับเดียวกับที่ให้กับข้อมูลผู้ป่วยแบบดั้งเดิม เช่น บันทึกสุขภาพ

จากเวกเตอร์เป็นภาพ

การโจมตีแบบ PRI-Attack ใช้ข้อมูลภาพที่ตีความเพื่อระบุรูปแบบทั่วไปที่สอดคล้องกับข้อมูลสุขภาพอื่นๆ ตัวอย่างเช่น การตอบสนองของผิวหนังของบุคคลสามารถ ประเมินจากวิดีโอ (photoplethysmography) และสอดคล้องกับข้อมูลเวกเตอร์ที่ไม่ระบุชื่อจากอุปกรณ์ตรวจสอบสุขภาพ เช่น นาฬิกาที่สวมใส่ และอุปกรณ์ตรวจสอบอื่นๆ Photoplethysmography ให้ข้อมูลอัตราการเต้นของหัวใจ ซึ่งสามารถจับคู่กับข้อมูลการเต้นของหัวใจที่ไม่ระบุชื่อจากอุปกรณ์สุขภาพ

การรู้จำท่าทางเป็นอีกหนึ่ง “กุญแจ” ที่สามารถแปลจากข้อมูลเวกเตอร์เป็นเมทริกซ์ภาพที่สามารถสอดคล้องกับข้อมูลภาพ/วิดีโอที่ตีความได้ ซึ่งสามารถสอดคล้องกับข้อมูล gia tốcที่ไม่ระบุชื่อจากข้อมูลสุขภาพ

ข้อมูลท่าทางมือจากข้อมูลสวมใส่. Source: https://arxiv.org/pdf/2106.11900.pdf

ข้อมูลเซ็นเซอร์เป็นข้อมูลส่วนบุคคล

การวิจัยจาก UML Assistant Professor Mohammad Arif Ul Alam เสนอว่าข้อมูลการรับรู้ทางสรีรวิทยา สามารถประกอบขึ้นเป็นข้อมูลส่วนบุคคล (PII) และเป็นแบบจำลองชีวภาพของเทคนิคการระบุพิมพ์ลายนิ้วมือของเบราว์เซอร์ที่เชื่อกันว่ากำลังทำลายความคิดริเริ่มใหม่ๆ ในการปกป้องความเป็นส่วนตัวของผู้ใช้บนเว็บ

เพื่อทดสอบสมมติฐาน นักวิจัยได้พัฒนาเฟรมเวิร์กการรู้จำและที่ตั้งท่าทางมือที่ตีความข้อมูลท่าทาง (การเคลื่อนไหวเวกเตอร์) จาก gia tốcของอุปกรณ์สวมใส่ และแปลการเคลื่อนไหวเหล่านั้นเป็นบันทึกภาพที่สามารถสอดคล้องกับการเคลื่อนไหวที่บันทึกโดยอุปกรณ์สุขภาพที่สวมใส่

เครือข่ายประสาทเทียมหลายโหมด (mm-SNN) ถูกสร้างขึ้นเพื่อตีความข้อมูลท่าทางที่จัดประเภทโดยเครื่องจักรสนับสนุนเวกเตอร์ (SVM) เครือข่ายหนึ่งจัดการกับข้อมูลเวกเตอร์ (ตีความเป็นข้อมูลภาพในพื้นที่ 3 มิติ) และเครือข่ายอื่นจัดการกับข้อมูลสรีรวิทยาที่บันทึกจากข้อมูลเซ็นเซอร์

การทดสอบ

ระบบถูกทดสอบบนชุดข้อมูลต่างๆ รวมถึง ‘Gamer’s Fatigue Dataset’ ที่รวบรวมข้อมูลจากนักศึกษาสามคนอายุ 19-25 ปี ที่เล่นวิดีโอเกมเป็นเวลา 7 วันขณะสวม Empatica E4 นาฬิกาข้อมือ นาฬิกานี้มี gia tốc อิเล็กโทรเดอร์มัล คอนเท็กซ์ (EDA) อุณหภูมิผิวหนัง และ photoplethysmography (PPG) เซ็นเซอร์

E4 ยังถูกใช้ใน ‘restaurant data’ dataset ใหม่ ซึ่งอาสาสมัคร 8 คนเตรียมและรับประทานแซนด์วิชเป็นเวลา 20 นาที และใน ‘older adults’ dataset ซึ่งผู้เข้าร่วม 22 คนอายุ 75-95 ปี ทำกิจกรรมที่เขียนไว้ 13 กิจกรรมขณะสวมนาฬิกา

สุดท้าย นักวิจัยใช้ ‘Healthy Adults Fatigue Dataset’ ที่มีอยู่ในเชิงสาธารณะ ซึ่งตรวจสอบผู้ชายและผู้หญิงที่มีสุขภาพดี 28 คน โดยเฉลี่ยอายุ 42 ปี เป็นเวลา 1-219 วันติดต่อกันขณะสวมอุปกรณ์สวมใส่หลายเซ็นเซอร์ที่คล้ายกับความสามารถในการรวบรวมข้อมูลของ E4 รวมถึง gia tốc 3 แกน อิเล็กโทรเดอร์มัล การตอบสนองของผิวหนัง อุณหภูมิ และเซ็นเซอร์แสง และบารอมิเตอร์

ผลลัพธ์แสดงให้เห็นว่าอัตราการเต้นของหัวใจและอัตราการหายใจเป็นวิธีที่แน่นอนในการระบุตัวบุคคล โดยมีค่าความแม่นยำเฉลี่ยมากกว่า 66%

ผลลัพธ์จากการทดสอบวิธีการ PRI-Attack. Crib: PPG: photoplethysmography; HR: อัตราการเต้นของหัวใจ; BR: อัตราการหายใจ; PVP: ปริมาตรเลือดที่เต้น (ได้มาจาก PPG); IBI: ระยะเวลาระหว่างการเต้น (ได้มาจาก PPG); TC: ส่วนโทนิคของสัญญาณ EDA; ส่วนฟาซิกของข้อมูล EDA (Ibid); Temp: อุณหภูมิ.

การวิจัยสรุปได้ว่า:

‘แม้ว่าเทคโนโลยีการมองเห็นของคอมพิวเตอร์สมัยใหม่สามารถใช้ได้ง่ายเพื่อเรียนรู้ท่าทางมือและข้อมูลสรีรวิทยาที่สอดคล้องกัน (อัตราการเต้นของหัวใจ อัตราการหายใจ) จากกล้องวงจรปิดสาธารณะ แต่ข้อมูลวิดีโอที่บันทึกจำนวนมากสามารถใช้โดยผู้โจมตีเพื่อเรียนรู้ชีวมิติที่เฉพาะตัวของผู้ใช้เพื่อเปิดเผยตัวตนจากข้อมูลการรับรู้ที่สวมใส่ที่เป็นไปตาม HIPAA’

HIPAA พิจารณาว่าข้อมูล PHR เป็น ‘ 匿名โดยค่าเริ่มต้น ‘

รัฐบาลสหรัฐอเมริกายอมรับการเติบโตของบันทึกสุขภาพส่วนบุคคล (PHR) และ จัดประเภท บันทึกดังกล่าว (รวมถึงข้อมูลจากอุปกรณ์สุขภาพที่สวมใส่) เป็น ‘บันทึกสุขภาพอิเล็กทรอนิกส์ของบุคคลซึ่งบุคคลนั้นควบคุมการเข้าถึงข้อมูลและอาจมีความสามารถในการจัดการ ติดตาม และเข้าร่วมในการดูแลสุขภาพของตนเอง’

อย่างไรก็ตาม เนื่องจากสิ่งนี้เป็นปรากฏการณ์จากภาคเอกชน รัฐบาลยอมรับไม่มีการกำกับดูแลอย่างเป็นทางการเกี่ยวกับข้อมูลนี้ โดยได้กำหนดไว้ว่าไม่มีข้อมูลที่สามารถระบุชื่อได้ (PII) รายงาน ในเดือนมิถุนายน 2016 เกี่ยวกับหน่วยงานที่ไม่ครอบคลุม HIPAA จากกระทรวงสาธารณสุขและบริการมนุษย์ของสหรัฐอเมริกาบอกว่า:

‘ยังคงมีช่องว่างใน นโยบาย เกี่ยวกับการเข้าถึง ความปลอดภัย และความเป็นส่วนตัว และความสับสนยังคงอยู่ทั้งผู้บริโภคและผู้สร้างนวัตกรรม อุปกรณ์ตรวจสอบสุขภาพที่สวมใส่ สื่อสังคมสุขภาพ และแอปสุขภาพมือถือมีพื้นฐานมาจากแนวคิดการมีส่วนร่วมของผู้บริโภค อย่างไรก็ตาม กฎหมายและข้อบังคับของเรายังไม่ตามทันเทคโนโลยีใหม่ๆ เหล่านี้’