通过使用数据增强和深度学习通过雷达捕获的心脏信号的性别和年龄估计:隐私问题

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 电心电图 (ECG) 是心脏监测的标准,但具有诸如皮肤接触和运动敏感性等局限性.
• 基于雷达的技术为心脏信号采集提供了一个非侵入性的,无接触的替代方案,提高了舒适性和卫生.
• 然而,雷达心脏信号可能会无意中揭示敏感的人口信息,造成隐私风险.

研究的目的:

• 研究从雷达获取的心脏信号中推断人口特征 (性别,年龄) 的可行性.
• 开发和评估用于使用雷达心脏数据进行人口预测的机器学习框架.
• 通过先进的数据增强技术来解决数据限制.

主要方法:

• 用雷达技术捕获心脏信号,并将其转化为时间频率表示 (刻度图).
• 一个卷积神经网络 (CNN) 被用来从缩影图中分类人口特征.
• 使用条件瓦斯斯坦生成对抗网络 (cWGAN) 的数据增强被用于增强小数据集.

主要成果:

• 数据增强显著提高了人口预测模型的性能.
• 该模型在预测性别方面达到78.40%的准确性,在将个人分为两个年龄组 (18-29岁和30-65岁) 时达到72.83%的准确性.
• 尽管只有30名受试者的数据集规模有限,但这些结果还是得到的.

结论:

• 基于雷达的心脏监测系统带有潜在的隐私风险,因为人口统计信息的可推断性.
• 这些发现对电子护照等基于个人属性的安全应用有影响.
• 需要进一步的研究和缓解策略,以平衡雷达技术的好处与隐私保护.