제한된 자원을 가진 소비자용 헬스케어 환경에서의 신뢰성 있는 호흡 모니터링을 위한 적응형 속성 분리 암호화

Adaptive Attribute-Decoupled Encryption for Trusted Respiratory Monitoring in Resource-Limited Consumer Healthcare

호흡 모니터링은 현대 의료 서비스에서 매우 중요한 작업입니다. 비접촉식으로 작동하며 레이더 기반의 호흡 모니터링은 학계와 산업계 모두에서 큰 관심을 받고 있습니다. 그러나 소비자 등급의 레이더 데이터는 높은 모니터링 정확도를 달성할 수 있지만, 사용자 민감 정보(USI)를 필연적으로 포함하며, 이는 악의적으로 사용되어 개인 정보 유출로 이어질 수 있습니다. 이러한 문제점을 해결하기 위해, 본 연구에서는 변분 모드 분해(VMD)와 적대적 손실 기반 암호화를 활용하여, 무선 신호를 통해 자동 호흡 모니터링을 수행하면서 USI를 효과적으로 익명화하는 새로운 신뢰성 있는 호흡 모니터링 패러다임인 Tru-RM을 제안합니다. Tru-RM의 핵심 구성 요소는 다음과 같습니다. 첫째, 속성 특징 분리(AFD)를 통해 원시 레이더 신호를 보편적인 호흡 구성 요소, 개인별 차이 구성 요소 및 기타 관련 없는 구성 요소로 분해합니다. 둘째, 유연한 변조 암호화기(FPE)는 큰 노이즈를 사용하여 기타 관련 없는 구성 요소를 제거하고, 학습 강도 파라미터를 갖는 위상 노이즈 알고리즘을 사용하여 개인별 차이 구성 요소 내의 USI를 제거함으로써, 호흡 특징에 영향을 주지 않으면서 완전한 사용자 식별 정보 암호화를 달성합니다. 셋째, 변환된 일반화된 도메인 독립 네트워크인 PTN은 파형이 크게 변경되는 경우에도 정확하게 호흡을 감지하는 데 사용됩니다. 다양한 감지 거리, 호흡 패턴 및 기간에 대한 광범위한 실험 결과는 Tru-RM이 USI의 강력한 익명성과 변조된 호흡 파형의 높은 감지 정확도를 제공한다는 것을 보여줍니다.

Respiratory monitoring is an extremely important task in modern medical services. Due to its significant advantages, e.g., non-contact, radar-based respiratory monitoring has attracted widespread attention from both academia and industry. Unfortunately, though it can achieve high monitoring accuracy, consumer electronics-grade radar data inevitably contains User-sensitive Identity Information (USI), which may be maliciously used and further lead to privacy leakage. To track these challenges, by variational mode decomposition (VMD) and adversarial loss-based encryption, we propose a novel Trusted Respiratory Monitoring paradigm, Tru-RM, to perform automated respiratory monitoring through radio signals while effectively anonymizing USI. The key enablers of Tru-RM are Attribute Feature Decoupling (AFD), Flexible Perturbation Encryptor (FPE), and robust Perturbation Tolerable Network (PTN) used for attribute decomposition, identity encryption, and perturbed respiratory monitoring, respectively. Specifically, AFD is designed to decompose the raw radar signals into the universal respiratory component, the personal difference component, and other unrelated components. Then, by using large noise to drown out the other unrelated components, and the phase noise algorithm with a learning intensity parameter to eliminate USI in the personal difference component, FPE is designed to achieve complete user identity information encryption without affecting respiratory features. Finally, by designing the transferred generalized domain-independent network, PTN is employed to accurately detect respiration when waveforms change significantly. Extensive experiments based on various detection distances, respiratory patterns, and durations demonstrate the superior performance of Tru-RM on strong anonymity of USI, and high detection accuracy of perturbed respiratory waveforms.