用3D CNN扩展体力活动识别,使用加密的多感官数据,以基于多键同态加密的联合学习

科学领域:

• 计算机科学 计算机科学
• 生物医学工程 生物医学工程
• 网络安全 网络安全

背景情况:

• 医疗物联网 (IoMT) 通过可穿戴传感器实现了智能医疗保健,但数据传输存在隐私风险.
• 联合学习在本地训练模型,在不共享原始数据的情况下将其集中聚合,增强隐私.
• 数据加密进一步保护传输过程中敏感的生物医学信息.

研究的目的:

• 提出一种新的方法来保护客户的隐私,并在互联网传输过程中保护生物医学数据.
• 将数据加密与联合学习集成在一起,以提高 IoMT 应用程序的安全性.
• 评估3D卷积神经网络 (CNN) 的有效性,使用加密和联合学习来识别人类活动.

主要方法:

• 利用三维卷积神经网络 (3D CNNs) 用于使用多感官数据识别人类活动.
• 在传输之前应用比特式XOR运算符进行数据加密.
• 将3D CNN扩展到传统的联合学习和基于多键同型加密的联合学习.

主要成果:

• 3D CNN方法在没有加密或在基准数据集上进行联合学习的情况下实现了高精度 (94.6%-94.9%).
• 数据加密稍微降低了准确率至89.5%,但仍然与最先进的方法保持竞争力.
• 拟议的联合学习方案防止未经授权的当事人通过训练模型来推断私人结果.

结论:

• 一种新的感官数据表示方式将生物信号转化为3D活动图像.
• 拟议的3D CNN方法在人类活动识别方面表现优异,与其他深度学习方法相比.
• 数据加密的联合学习方法在智能医疗保健中的隐私保护方面是可行的和有效的.