基于多方计算的远程传感器数据隐私增强跌倒检测
密码学与安全
2019-06-21 v2 机器学习
摘要
基于运动的跌倒检测系统致力于检测弱势用户的跌倒，通常通过使用机器学习对穿戴式惯性测量单元（IMU）的测量值进行分类来实现。然而，此类系统需要收集高分辨率测量数据，可能侵犯用户隐私，例如通过航位推算揭示其步态、日常生活活动（ADLs）和相对位置。在本文中，我们研究将多方计算（MPC）应用于基于 IMU 的跌倒检测，以保护设备测量数据的机密性。我们的系统在基于云的环境中评估，该环境利用部署在三种地理配置中的多个异构云实例，阻止各方获知底层数据。使用公开可用数据集，我们证明了基于 MPC 的 IMU 测量跌倒检测是实用的，同时达到了最先进的错误率。在最佳情况下，我们的系统执行耗时 365.2 毫秒，完全落在设备端数据采集所需的时间窗口（750ms）内。
引用
@article{arxiv.1904.09896,
title = {Privacy-Enhancing Fall Detection from Remote Sensor Data Using Multi-Party Computation},
author = {Pradip Mainali and Carlton Shepherd},
journal= {arXiv preprint arXiv:1904.09896},
year = {2019}
}
备注
Accepted for publication in the Proceedings of the 14th International Conference on Availability, Reliability and Security (ARES '19)