[논문]Privacy-Preserving Method to Collect Health Data from Smartband

Moon, Su-Mee; Kim, Jong-Wook

doi:10.9708/jksci.2020.25.04.113

Privacy-Preserving Method to Collect Health Data from Smartband 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.25 no.4, 2020년, pp.113 - 121

Moon, Su-Mee (Dept. of Computer Science, Sangmyung University) , Kim, Jong-Wook (Dept. of Computer Science, Sangmyung University)

초록
AI-Helper

센서 기술의 발전과 스마트 워치, 스마트 밴드와 같은 웨어러블 기기의 보편화로 개인의 건강데이터를 실시간으로 수집하는 일이 가능해졌다. 웨어러블 기기에서 파생된 걸음 수, 심박 수와 같은 건강 데이터들은 모바일 환경의 위치, 날씨 데이터 등의 외부 데이터와 결합하여, 개인의 라이프 스타일 및 건강 상태를 분석하는 방식으로 활용되고 있다. 이처럼 웨어러블 기기에서 파생된 건강 데이터는 편리하고 유용한 기능을 제공하지만 개인의 생활과 밀접한 연관이 있기 때문에 외부에 노출될 경우 심각한 프라이버시 침해 문제가 발생한다. 이에 본 연구는 지역차분프라이버시와 특징점 추출 알고리즘을 사용하여, 웨어러블 기기에서 추출한 건강 데이터를 데이터 소유자의 프라이버시 침해 없이 데이터 수집가에게 전송할 수 있는 기법을 소개한다. 지역차분프라이버시를 통해 데이터 소유자의 프라이버시를 보호하였으며 특징점 알고리즘으로 프라이버시 보호 수준과 데이터 유용성간의 상충 관계를 조절하였다. 실험 결과는 제안하는 기법이 단순 방법에 비해 최대 77% 정도의 오차율 개선이 있음을 보여준다. 수집된 데이터는 데이터 사용자의 요구에 따라 헬스 케어 및 맞춤형 서비스 산업에서 유의미하게 활용될 수 있다.

Abstract ▼ AI-Helper

With the rapid development of information and communication technology (ICT), various sensors are being embedded in wearable devices. Consequently, these devices can continuously collect data including health data from individuals. The collected health data can be used not only for healthcare services but also for analyzing an individual's lifestyle by combining with other external data. This helps in making an individual's life more convenient and healthier. However, collecting health data may lead to privacy issues since the data is personal, and can reveal sensitive insights about the individual. Thus, in this paper, we present a method to collect an individual's health data from a smart band in a privacy-preserving manner. We leverage the local differential privacy to achieve our goal. Additionally, we propose a way to find feature points from health data. This allows for an effective trade-off between the degree of privacy and accuracy. We carry out experiments to demonstrate the effectiveness of our proposed approach and the results show that, with the proposed method, the error rate can be reduced upto 77%.

주제어

표/그림 (11)

그림 Fig. 1. Event Timeline from Step Count
그림 Fig. 2. An example of feature points searched by proposed method for different k
그림 Fig. 3. Local differential privacy
그림 Fig. 4. (a) Naive approach (b) Proposed approach
그림 Fig. 5. Owner-side process of proposed approach
그림 Fig. 6. Pseudo-code for searching feature points with step count data
그림 Fig. 7. Aggregator-side process of proposed approach
표 Table. 1. An example of average error for proposed approach (k = 4)
그림 Fig. 8. An example of average error comparison between proposed and naive approach (data size = 290 × 10¹ , ε = 2.0 , k = 4)
그림 Fig. 10. Average error comparison between proposed and naive approach for different data size (ε = 2.0)
그림 Fig. 9. Average error comparison between proposed and naive approach for various privacy budget (data size = 290 × 10¹)

AI 본문요약
AI-Helper

문제 정의

본 연구는 데이터 소유자(제공자)의 프라이버시를 보존하면서 효과적으로 데이터를 수집하는 방법에 대해 제안한다. 건강 데이터를 소유자 측면에서 노이즈를 추가하여 변조한 후, 변조된 데이터를 데이터 수집자에게 전송하는 방식이다.

가설 설정

차분 프라이버시에서 소유자는 믿을 수 있는 제 3자인 데이터 수집자에게 원본 데이터를 보내고, 데이터 수집자는 차분 프라이버시를 만족하도록 원본 데이터에 노이즈를 추가한다. 반면 지역 차분 프라이버시에서는 믿을 수 있는 제 3자가 존재하지 않는다고 가정한다 [13], [14]. 소유자는 직접 지역 차분 프라이버시를 만족하도록 노이즈를 원본 데이터 에 추가하여 변조된 데이터를 데이터 수집자에게 전송한다.

제안 방법

본 연구에서는 데이터 소유자의 스마트 밴드에 서 특징점을 추출하고 지역 차분 프라이버시를 만족하도록 노이즈를 추가하여 데이터 수집자에게 전송하는 프로세스를 통해 데이터 소유자의 프라이버시를 보호하면서 건강 데이터를 수집하는 방법을 제안하였다.

대상 데이터

실험에 사용된 데이터는 샤오미 미밴드를 통해 290명으로부터 10시에서 21시 사이에 수집한 1일 누적 걸음 수로, 데이터 사이즈에 따른 성능 평가를 위해 10, 100배 크기로 복제하여 사용했다.

성능/효과

또한 제안하는 기법이 단순 계산 기법보다 오차율이 적은데, 이는 제안하는 기법이 원본 데이터와 보다 유사하며 데이터 유용성 측면에서 우수하다는 것을 의미한다.
제안하는 기법의 그래프가 단순 계산 기법의 그래프보다 원본 그래프와 유사하다는 것을 확인할 수 있다.

후속연구

차후 연구에서는 제안하는 특징점 추출 기법을 발전시켜, 해당 데이터에 적합한 특징점 개수를 탐색한 후 데이터 수집자에게 전송하는 방법을 통해 오차율을 낮추고 유용성을 향상시키는 방향으로 나아가고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	지역 차분 프라이버시 기법이란?	웨어러블 기기를 통해 안전하게 사용자 데이터를 전송 하기 위한 방법으로, 지역 차분 프라이버시 기법이 존재한 다. 지역 차분 프라이버시는 데이터 수집에서 사용자의 정 보를 보호하기 위해 사용되는 최신의 접근법이다. 지역 차 분 프라이버시에 의해 사용자는 직접 차분 프라이버시를 만족하도록 데이터를 변조하여 서비스 제공자에게 전송한 다.
	웨어러블 기기에서 추출할 수 있는 건강데이터를 활용하는 대표적인 것은?	웨어러블 기기에서 추출할 수 있는 건강 데이터는 심박 수, 심전도, 혈압, 산소 포화도, 수면 상태, 걸음 수, 칼로 리 등으로 기기의 종류에 따라 다양하다. 대표적인 건강 데이터의 활용으로 지능형 어플리케이션과 사용자 행동 인식 연구가 존재한다. 지능형 어플리케이션은 사용자가 웨어러블 기기를 통해 건강 상태, 운동 경과를 모니터링 하거나 일상을 디지털 공간에 저장하는 라이프 로깅 어플 리케이션을 의미한다.
	웨어러블 기기에는 어떤 데이터를 측정하는 센서가 부착되어있는가?	웨어러블 기기에는 온도, 압력, 습도, 자외선과 같은 사 용자 주변 환경뿐 아니라 사용자의 심박 수, 수면 상태, 걸 음 수와 같은 건강 데이터를 측정하는 센서가 부착되어 있 다. 예를 들어 스마트 밴드에는 가속도계가 내장되어 있기 때문에 걸음 수를 통해 사용자의 일상을 유추해낼 수 있 다.

참고문헌 (18)

R. Benzo, "Activity monitoring in chronic obstructive pulmonary disease," Journal of cardiopulmonary rehabilitation and prevention, vol. 29, p. 341, 2009.

상세보기
B. Chikhaoui, B. Ye, and A. Mihailidis, "Ensemble Learning-Based Algorithms for Aggressive and Agitated Behavior Recognition," in Ubiquitous Computing and Ambient Intelligence: 10th International Conference, UCAmI 2016, San Bartolome de Tirajana, Gran Canaria, Spain, November 29-December 2, 2016, Part II, 2016, pp. 9-20.
K. Missen, J. E. Porter, A. Raymond, K. de Vent, and J.- A. Larkins, "Adult deterioration detection system (adds): An evaluation of the impact on met and code blue activations in a regional healthcare service," Collegian, 2017.
M. M. M. Fouad, N. El-Bendary, R. A. Ramadan, and A. E. Hassanien, "Wireless sensor networks: a medical perspective," Wireless Sensor Networks: From Theory to Applications, 2013.
K. F. Navarro, E. Lawrence, and B. Lim, "Medical mote- care: A distributed personal healthcare monitoring sys- tem," in eHealth, Telemedicine, and Social Medicine, 2009. eTELEMED'09. International Conference on. IEEE, 2009, pp. 25-30.
Manogaran, G., Varatharajan, R., Lopez, D., Kumar, P. M., Sundarasekar, R., & Thota, C. (2018). A new architecture of Internet of Things and big data ecosystem for secured smart healthcare monitoring and alerting system. Future Generation Computer Systems, 82, 375-387.

상세보기
J. Taelman, S. Vandeput, A. Spaepen, and S. Van Huffel. Influence of mental stress on heart rate and heart rate variability. In J. Vander Sloten, P. Verdonck, M. Nyssen, and J. Haueisen, editors, 4th European Conference of the International Federation for Medical and Biological Engineering, pages 1366-1369, Berlin, Heidelberg, 2009. Springer Berlin Heidelberg.
Fisher, R., Smailagic, A., & Sokos, G. (2017, December). Monitoring Health Changes in Congestive Heart Failure Patients Using Wearables and Clinical Data. In 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA) (pp. 1061-1064). IEEE.
Warburton, D. E., & Bredin, S. S. (2019). Health Benefits of Physical Activity: A Strengths-Based Approach.
Ruegsegger, G. N., & Booth, F. W. (2018). Health benefits of exercise. Cold Spring Harbor perspectives in medicine, 8(7), a029694.

상세보기
Altun, K., Barshan, B., & Tuncel, O. (2010). Comparative study on classifying human activities with miniature inertial and magnetic sensors. Pattern Recognition, 43(10), 3605-3620.

상세보기
P. Melillo, R. Castaldo, G. Sannino, A. Orrico, G. de Pietro, and L. Pecchia, "Wearable technology and ecg processing for fall risk assessment, prevention and detection," in Proceedings of the 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2015, pp. 7740-7743.
Ye, Q., Hu, H., Meng, X., & Zheng, H. (2019, May). PrivKV: Key-value data collection with local differential privacy. In 2019 IEEE Symposium on Security and Privacy (SP) (pp. 317-331). IEEE.
Lim, J. H., & Kim, J. W. (2019). Privacy-Preserving IoT Data Collection in Fog-Cloud Computing Environment. Journal of the Korea Society of Computer and Information, 24(9), 43-49.

원문보기 상세보기
Zhang, Z., Wang, T., Li, N., He, S., & Chen, J. (2018, January). Calm: Consistent adaptive local marginal for marginal release under local differential privacy. In Proceedings of the 2018 ACM SIGSAC Conference on Computer and Communications Security (pp. 212-229).
Kim, J. W., Kim, D. H., & Jang, B. (2018). Application of local differential privacy to collection of indoor positioning data. IEEE Access, 6, 4276-4286.

상세보기
Kim, J. W., Lim, J. H., Moon, S. M., & Jang, B. (2019). Collecting Health Lifelog Data From Smartwatch Users in a Privacy-Preserving Manner. IEEE Transactions on Consumer Electronics, 65(3), 369-378.

상세보기
Kim, J. W., Jang, B., & Yoo, H. (2018). Privacy-preserving aggregation of personal health data streams. PloS one, 13(11).

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증