压缩匿名化自动编码器用于医疗传感器流的隐私保留活动识别
机器学习
2025-07-25 v1 密码学与安全
信号处理
摘要
可穿戴加速度计和陀螺仪编码细粒度行为特征，可被用于重新识别用户，这使得隐私保护对于医疗应用至关重要。我们引入 C-AAE，一种压缩匿名化自动编码器，将 Anonymizing AutoEncoder (AAE) 与自适应差分脉冲编码调制 (ADPCM) 结合起来。AAE 首先将原始传感器窗口投影到保留活动相关特征并抑制身份线索的潜在空间中。ADPCM 然后对该潜在流进行差分编码，进一步掩盖残余身份信息并降低比特率。在 MotionSense 和 PAMAP2 数据集上的实验表明，C-AAE 将用户重新识别 F1 分数降低 10-15 个百分点，而保持活动识别 F1 在未受保护基线的 5 个百分点内。ADPCM 还将数据volume 降低约 75%，减轻传输和存储开销。这些结果表明，C-AAE 为在医疗环境中持续、基于传感器的活动识别在隐私与实用性之间提供了一条实用的平衡之路。
引用
@article{arxiv.2507.18072,
title = {C-AAE: Compressively Anonymizing Autoencoders for Privacy-Preserving Activity Recognition in Healthcare Sensor Streams},
author = {Ryusei Fujimoto and Yugo Nakamura and Yutaka Arakawa},
journal= {arXiv preprint arXiv:2507.18072},
year = {2025}
}