PhysioGait：用于可穿戴传感上人员重识别攻击的上下文感知生理上下文建模
信号处理
2022-11-07 v1 机器学习
摘要
人员重识别是公开共享医疗数据中的严重隐私泄露。我们研究了对公开共享的隐私不敏感大规模可穿戴传感数据发生新型隐私威胁的可能性。在本文中，我们根据两种上下文生物特征——生理(光电容积描记和皮肤电活动)与物理(加速度计)上下文——考察用户特定的生物特征签名。为此，我们提出PhysioGait，一种上下文感知生理信号模型，其由多模态孪生卷积神经网络(mmSNN)组成，该网络分别学习空间和时间信息，并在孪生代价中执行传感器融合以预测人员身份为目标。我们使用4个实时采集的数据集(3个在IRB #HP-00064387下，1个公开可用)和两个组合数据集评估PhysioGait攻击模型，实现了89%–93%的人员重识别准确率。
引用
@article{arxiv.2211.02622,
title = {PhysioGait: Context-Aware Physiological Context Modeling for Person Re-identification Attack on Wearable Sensing},
author = {James O Sullivan and Mohammad Arif Ul Alam},
journal= {arXiv preprint arXiv:2211.02622},
year = {2022}
}
备注
Accepted in IEEE MSN 2022. arXiv admin note: substantial text overlap with arXiv:2106.11900