Seguimiento seguro de los signos vitales del paciente utilizando el marco de aprendizaje profundo con cifrado...

Área de la Ciencia:

• Salud digital
• Ingeniería biomédica
• Ciberseguridad

Sus antecedentes:

• La privacidad del paciente es un desafío crítico en la atención médica digital.
• Los sistemas de vigilancia no intrusivos requieren una sólida seguridad de los datos.
• Los métodos existentes a menudo luchan por equilibrar la privacidad con el procesamiento en tiempo real.

Objetivo del estudio:

• Introducir VitalCrypt, un nuevo marco para el monitoreo seguro de los signos vitales en tiempo real.
• Demostrar la eficacia de la combinación de la información del estado del canal (CSI) con el cifrado homomórfico y el aprendizaje profundo.
• Abordar la necesidad de soluciones que preserven la privacidad en el monitoreo de la atención médica.

Principales métodos:

• Información del estado del canal (CSI) utilizada para el monitoreo no intrusivo.
• Implementación de cifrado homomórfico para el cálculo directo de datos cifrados.
• Se utiliza el preprocesamiento de señales (Hampel, Savitzky-Golay, filtros elípticos, PCA) y la extracción de características de la densidad espectral de potencia (PSD).
• Desarrolló una red neuronal ligera con funciones de activación compatibles con el cifrado para la clasificación.

Principales resultados:

• Se logró una precisión del 99,46% para la clasificación de la frecuencia respiratoria en datos simples y del 99,44% en datos encriptados.
• Se ha demostrado una degradación insignificante del rendimiento a pesar del aumento del tiempo de ejecución debido al cifrado.
• Demostró una clasificación efectiva de la respiración y la frecuencia cardíaca mientras mantenía la compatibilidad de la encriptación homomórfica.

Conclusiones:

• VitalCrypt ofrece una solución escalable que preserva la privacidad para el monitoreo de atención médica en tiempo real.
• El marco equilibra una alta precisión con una gran confidencialidad de los datos.
• Presenta un enfoque prometedor para aplicaciones seguras de aprendizaje profundo en el monitoreo remoto y el diagnóstico clínico.