[논문]Collecting Health Data from Wearable Devices by Leveraging Salient Features in a Privacy-Preserving Manner

Moon, Su-Mee; Kim, Jong-Wook

doi:10.9708/jksci.2020.25.10.059

[국내논문] Collecting Health Data from Wearable Devices by Leveraging Salient Features in a Privacy-Preserving Manner 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.25 no.10, 2020년, pp.59 - 67

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

초록
AI-Helper

웨어러블 기기의 발전으로 개인의 건강 상태를 실시간으로 확인하고 위험을 예측할 수 있게 되었다. 예를 들어 심장 질환 환자의 심박수, 심전도가 이상 수치를 보이면 위급 상황을 감지하여 자동으로 보호자에게 연락한다. 이처럼 즉각적인 대처를 가능케 하는 건강 데이터는 생명에 관계되는 만큼 유출되었을 시 심각한 피해를 발생시킨다. 본 연구는 지역 차분 프라이버시 기법을 통해 데이터 소유자의 개인 정보를 보호하면서 데이터를 수집하는 방법을 제안한다. 선행 연구에서는 고정된 k개의 특징 점을 탐색하는 알고리즘으로 전체 데이터가 아닌 특징 점 데이터를 데이터 수집가에게 전송하는 기법을 소개하였다. 이어서 본 연구는 최적의 특징 점 개수 k를 찾는 알고리즘을 이용하여 성능을 최대 75% 향상시키는 방법에 대해 설명할 것이다.

Abstract ▼ AI-Helper

With the development of wearable devices, individuals' health status can be checked in real time and risks can be predicted. For example, an application has been developed to detect an emergency situation of a patient with heart disease and contact a guardian through analysis of health data such as heart rate and electrocardiogram. However, health data is seriously damaging when it is leaked as it relates to life. Therefore, a method to protect personal information is essential in collecting health data, and this study proposes a method of collecting data while protecting the personal information of the data owner through a LDP(Local Differential Privacy). The previous study introduced a technique of transmitting feature point data rather than all data to a data collector as an algorithm for searching for fixed k feature points. Next, this study will explain how to improve the performance by up to 75% using an algorithm that finds the optimal number of feature points k.

주제어

표/그림 (8)

그림 Fig. 1. Owner-side process of proposed approach
그림 Fig. 2. Pseudo-code for finding optimal k
그림 Fig. 3. Pseudo-code for searching feature points and R² with step count data [16]
그림 Fig. 4. Aggregator-side process of proposed approach
표 Table 1. An example of average error for proposed approach
그림 Fig. 5. An example of average error comparison between fixed k and optimal k (data size = 290 × 10¹, ε = 2.0)
그림 Fig. 5. Average error comparison between fixed k and optimal k for different data size (ε = 2.0)
그림 Fig. 6. Average error comparison between fixed k and optimal k for various privacy budget (data size = 290 ×10¹ )

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문은 건강 데이터의 유용성을 확보하면서 사생활 침해 없이 수집하는 방법을 제안했다. 제안한 방법에 대한 유의성을 확인해 보기 위해 290명의 스마트밴드로부터 10분 단위로 10시부터 21시까지 수집한 누적 걸음 수 데이터로 실험을 진행했다.
본 논문은 웨어러블 기기에서 개인 정보 침해 없이 건강 데이터를 수집하는 방법을 제안한다. 효율적으로 ε을 사용하여 데이터 유용성을 높이기 위해, 소유자는 전체 데이터가 아닌 일부 특징 점 데이터를 수집가에게 보낸다.
본 연구는 웨어러블 기기에서 사생활 침해 없이 건강 데이터를 수집하는 방법에 대해 제안한다. 지역 차분 프라이버시를 사용하여 데이터 소유자 측면에서 변조한 데이터를 데이터 수집가에게 전송한다.

제안 방법

따라서 건강 데이터의 유용성은 확보하면서 개인 정보 침해를 방지하기 위한 기법이 필요하다. 본 연구에서는 지역 차분 프라이버시를 통해 데이터 소유자의 개인 정보를 보호하고, 특징 점 개수, 위치 탐색 알고리즘을 통해 데이터 유용성을 확보하는 방법에 대해 제안하였다. 선행 연구에서 추출한 특징 점 위치를 기반으로 하여 특징 점 개수 k를 탐색하면, 보다 정확한 통계치 확보가 가능하다.
제안하는 프라이버시 보존 데이터 수집 방법은 데이터 소유자 측면과 데이터 수집가 측면으로 분류된다. 데이터 소유자 측면은 측정한 건강 데이터의 특징 점의 위치와 개수를 찾은 후 해당 데이터를 데이터 수집가에게 전송하는 과정이다.

대상 데이터

본 논문은 건강 데이터의 유용성을 확보하면서 사생활 침해 없이 수집하는 방법을 제안했다. 제안한 방법에 대한 유의성을 확인해 보기 위해 290명의 스마트밴드로부터 10분 단위로 10시부터 21시까지 수집한 누적 걸음 수 데이터로 실험을 진행했다. 데이터 사이즈에 따른 성능 평가를 위해 10, 100배 크기로 복제하여 사용하였으며, 다양한 ∊값에 따른 오차율 측정을 위해 ∊을 0.

성능/효과

선행 연구에서 추출한 특징 점 위치를 기반으로 하여 특징 점 개수 k를 탐색하면, 보다 정확한 통계치 확보가 가능하다. 본 연구에서는 걸음 수 데이터로 실험하여 건강 데이터에 적합한 최적의 특징 점 개수 k를 탐색한 후 데이터 수집자에게 전송하는 방법이 고정된 k를 전송하는 방법보다 오차율이 낮다는 것을 확인하였다.
5는 특징 점 k를 고정 시킨 경우와 제안하는 알고리즘을 통해 최적의 특징 점 k를 전송받아 AVG(x′_i)를계산한 통계치의 원본을 비교한 그래프이다. 제안하는 특징 점 추출 기법으로 최적의 특징 점 k개를 전송했을 때 원본 그래프와 가장 유사하다는 것을 확인할 수 있다.

후속연구

선행 연구에서는 k를 임의로 설정했을 때, 최적의 특징 점을 찾는 알고리즘에 대해 제안하였다 [19]. 본 논문은 이전 연구의 연장선상에서 최적의 특징 점 개수인 k를 탐색하는 알고리즘을 통해 보다 효율적으로 건강 데이터를 수집하는 방법을 명시할 것이다. 즉 탐색한 특징 점으로 추정한 회귀 모델의 적합도를 R²로 측정하여 최적의 특징 점 개수 k를 찾아 데이터 수집가에게 전송하는 방식이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	최신 스마트 워치에 내장되어 있는 센서는?	즉 일반인을 대상으로 건강 데이터를 수집하여 발생 가능한 질병을 예측하고 예방할 수 있게 되었다. 최신 스마트 워치는 심박 수 측정 센서, 가속도계, 자이로스코프 센서, 광 센서 등이 내장되어 있다. 센서에서 측정된 정보는 알고리즘을 통해 유의미한 정보로 가공된다.
	웨어러블 착용자에게 실시간으로 외부 환경 정보 및 건강 상태가 제공됨으로써 활용할 수 있는 것은?	웨어러블 기기는 내장된 센서를 통해 착용자에게 실시간으로 외부 환경 정보 및 건강 상태를 제공한다. 또한 해당 정보는 클라우드 또는 기기 내부에 저장되어 착용자의 건강상태 또는 운동 활동 모니터링에 이용된다. 이러한 정보는 분석 기술을 통해 질병 조기 진단, 위급 상태 알람 등 다양한 방식으로 활용되고 있다. 예를 들어 심전도 센서를 통해 수집된 데이터는 부정맥, 심방 심실의 비대, 폐순환 장애 등의 질병 진단에 사용된다.
	리서치킷은 의료분야에 어떤 이바지를 하는가?	예를 들어 애플은 2015년 전 세계 건강 데이터를 수집하는 소프트웨어인 리서치킷을 발표하였다. 해당 소프트웨어를 통해 의사, 과학자 및 연구자는 연구를 위한 의료 빅데이터를 수집할 수 있게 되었다. Chan et al.

참고문헌 (19)

Yang, Z., Zhou, Q., Lei, L., Zheng, K., & Xiang, W. (2016). An IoT-cloud based wearable ECG monitoring system for smart healthcare. Journal of medical systems, 40(12), 286.

상세보기
Hansel, K., Wilde, N., Haddadi, H., & Alomainy, A. (2015, December). Challenges with current wearable technology in monitoring health data and providing positive behavioural support. In Proceedings of the 5th EAI International Conference on Wireless Mobile Communication and Healthcare (pp. 158-161).
Chan, Y. F. Y., Bot, B. M., Zweig, M., Tignor, N., Ma, W., Suver, C., ... & Wang, P. (2018). The asthma mobile health study, smartphone data collected using ResearchKit. Scientific data, 5, 180096.

상세보기
Wang, S., Chang, X., Li, X., Long, G., Yao, L., & Sheng, Q. Z. (2016). Diagnosis code assignment using sparsity-based disease correlation embedding. IEEE Transactions on Knowledge and Data Engineering, 28(12), 3191-3202.

상세보기
Dimitrov, D. V. (2016). Medical internet of things and big data in healthcare. Healthcare informatics research, 22(3), 156-163.

상세보기
Wu, P. Y., Cheng, C. W., Kaddi, C. D., Venugopalan, J., Hoffman, R., & Wang, M. D. (2016). -Omic and electronic health record big data analytics for precision medicine. IEEE Transactions on Biomedical Engineering, 64(2), 263-273.
Manogaran, G., & Lopez, D. (2018). Health data analytics using scalable logistic regression with stochastic gradient descent. International Journal of Advanced Intelligence Paradigms, 10(1-2), 118-132.
Chaudhuri, S., Oudejans, D., Thompson, H. J., & Demiris, G. (2015). Real world accuracy and use of a wearable fall detection device by older adults. Journal of the American Geriatrics Society, 63(11), 2415.

상세보기
Takeda, R., Tadano, S., Todoh, M., Morikawa, M., Nakayasu, M., & Yoshinari, S. (2009). Gait analysis using gravitational acceleration measured by wearable sensors. Journal of biomechanics, 42(3), 223-233.

상세보기
Nath, N. D., Akhavian, R., & Behzadan, A. H. (2017). Ergonomic analysis of construction worker's body postures using wearable mobile sensors. Applied ergonomics, 62, 107-117.

상세보기
Beaulieu-Jones, B. K., Yuan, W., Finlayson, S. G., & Wu, Z. S. (2018). Privacy-preserving distributed deep learning for clinical data. arXiv preprint arXiv:1812.01484.
Guan, Z., Lv, Z., Du, X., Wu, L., & Guizani, M. (2019). Achieving data utility-privacy tradeoff in Internet of medical things: A machine learning approach. Future Generation Computer Systems, 98, 60-68.

상세보기
Mohammed, N., Barouti, S., Alhadidi, D., & Chen, R. (2015, June). Secure and private management of healthcare databases for data mining. In 2015 IEEE 28th International Symposium on Computer-Based Medical Systems (pp. 191-196). IEEE.
Tang, W., Ren, J., Deng, K., & Zhang, Y. (2019). Secure data aggregation of lightweight e-healthcare iot devices with fair incentives. IEEE Internet of Things Journal, 6(5), 8714-8726.

상세보기
Qin, Z., Yang, Y., Yu, T., Khalil, I., Xiao, X., & Ren, K. (2016, October). Heavy hitter estimation over set-valued data with local differential privacy. In Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security (pp. 192-203).
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
McSherry, F. D. (2009, June). Privacy integrated queries: an extensible platform for privacy-preserving data analysis. In Proceedings of the 2009 ACM SIGMOD International Conference on Management of data (pp. 19-30).
Kim, J. W., Jang, B., & Yoo, H. (2018). Privacy-preserving aggregation of personal health data streams. PloS one, 13(11).

상세보기
Moon, S. M., & Kim, J. W. (2020). Privacy-Preserving Method to Collect Health Data from Smartband. Journal of The Korea Society of Computer and Information, 25(4), 113-121.

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