面向隐私保护可穿戴压力检测的合成健康传感器数据生成

智能手表健康传感器数据越来越多地被用于智能健康应用和患者监测，包括压力检测。然而，此类医疗数据通常包含敏感个人信息，且用于研究目的时获取成本高昂。为应对这一挑战，我们引入了一种隐私感知的合成方法，用于生成与压力时刻相关的多传感器智能手表健康读数，并采用了生成对抗网络（GAN）和差分隐私（DP）保护。我们的方法不仅保护了患者信息，还提升了研究的数据可用性。为确保其实用性，我们在实际压力检测任务上测试了来自多个 GAN 的合成数据，并采用了不同的数据增强策略。我们基于 GAN 的增强方法在模型性能上展现出显著提升，在私有 DP 训练场景下 F1-score 提高了 11.90-15.48%，而在非私有训练场景下仍有 0.45% 的提升。这些结果突显了差分隐私合成数据在优化效用-隐私权衡方面的潜力，尤其是在真实训练样本可用性有限的情况下。通过严格的质量评估，我们确认了合成数据的完整性与合理性，然而在提高隐私要求时，这些数据质量会受到显著影响。