CN113298030B - 轻量级隐私保护外包脑电信号特征提取方法 - Google Patents
轻量级隐私保护外包脑电信号特征提取方法 Download PDFInfo
- Publication number
- CN113298030B CN113298030B CN202110664516.6A CN202110664516A CN113298030B CN 113298030 B CN113298030 B CN 113298030B CN 202110664516 A CN202110664516 A CN 202110664516A CN 113298030 B CN113298030 B CN 113298030B
- Authority
- CN
- China
- Prior art keywords
- edge server
- protocol
- electroencephalogram
- signal
- calculation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
- H04L9/085—Secret sharing or secret splitting, e.g. threshold schemes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
- H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2107—File encryption
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioethics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明提出一种轻量级隐私保护外包脑电信号特征提取方法,其允许边缘服务器在无法获取明文脑电信号数据的前提下对用户上传的脑电信号数据进行特征提取;同时,为了实现对脑电信号的隐私保护,设计了一系列安全外包计算协议,以此来实现对加密脑电信号的特征提取;此外,为了提高脑电信号的信噪比,利用TRCA来对脑电信号进行空间滤波;最后,为了减少用户与服务器之间的响应延迟,引入了边缘计算技术。保证了不泄露原始脑电信号数据有关隐私的信息。该技术方案在确保脑电信号中的相关信息隐私安全性的同时,实现了外包脑电信号的特征提取,且降低了用户本地计算和通信成本。
Description
技术领域
本发明属于脑电信号处理技术领域,尤其涉及一种轻量级隐私保护外包脑电信号特征提取方法。
背景技术
脑电图(EEG)是一种电生理监测方法,通过使用电生理指标来记录大脑活动过程中大量神经元的突触后电位变化。当捕获到脑电信号后,应用程序开发人员可以从这些信号中提取出特征,然后使用它们来训练自己的模型,这些模型可用于各种预测和推理任务。
目前,主流的脑电图采集方法通常分为两种:有创和无创。由于其安全性和实用性,非侵入式获取方法已被广泛使用。但是,以这种方式收集的信号具有信噪比(SNR)低和空间分辨率低的缺点。在这种情况下,提取出的特征无法进行正确分类和识别。因此,如何提高脑电信号的SNR和空间分辨率是多年来脑计算机接口(BCI)研究的关键挑战之一。空间滤波方法在无创BCI的降噪和脑电特征提取中起着重要作用。其中,Tanaka等人开发了一种称为任务相关成分分析(TRCA)的空间滤波方法,其优化了权重系数,以最大化时锁近红外光谱(NIRS)数据的实验间协方差。随后,Masaki等人将TRCA应用于BCI,发现它在改善SNR方面具有巨大应用前景,这有助于从脑电信号中提取出有效特征。
由于脑电图信号含有丰富的信息,其特征提取往往需要大量的计算成本和较高的硬件配置,这对于计算资源有限的普通用户来说是负担不起的。此外,在提取有效特征之前,脑电图信号需要特殊的预处理技术,这对一般用户来说也是一个很大的挑战。随着计算机技术的发展,将特征提取任务直接外包到云上是解决上述挑战的通用方案。然而,云计算技术复杂的集中管理将带来大量的带宽消耗和响应延迟。相比之下,由于边缘计算技术允许存储/计算任务在局域网内执行,因此它可以实时或更快地处理和分析数据,大大减少了带宽消耗和响应延迟。因此,在边缘计算环境下建立脑电信号特征提取模型是一种很好的方法。此外,边缘计算模式要求用户将原始脑电图信号上传到边缘计算中心,这将增加用户隐私数据泄露的风险,而云计算存在同样的问题。
发明内容
有鉴于此,为了弥补现有技术的空白和不足,本发明的目的在于提供一种轻量级隐私保护外包脑电信号特征提取方法,该方案允许边缘服务器在无法获取明文脑电信号数据的前提下对用户上传的脑电信号数据进行特征提取;同时,为了实现对脑电信号的隐私保护,设计了一系列安全外包计算协议,以此来实现对加密脑电信号的特征提取;此外,为了提高脑电信号的信噪比,利用TRCA来对脑电信号进行空间滤波;最后,为了减少用户与服务器之间的响应延迟,引入了边缘计算技术。
本发明主要是针对利用边缘计算进行脑电信号特征提取可能会导致安全威胁问题,即可能会造成上传的脑电信号中隐私信息发生泄露的问题。因此,针对外包的脑电信号提出了一套轻量级隐私保护特征提取框架(LightPyFE)。具体来说,该方案引入加性秘密分享技术设计出一系列安全计算协议。此外,基于任务相关成分分析(TRCA)设计了一种空间滤波方法,可允许服务器在不知道明文脑电信号的情况下对密文数据进行空间滤波,以提高信号信噪比。最后,在外包环境下,为了有效减少用户与服务器之间的交互响应时间,引入边缘计算技术来提高系统的时效性。在上述的所有过程中,我们均保证了不泄露原始脑电信号数据有关隐私的信息。该技术方案在确保脑电信号中的相关信息隐私安全性的同时,实现了外包脑电信号的特征提取,且降低了用户本地计算和通信成本。
具体包括一种轻量级的边缘计算环境下的脑电信号隐私保护外包特征提取框架(LightPyFE),边缘服务器可以对加密的脑电信号进行数据预处理和特征提取,而不需要获取任何明文信息。
其采用加性秘密共享技术来开发一系列安全的外包计算协议,以实现不显示原始脑电信号的隐私保护特征提取的目标。此外,边缘计算技术被用来改善用户体验。本发明的贡献可以归纳为四个方面,即:
(1)、安全的脑电信号特征提取。这项工作是解决外包脑电信号中保护隐私的特征提取任务问题的第一项工作。该方案允许边缘服务器在密文脑电数据上提取特征,而无需公开任何明文信息。
(2)、安全高效的外包计算协议。对现有的安全计算协议进行了改进,提出了不依赖于计算密集型密码原语的安全外包计算协议。因此,该计算协议可以以最小的计算/通信开销显著提高整体性能。
(3)、高用户体验。采用的LightPyFE不需要内容所有者生成密钥和执行任何预处理过程,只需要分割原始数据并将其上载到边缘服务器。此外,LightPyFE支持多用户同时执行安全的特征提取任务。
(4)、高性能。进行了全面的理论分析和经验实验,证明了LightPyFE在运行时间和通信开销方面的优越性,同时保持了计算结果的准确性和有效性以及数据的隐私性。
本发明具体采用以下技术方案:
一种轻量级隐私保护外包脑电信号特征提取方法,其特征在于,包括以下步骤:
步骤S3:授权用户在本地对接收到的密文特征进行解密和重构以恢复明文脑电信号特征。
进一步地,通过可信第三方生成和分发安全交互协议所需要的随机数。
进一步地,所述隐私保护特征提取模型包括脑电信号加密模块、安全空间滤波模块、安全特征提取模块和特征解密模块。
进一步地,所述脑电信号加密模块利用加性秘密共享技术对信号数据x(t)进行加密,其中t表示时刻:内容拥有者生成一个与明文信号数据x(t)大小相同的随机信号z(t),由此获得信号数据x(t)的秘密共享<x(t)>1=z(t)和<x(t)>2=x(t)-z(t);
所述安全空间滤波模块的运行过程为:
设观测到的多通道脑电信号的线性生成模型为:
xj(t)=a1,js(t)+a2,jn(t),j=1,2,...,Nc
其中Nc是通道数,a1,j,a2,j是将源信号映射到脑电信号的混合系数;
其中M(·)表示矩阵所有位置值的均值,x(t,a,b)表示x(t)的(a,b)位置的元素值,脑电信号的第h次试验和任务相关成分分别为x(h)(t)和y(h)(t),其中h=1,2,...,Nt,Nt为试验总数,t∈[th,th+T],T为每个试验的持续时间;
(<Q-1>1,<Q-1>2)=PPInV(<Q>1,<Q>2)
(<Q-1S>1,<Q-1S>2)=PPMatMul(<Q-1>1,<Q-1>2,<S>1,<S>2)
所述安全特征提取模块的运行过程为:
(<p>1,<p>2)=PPRec(PPStdDeV(<C>1,<C>2))
(<q>1,<q>2)=PPRec(PPStdDeV(<D>1,<D>2))
(<pq>1,<pq>2)=PPMatMul(<p>1,<p>2,<q>1,<q>2)
(<r>1,<r>2)=PPMatMul(<Cov(C,D)>1,<Cov(C,D)>2,<pq>1,<pq>2);
进一步地,采用的安全外包计算协议包括:
隐私保护加法协议PPAdd:为隐私数据u和v的和运算,即f(u,v)=u+v;设两台边缘服务器分别拥有隐私数据u和v的秘密分享u1,v1和u2,v2,且满足u=u1+u2,v=v1+v2,则边缘服务器和无需进行任何交互即可各自独立在本地计算出f1=u1+v1和f2=u2+v2;其中,f1和f2分别指代边缘服务器和的输出结果;
隐私保护乘法协议PPMul:当输入为隐私数据u和v的秘密分享u1,v1和u2,v2时,边缘服务器和输出满足f1+f2=u·v的f1和f2:具体而言,可信第三方TTP首先生成三个随机数a,b,c,并计算d=2ab-c,然后将a和c发送给将b和d发送给随后计算α2=u2-b和β2=v2-b并将α2,β2发送给 生成随机数c′并计算w=a(v2-b)+a(u2-b)+u1v1-c′,α1=u1-a和β1=v1-a,然后将w,α1,β1发送给最后和各自计算并输出f1=c+c′和f2=(u1-a)v2+(v1-a)u2+u2v2+w+d;
隐私保护倒数计算协议PPRec:设边缘服务器拥有隐私数据u的秘密分享ui时,可信第三方TTP随机生成一个随机数r并将其分割为两个秘密分享r1和r2,使其满足r=r1+r2,接着TTP将秘密分享r1和r2分别发送给边缘服务器和一旦接收到ri,计算si=ui+ri,并将si发送给对方;接着,计算初始值并执行k次迭代:
隐私保护平方根计算协议PPSqrt:
由可信第三方TTP生成PPMul协议所需要的随机数;
之后执行k次迭代:
隐私保护标准差计算协议PPStdDev:
首先,由可信第三方TTP生成PPMul协议所需要的随机数;
隐私保护幂法计算协议PPPow:
(<f(0)>1,<f(0)>2)←PPMul(v1,v2,g1,g2),
其中,<f(0)>1,<f(0)>2为初始值的秘密共享;
之后执行k次迭代:
(<v(k)>1,<v(k)>2)←PPMatMul(A1,A2,<f(k-1)>1,<f(k-1)>2);
当迭代次数达到设定阈值后,终止迭代,并输出f1,f2。
与现有技术相比,本发明及其优选方案所设计的一系列隐私保护计算协议可允许边缘服务器对加密脑电信号进行特征提取。此外,该技术还提供了对加密脑电信号进行空间滤波以提高信噪比,因此用户在上传加密脑电信号之前不需对其进行任何预处理操作。最后,用户与服务器之间仅需进行一次信息交互操作,其余计算任务均由服务器完成,大大提升了用户体验。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施例LightPyFE方案的总体框架示意图;
图2为本发明实施例隐私保护特征提取模型示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
如图1所示,本实施例提供了脑电信号特征提取的基础结构设计,根据其执行要素我们在边缘计算环境中提出了一个安全的脑电信号特征提取方案,它主要包含四方:内容所有者、边缘服务器、可信第三方和授权用户。
其具体实现步骤如下:
(3)、可信第三方只负责生成和分发安全交互协议所需要的随机数。
(4)、授权用户在本地对接收到的密文特征进行解密和重构以恢复明文脑电信号特征。
假设边缘服务器是诚实但好奇的模型,我们设计的LightPyFE框架可以通过加密外包脑电信号实现隐私保护脑电信号特征提取任务。
以上对LightPyFE方案所需要的基础结构进行了简单的阐述,接着我们将会在基础结构设计的基础上进一步阐述具体的实施细节。特别之处体现如下:
(1)、密钥规则:对于脑电信号数据,我们将其随机分割为两个混淆部分,且在此过程中不引入加密密钥。此外,被用于空间滤波和特征提取的安全外包计算协议也不引入加密密钥,仅使用了可信第三方所提供的随机数。因此,在本实施例方案中,并未涉及到密钥问题,而是利用加性秘密分享技术来实现数据加解密过程。
(2)、安全外包计算协议构建:加性秘密分享是安全多方计算技术中的一种密码学技术,它允许通过将所有参与者所接收到的混淆部分进行相加来恢复出原始隐私数据。利用加性秘密分享技术的加法同态性,LightPyFE方案中构建了多个安全外包计算协议,以解决空间滤波和特征提取过程中所设计到的所有函数计算的隐私问题。需要注意的是,我们所构建的安全外包计算协议均以两个边缘服务器所接收到的秘密分享作为输入数据,并且我们的安全外包计算协议均是基于隐私保护加法协议(PPAdd)和隐私保护乘法协议(PPMul)所构建的。其中,构建PPAdd协议的目的是为了实现隐私数据u和v的和运算,即f(u,v)=u+v。具体来说,两台边缘服务器分别拥有隐私数据u和v的秘密分享u1,v1和u2,v2,且满足u=u1+u2,v=v1+v2。显然,边缘服务器和无需进行任何交互即可各自独立在本地计算出f1=u1+v1和f2=u2+v2。一旦授权用户接收到边缘服务器发送的f1和f2,即可通过计算f=f1+f2恢复出原始数据u+v的值。相比于PPAdd协议,PPMul协议要复杂得多,它引入了可信第三方作为随机数提供者来协助实现隐私保护乘法协议,具体协议如下:
(2-1)隐私保护乘法计算协议(PPMul)与隐私保护矩阵乘法计算协议(PPMatMul):
隐私保护乘法计算协议的目的为当输入为隐私数据u和v的秘密分享u1,v1和u2,v2时,边缘服务器和输出满足f1+f2=u·v的f1和f2。具体来说,可信第三方TTP首先生成三个随机数a,b,c,并计算d=2ab-c,然后将a和c发送给将b和d发送给随后计算α2=u2-b和β2=v2-b并将α2,β2发送给 生成随机数c′并计算w=a(v2-b)+a(u2-b)+u1v1-c′,α1=u1-a和β1=v1-a,然后将w,α1,β1发送给最后和各自计算并输出f1=c+c′和f2=(u1-a)v2+(v1-a)u2+u2v2+w+d。显然,u·v可以通过f1+f2恢复出来。
在PPAdd和PPMul协议的基础上,我们构建了隐私保护倒数计算协议、隐私保护平方根计算协议、隐私保护标准差计算协议以及隐私保护幂法计算协议。具体协议如下:
(2-2)隐私保护倒数计算协议(PPRec)与隐私保护矩阵逆计算协议(PPInv):
隐私保护倒数计算协议(PPRec)的核心思想是将求倒数问题通过Newton-Raphson法转换为求解的近似根,通过迭代计算方程逐步逼近函数的根,其中f′(zk)是f(z)在z=zk处的导数。由于该迭代计算方程只涉及一次减法操作和两次乘法操作,因此我们可以利用PPAdd和PPMul计算协议来实现隐私保护的倒数计算。具体来说,假设边缘服务器拥有隐私数据u的秘密分享ui时,PPRec协议的实现细节如下:
下面我们将详细阐述第k次迭代过程:
(2-3)隐私保护平方根计算协议(PPSqrt):
隐私保护平方根计算协议的目标是使得输入是隐私数字u的秘密共享时,输出结果f1和f2满足类似于PPRec协议,PPSqrt协议同样使用了Newton-Raphson法将计算平方根问题转换为函数f(z)=z2-u近似根的求解问题,即通过迭代计算方程逐步逼近函数f(z)的根。PPRec协议的实现步骤如下:
步骤一:可信第三方TTP生成PPMul协议所需要的随机数;
下面我们将阐述第k次迭代过程。
(2-4)隐私保护标准差计算协议(PPStdDev):
步骤一:可信第三方TTP生成PPMul协议所需要的随机数;
(2-5)隐私保护幂法计算协议(PPPow):
为实现矩阵最大特征值所对应的特征向量求解的隐私保护,我们涉及了隐私保护幂法计算协议(PPPow)。
对于给定的矩阵其特征值λ=λ1,λ2,…,λn,且对应的特征向量为x1,x2,…,xn,其中前r个特征值为绝对值最大的特征值,即|λ1|=|λ2|=…=|λr|>|λr+1|≥…≥|λn|,且xi(i=1,2…,n)线性无关。取任意非零向量构造一个关于矩阵A的幂的向量序列vk为
因此,有下列等式成立
(<f(0)>1,<f(0)>2)←PPMul(v1,v2,g1,g2), (16)
其中,<f(0)>1,<f(0)>2为初始值的秘密共享。下面我们将阐述第k次迭代过程。
(<v(k)>1,<v(k)>2)←PPMatMul(A1,A2,<f(k-1)>1,<f(k-1)>2)。 (17)
当迭代次数达到设定阈值后,终止迭代,并输出f1,f2。
(3)、隐私保护特征提取模型构建:如图2所示,本方案中构建的特征提取模型由脑电信号加密、安全空间滤波、安全特征提取和特征解密四部分共同构成。下面我们将对上述四部分的模型构建进行详细阐述。
(3-1)、脑电信号加密
为保护原始脑电信号数据的隐私安全,内容拥有者利用加性秘密共享技术对信号数据x(t)进行加密,其中t表示时刻。具体来说,内容拥有者生成一个与明文信号数据x(t)大小相同的随机信号z(t),由此获得信号数据x(t)的秘密共享<x(t)>1=z(t)和<x(t)>2=x(t)-z(t)。
(3-2)、安全空间滤波
1.问题简化
任务相关成分分析(TRCA)是近几年来流行的一种空间滤波方法,在通信和控制的各种应用中具有巨大的应用前景。
当一个任务有多个试验时,假定有两个信号源:任务相关信号和任务无关信号有任务相关成分之间的协方差为正,任务相关成分和任务无关成分之间以及任务相关成分和任务无关成分之间的协方差为零。假设观测到的多通道脑电信号的线性生成模型为:
xj(t)=a1,js(t)+a2,jn(t),j=1,2,...,Nc, (20)
其中Nc是通道数,a1,j,a2,j是将源信号映射到脑电信号的混合系数。
问题是从如下的观测时间过程的线性总和中恢复出任务相关成分s(t):
为获得最终解,任务相关成分y(t)的方差被约束为
该约束优化问题可以转化为Rayleigh-Ritz特征值问题,即
根据Rayleigh-Ritz方法,最佳系数向量w可以通过求解矩阵Q-1S的特征向量来获得。在这里,Q-1S的特征向量是为Nc×Nc矩阵,且每个维对应一个特征值,特征值降序排列。因此,特征值表示信号对应的特征向量对信号进行空间滤波后的两次试验之间的y(t)=s(t)的任务一致性。
2.空间滤波
其中M(·)表示矩阵所有位置值的均值,x(t,a,b)表示x(t)的(a,b)位置的元素值。然后在密文域中,用x(t)的每个位置值都减去这个均值,即同样地,我们可以获得隐私数据和记二者分别为<A>i和<B>i,i∈{1,2}。接着,使用PPMatMul计算协议,边缘服务器协同计算
(<Q-1>1,<Q-1>2)=PPInV(<Q>1,<Q>2)。 (30)
(<Q-1S>1,<Q-1S>2)=PPMatMul(<Q-1>1,<Q-1>2,<S>1,<S>2)。 (31)
至此,我们实现了安全的空间滤波模型的构建。
(3-3)、安全特征提取
显然,使用我们先前提出的安全外包计算协议,我们可以实现基于相关性的特征提取的隐私保护。
(<p>1,<p>2)=PPRec(PPStdDeV(<C>1,<C>2)), (36)
(<q>1,<q>2)=PPRec(PPStdDeV(<D>1,<D>2)), (37)
(<pq>1,<pq>2)=PPMatMul(<p>1,<p>2,<q>1,<q>2), (38)
(<r>1,<r>2)=PPMatMul(<Cov(C,D)>1,<Cov(C,D)>2,<pq>1,<pq>2)。 (39)
(3-4)、特征解密
在执行完一系列秘密交互协议后,边缘服务器将输出脑电信号特征φ的秘密共享,即输出密文<r>1作为一个秘密共享φ′,输出密文<r>2作为另一个秘密共享φ″。然后边缘服务器将秘密共享φ′和φ″发送给授权用户。一旦授权用户接收到秘密共享,就可以通过计算φ′+φ″恢复出明文特征φ。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的轻量级隐私保护外包脑电信号特征提取方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (3)
1.一种轻量级隐私保护外包脑电信号特征提取方法,其特征在于,包括以下步骤:
步骤S3:授权用户在本地对接收到的密文特征进行解密和重构以恢复明文脑电信号特征;
所述隐私保护特征提取模型包括脑电信号加密模块、安全空间滤波模块、安全特征提取模块和特征解密模块;
采用的安全外包计算协议包括:
隐私保护加法协议PPAdd:为隐私数据u和v的和运算,即f(u,v)=u+v;设两台边缘服务器分别拥有隐私数据u和v的秘密分享u1,v1和u2,v2,且满足u=u1+u2,v=v1+v2,则边缘服务器和无需进行任何交互即可各自独立在本地计算出f1=u1+v1和f2=u2+v2;其中,f1和f2分别指代边缘服务器和的输出结果;
隐私保护乘法协议PPMul:当输入为隐私数据u和v的秘密分享u1,v1和u2,v2时,边缘服务器和输出满足f1+f2=u·v的f1和f2:具体而言,可信第三方TTP首先生成三个随机数a,b,c,并计算d=2ab-c,然后将a和c发送给将b和d发送给随后计算α2=u2-b和β2=v2-b并将α2,β2发送给 生成随机数c′并计算w=a(v2-b)+a(u2-b)+u1v1-c′,α1=u1-a和β1=v1-a,然后将w,α1,β1发送给最后和各自计算并输出f1=c+c′和f2=(u1-a)v2+(v1-a)u2+u2v2+w+d;
隐私保护倒数计算协议PPRec:设边缘服务器拥有隐私数据u的秘密分享ui时,可信第三方TTP随机生成一个随机数r并将其分割为两个秘密分享r1和r2,使其满足r=r1+r2,接着TTP将秘密分享r1和r2分别发送给边缘服务器和一旦接收到ri,计算si=ui+ri,并将si发送给对方;接着,计算初始值并执行k次迭代:
隐私保护平方根计算协议PPSqrt:
由可信第三方TTP生成PPMul协议所需要的随机数;
之后执行k次迭代:
隐私保护标准差计算协议PPStdDev:
首先,由可信第三方TTP生成PPMul协议所需要的随机数;
隐私保护幂法计算协议PPPow:
(<f(0)>1,<f(0)>2)←PPMul(v1,v2,g1,g2),
其中,<f(0)>1,<f(0)>2为初始值的秘密共享;
之后执行k次迭代:
(<v(k)>1,<v(k)>2)←PPMatMul(A1,A2,<f(k-1)>1,<f(k-1)>2);
当迭代次数达到设定阈值后,终止迭代,并输出f1,f2;
所述脑电信号加密模块利用加性秘密共享技术对信号数据x(t)进行加密,其中t表示时刻:内容拥有者生成一个与明文信号数据x(t)大小相同的随机信号z(t),由此获得信号数据x(t)的秘密共享<x(t)>1=z(t)和<x(t)>2=x(t)-z(t);
所述安全空间滤波模块的运行过程为:
设观测到的多通道脑电信号的线性生成模型为:
xj(t)=a1,js(t)+a2,jn(t),j=1,2,...,Nc
hk=1,2,…,Nt,jk=1,2,…,Nc,
其中M(·)表示矩阵所有位置值的均值,x(t,a,b)表示x(t)的(a,b)位置的元素值,脑电信号的第hk次试验和任务相关成分分别为x(h)(t)和y(h)(t),其中Nt为试验总数,t∈[th,th+T],T为每个试验的持续时间;
(<Q-1>1,<Q-1>2)=PPInV(<Q>1,<Q>2)
(<Q-1S>1,<Q-1S>2)=PPMatMul(<Q-1>1,<Q-1>2,<S>1,<S>2)
所述安全特征提取模块的运行过程为:
(<p>1,<p>2)=PPRec(PPStdDeV(<C>1,<C>2))
(<q>1,<q>2)=PPRec(PPStdDeV(<D>1,<D>2))
(<pq>1,<pq>2)=PPMatMul(<p>1,<p>2,<q>1,<q>2)
(<r>1,<r>2)=PPMatMul(<Cov(C,D)>1,<Cov(C,D)>2,<pq>1,<pq>2);
2.根据权利要求1所述的轻量级隐私保护外包脑电信号特征提取方法,其特征在于:通过可信第三方生成和分发安全交互协议所需要的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110664516.6A CN113298030B (zh) | 2021-06-16 | 2021-06-16 | 轻量级隐私保护外包脑电信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110664516.6A CN113298030B (zh) | 2021-06-16 | 2021-06-16 | 轻量级隐私保护外包脑电信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298030A CN113298030A (zh) | 2021-08-24 |
CN113298030B true CN113298030B (zh) | 2022-08-02 |
Family
ID=77328420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110664516.6A Active CN113298030B (zh) | 2021-06-16 | 2021-06-16 | 轻量级隐私保护外包脑电信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298030B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092887A (zh) * | 2017-04-21 | 2017-08-25 | 重庆邮电大学 | 一种基于Multi‑bands FDBN的运动想象脑电信号的特征提取方法 |
KR20190030612A (ko) * | 2017-09-14 | 2019-03-22 | 고려대학교 산학협력단 | 사용자 독립적 뇌-컴퓨터 인터페이스 제공 시스템 및 그 방법 |
CN111241561A (zh) * | 2020-01-10 | 2020-06-05 | 福州大学 | 一种基于隐私保护的用户可认证外包图像去噪方法 |
CN111291411A (zh) * | 2020-02-13 | 2020-06-16 | 福州大学 | 基于卷积神经网络的安全视频异常检测系统及方法 |
-
2021
- 2021-06-16 CN CN202110664516.6A patent/CN113298030B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092887A (zh) * | 2017-04-21 | 2017-08-25 | 重庆邮电大学 | 一种基于Multi‑bands FDBN的运动想象脑电信号的特征提取方法 |
KR20190030612A (ko) * | 2017-09-14 | 2019-03-22 | 고려대학교 산학협력단 | 사용자 독립적 뇌-컴퓨터 인터페이스 제공 시스템 및 그 방법 |
CN111241561A (zh) * | 2020-01-10 | 2020-06-05 | 福州大学 | 一种基于隐私保护的用户可认证外包图像去噪方法 |
CN111291411A (zh) * | 2020-02-13 | 2020-06-16 | 福州大学 | 基于卷积神经网络的安全视频异常检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
Secure Outsourcing Algorithm of BTC Feature;MINGFANG JIANG et al.;《IEEE Access》;20200610;第8卷;全文 * |
基于边缘计算的人脸身份认证系统中的隐私保护技术研究;薛鹤宇;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;20200215(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113298030A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109194507B (zh) | 非交互式的保护隐私神经网络预测方法 | |
EP2874341B1 (en) | Secure evaluation of a program | |
CN105608388B (zh) | 一种基于相关性去除的差分隐私数据发布方法及系统 | |
CN113065145B (zh) | 一种基于秘密共享和随机扰动的隐私保护线性回归方法 | |
Nandi et al. | Cellular automata based encrypted ECG-hash code generation: an application in inter human biometric authentication system | |
Xu et al. | Removal of muscle artefacts from few‐channel EEG recordings based on multivariate empirical mode decomposition and independent vector analysis | |
CN112118099A (zh) | 抗推理攻击的分布式多任务学习隐私保护方法及系统 | |
CN112529825A (zh) | 人脸图像分辨率重建方法、装置、设备及存储介质 | |
Pentyala et al. | Privacy-preserving video classification with convolutional neural networks | |
Omer et al. | Privacy-preserving of SVM over vertically partitioned with imputing missing data | |
CN113298030B (zh) | 轻量级隐私保护外包脑电信号特征提取方法 | |
Wen et al. | The EEG signals encryption algorithm with K-sine-transform-based coupling chaotic system | |
Troncoso-Pastoriza et al. | CryptoDSPs for cloud privacy | |
Feng et al. | Tensor-based big biometric data reduction in cloud | |
Sun et al. | Privacy-enhanced and verifiable compressed sensing reconstruction for medical image processing on the cloud | |
Yan et al. | Lightweight privacy-preserving feature extraction for EEG signals under edge computing | |
Zanddizari et al. | Privacy assured recovery of compressively sensed ECG signals | |
He et al. | Compression and encryption of heterogeneous signals for internet of medical things | |
Zhang et al. | SIP: An efficient and secure information propagation scheme in e-health networks | |
CN114124345A (zh) | 数据同态加密推理方法、装置、设备、系统及存储介质 | |
Akhila et al. | A new cryptographic key generation scheme using psychological signals | |
Feng et al. | Secure outsourced principal eigentensor computation for cyber-physical-social systems | |
Dong et al. | Privacy-Preserving EEG Signal Analysis with Electrode Attention for Depression Diagnosis: Joint FHE and CNN Approach | |
Liao et al. | Chaos-Based Secure Communications in Biomedical Information Application, Electronics 2021, 10, 359 | |
Zhang et al. | Random invertible matrix for privacy preserving object detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |