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 PDF

Info

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
Application number
CN202110664516.6A
Other languages
English (en)
Other versions
CN113298030A (zh
Inventor
程航
颜娜招
黄芹健
王美清
陈飞
周勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202110664516.6A priority Critical patent/CN113298030B/zh
Publication of CN113298030A publication Critical patent/CN113298030A/zh
Application granted granted Critical
Publication of CN113298030B publication Critical patent/CN113298030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

轻量级隐私保护外包脑电信号特征提取方法
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S1：将每个脑电信号数据χ分割为两个随机的秘密共享χ′和χ″，并分别将两个份额发送到不同的边缘服务器
Figure GDA0003656048280000031
和
Figure GDA0003656048280000032
进行存储；
步骤S2：边缘服务器采用隐私保护特征提取模型对脑电信号进行安全特征提取；之后，边缘服务器
Figure GDA0003656048280000033
和
Figure GDA0003656048280000034
返回密文特征给授权用户；
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；
当边缘服务器
Figure GDA0003656048280000041
接收到<x(h)(t)>i，首先计算第hk次试验中第jk个通道的均值：
Figure GDA0003656048280000042
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；
然后在密文域中，用x(t)的每个位置值都减去这个均值，即
Figure GDA0003656048280000043
对于隐私数据
Figure GDA0003656048280000044
和
Figure GDA0003656048280000045
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
Figure GDA0003656048280000046
进行协同计算：
Figure GDA0003656048280000047
最后，边缘服务器
Figure GDA0003656048280000048
计算并输出：
Figure GDA0003656048280000049
当获得<x(t)>1和<x(t)>2后，边缘服务器
Figure GDA00036560482800000410
用相同的方法计算得到秘密共享<Q>i，其中
Figure GDA00036560482800000411
接着，边缘服务器
Figure GDA00036560482800000412
独立计算：
(<Q-1>1，<Q-1>2)＝PPInV(<Q>1，<Q>2)
然后，边缘服务器
Figure GDA00036560482800000413
协同计算：
(<Q-1S>1，<Q-1S>2)＝PPMatMul(<Q-1>1，<Q-1>2，<S>1，<S>2)
最后，边缘服务器
Figure GDA00036560482800000414
通过PPPow计算协议计算矩阵<Q-1S>i的特征值
Figure GDA00036560482800000415
所对应的最大特征向量：
Figure GDA0003656048280000051
所述安全特征提取模块的运行过程为：
记隐私矩阵
Figure GDA0003656048280000052
和
Figure GDA0003656048280000053
为<C>i和<D>i，使用PPMatMul计算协议，边缘服务器
Figure GDA0003656048280000054
协同计算：
Figure GDA0003656048280000055
Figure GDA0003656048280000056
然后，边缘服务器
Figure GDA0003656048280000057
协同计算隐私协方差矩阵<Cov(C，D)>i；最后，边缘服务器
Figure GDA0003656048280000058
通过PPStdDev、PPMatMul和PPRec计算协议计算：
(<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)；
所述特征解密模块中，边缘服务器
Figure GDA0003656048280000059
将输出脑电信号特征φ的秘密共享，即
Figure GDA00036560482800000510
输出密文<r>1作为一个秘密共享φ′，
Figure GDA00036560482800000511
输出密文<r>2作为另一个秘密共享φ″。
进一步地，边缘服务器
Figure GDA00036560482800000512
将秘密共享φ′和φ″发送给授权用户；授权用户接收到秘密共享即可通过计算φ′+φ″恢复出明文特征φ。
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
Figure GDA00036560482800000513
和
Figure GDA00036560482800000514
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
Figure GDA0003656048280000061
和
Figure GDA0003656048280000062
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
Figure GDA0003656048280000063
和
Figure GDA0003656048280000064
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
Figure GDA0003656048280000065
将b和d发送给
Figure GDA0003656048280000066
随后
Figure GDA0003656048280000067
计算α2＝u2-b和β2＝v2-b并将α2，β2发送给
Figure GDA0003656048280000068
Figure GDA0003656048280000069
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
Figure GDA00036560482800000610
最后
Figure GDA00036560482800000611
和
Figure GDA00036560482800000612
各自计算并输出f1＝c+c′和f2＝(u1-a)v2+(v1-a)u2+u2v2+w+d；
将PPMul计算协议拓展到
Figure GDA00036560482800000629
域上，则获得隐私保护矩阵乘法计算协议PPMatMul；
隐私保护倒数计算协议PPRec：设边缘服务器
Figure GDA00036560482800000613
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
Figure GDA00036560482800000614
和
Figure GDA00036560482800000615
一旦
Figure GDA00036560482800000616
接收到ri，
Figure GDA00036560482800000617
计算si＝ui+ri，并将si发送给对方；接着，
Figure GDA00036560482800000618
计算初始值
Figure GDA00036560482800000619
并执行k次迭代：
首先，边缘服务器
Figure GDA00036560482800000620
和
Figure GDA00036560482800000621
协同计算：
Figure GDA00036560482800000622
接着，边缘服务器
Figure GDA00036560482800000623
和
Figure GDA00036560482800000624
独自计算：
Figure GDA00036560482800000625
Figure GDA00036560482800000626
然后，边缘服务器
Figure GDA00036560482800000627
和
Figure GDA00036560482800000628
协同计算并更新f1 (k)和f2 (k)为：
Figure GDA0003656048280000071
当迭代次数达到设定的上限值后，迭代停止，边缘服务器
Figure GDA0003656048280000072
和
Figure GDA0003656048280000073
分别输出f1和f2；
将PPRec计算协议拓展到
Figure GDA0003656048280000074
域上，则获得隐私保护矩阵逆计算协议PPInv；
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；
首先，
Figure GDA0003656048280000075
协同计算：
Figure GDA0003656048280000076
Figure GDA0003656048280000077
然后，
Figure GDA0003656048280000078
独自计算初始值：
Figure GDA0003656048280000079
Figure GDA00036560482800000710
之后执行k次迭代：
首先，
Figure GDA00036560482800000711
协同计算：
Figure GDA00036560482800000712
Figure GDA00036560482800000713
然后，
Figure GDA00036560482800000714
独自计算：
Figure GDA00036560482800000715
Figure GDA00036560482800000716
当迭代次数达到设定的上限值后，迭代停止，边缘服务器
Figure GDA00036560482800000717
和
Figure GDA00036560482800000718
分别输出f1和f2；
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；
之后，边缘服务器
Figure GDA0003656048280000081
和
Figure GDA0003656048280000082
通过调用PPAdd、PPMul和PPRec协议计算得到满足条件的f1和f2并输出f1和f2；
隐私保护幂法计算协议PPPow：
由可信第三方TTP生成PPMul和PPMatMul协议所需要的随机数和一个随机n维向量v，并将v随机分割为秘密共享v1，v2分别发送给边缘服务器
Figure GDA0003656048280000083
和
Figure GDA0003656048280000084
首先，边缘服务器
Figure GDA0003656048280000085
和
Figure GDA0003656048280000086
通过多次调用PPAdd和PPMul协议计算得到：
Figure GDA0003656048280000087
接着，边缘服务器
Figure GDA0003656048280000088
和
Figure GDA0003656048280000089
协同计算：
Figure GDA00036560482800000810
(<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：
首先，边缘服务器
Figure GDA00036560482800000811
和
Figure GDA00036560482800000812
协同计算：
(<v(k)>1，<v(k)>2)←PPMatMul(A1，A2，<f(k-1)>1，<f(k-1)>2)；
然后，边缘服务器
Figure GDA00036560482800000813
和
Figure GDA00036560482800000814
通过多次调用PPAdd和PPMul协议计算得到
Figure GDA00036560482800000815
接着，边缘服务器
Figure GDA00036560482800000816
和
Figure GDA00036560482800000817
协同计算；
Figure GDA00036560482800000818
Figure GDA00036560482800000819
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：
(1)、为了保护信号数据的私密性，内容所有者将首先通过将每个信号数据χ分割为两个随机的秘密共享χ′和χ″，并分别将两个份额发送到不同的边缘服务器
Figure GDA0003656048280000091
和
Figure GDA0003656048280000092
进行存储。
(2)、边缘服务器使用一系列安全交互协议对脑电信号进行安全特征提取。之后，边缘服务器
Figure GDA0003656048280000093
和
Figure GDA0003656048280000094
将返回密文特征给授权用户。
(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
Figure GDA0003656048280000101
和
Figure GDA0003656048280000102
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
Figure GDA0003656048280000103
和
Figure GDA0003656048280000104
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
Figure GDA0003656048280000105
将b和d发送给
Figure GDA0003656048280000106
随后
Figure GDA0003656048280000107
计算α2＝u2-b和β2＝v2-b并将α2,β2发送给
Figure GDA0003656048280000108
Figure GDA0003656048280000109
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
Figure GDA00036560482800001115
最后
Figure GDA00036560482800001116
和
Figure GDA00036560482800001117
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。
将PPMul计算协议拓展到
Figure GDA0003656048280000111
域上，则有隐私保护矩阵乘法计算协议PPMatMul得以实现。
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
Figure GDA0003656048280000112
的近似根，通过迭代计算方程
Figure GDA0003656048280000113
逐步逼近函数
Figure GDA0003656048280000114
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
Figure GDA0003656048280000115
拥有隐私数据u的秘密分享ui时，PPRec协议的实现细节如下：
步骤一：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
Figure GDA0003656048280000116
和
Figure GDA0003656048280000117
步骤二：一旦
Figure GDA0003656048280000118
接收到ri，
Figure GDA0003656048280000119
计算si＝ui+ri，并将si发送给对方。接着，
Figure GDA00036560482800001110
计算初始值
Figure GDA00036560482800001111
下面我们将详细阐述第k次迭代过程：
首先，边缘服务器
Figure GDA00036560482800001112
和
Figure GDA00036560482800001113
协同计算
Figure GDA00036560482800001114
接着，边缘服务器
Figure GDA0003656048280000121
和
Figure GDA0003656048280000122
独自计算
Figure GDA0003656048280000123
Figure GDA0003656048280000124
然后，边缘服务器
Figure GDA0003656048280000125
和
Figure GDA0003656048280000126
协同计算并更新f1 (k)和f2 (k)为
Figure GDA0003656048280000127
当迭代次数达到设定的上限值后，迭代停止，边缘服务器
Figure GDA0003656048280000128
和
Figure GDA0003656048280000129
分别输出f1和f2。
将PPRec计算协议拓展到
Figure GDA00036560482800001210
域上，则有隐私保护矩阵逆计算协议PPInv得以实现。
(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
Figure GDA00036560482800001211
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
Figure GDA00036560482800001212
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；
步骤二：首先，
Figure GDA00036560482800001213
协同计算
Figure GDA00036560482800001214
Figure GDA00036560482800001215
然后，
Figure GDA00036560482800001216
独自计算初始值
Figure GDA00036560482800001217
Figure GDA00036560482800001218
下面我们将阐述第k次迭代过程。
首先，
Figure GDA0003656048280000131
协同计算
Figure GDA0003656048280000132
Figure GDA0003656048280000133
然后，
Figure GDA0003656048280000134
独自计算
Figure GDA0003656048280000135
Figure GDA0003656048280000136
当迭代次数达到设定的上限值后，迭代停止，边缘服务器
Figure GDA0003656048280000137
和
Figure GDA0003656048280000138
分别输出f1和f2。
(2-4)隐私保护标准差计算协议(PPStdDev)：
隐私保护标准差计算协议的目标是使得输入是隐私向量u的秘密共享时，输出结果f1和f2满足
Figure GDA0003656048280000139
具体实现细节如下：
步骤一：可信第三方TTP生成PPMul协议所需要的随机数；
步骤二：边缘服务器
Figure GDA00036560482800001310
和
Figure GDA00036560482800001311
通过调用PPAdd、PPMul和PPRec协议计算得到满足条件的f1和f2并输出f1和f2。
(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
Figure GDA00036560482800001312
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
Figure GDA00036560482800001313
构造一个关于矩阵A的幂的向量序列vk为
Figure GDA0003656048280000141
其中
Figure GDA0003656048280000142
即存在i∈{1，2，…，r}，使得αi≠0成立。
因此，有下列等式成立
Figure GDA0003656048280000143
此时，矩阵A的最大特征值λ1所对应的特征向量
Figure GDA0003656048280000144
即可求解出。具体实现细节如下：
步骤一：可信第三方TTP生成PPMul和PPMatMul协议所需要的随机数和一个随机n维向量v，并将v随机分割为秘密共享v1，v2分别发送给边缘服务器
Figure GDA0003656048280000145
和
Figure GDA0003656048280000146
步骤二：首先，边缘服务器
Figure GDA0003656048280000147
和
Figure GDA0003656048280000148
通过多次调用PPAdd和PPMul协议计算得到
Figure GDA0003656048280000149
接着，边缘服务器
Figure GDA00036560482800001410
和
Figure GDA00036560482800001411
协同计算
Figure GDA00036560482800001412
(<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。
首先，边缘服务器
Figure GDA00036560482800001413
和
Figure GDA00036560482800001414
协同计算
(<v(k)>1，<v(k)>2)←PPMatMul(A1，A2，<f(k-1)>1，<f(k-1)>2)。 (17)
然后，边缘服务器
Figure GDA0003656048280000151
和
Figure GDA0003656048280000152
通过多次调用PPAdd和PPMul协议计算得到
Figure GDA0003656048280000153
接着，边缘服务器
Figure GDA0003656048280000154
和
Figure GDA0003656048280000155
协同计算
Figure GDA0003656048280000156
Figure GDA0003656048280000157
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
Figure GDA0003656048280000158
和任务无关信号
Figure GDA0003656048280000159
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)：
Figure GDA0003656048280000161
当
Figure GDA0003656048280000162
时上述方程可取到理想解y(t)＝s(t)。这意味着可以通过最大化试验间协方差来解决此问题。
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。因此，
Figure GDA0003656048280000163
与
Figure GDA0003656048280000164
之间的协方差可以描述为
Figure GDA0003656048280000165
试验间协方差和
Figure GDA0003656048280000166
为
Figure GDA0003656048280000167
其中
Figure GDA0003656048280000168
为
Figure GDA0003656048280000169
为获得最终解，任务相关成分y(t)的方差被约束为
Figure GDA00036560482800001610
其中
Figure GDA00036560482800001611
表示
Figure GDA00036560482800001612
该约束优化问题可以转化为Rayleigh-Ritz特征值问题，即
Figure GDA00036560482800001613
其中
Figure GDA0003656048280000171
表示空间滤波器。
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
一旦边缘服务器
Figure GDA0003656048280000172
接收到<x(h)(t)>i，首先将通过减去矩阵中所有数据的均值
Figure GDA0003656048280000173
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
Figure GDA0003656048280000174
同样地，我们可以获得隐私数据
Figure GDA0003656048280000175
和
Figure GDA0003656048280000176
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
Figure GDA0003656048280000177
协同计算
Figure GDA0003656048280000178
最后，边缘服务器
Figure GDA0003656048280000179
计算并输出
Figure GDA00036560482800001710
同理，当获得<x(t)>1和<x(t)>2后，边缘服务器
Figure GDA00036560482800001711
能够同上计算得到秘密共享<Q>i，其中
Figure GDA00036560482800001712
接着，边缘服务器Si独立计算
(<Q-1>1，<Q-1>2)＝PPInV(<Q>1，<Q>2)。 (30)
然后，边缘服务器
Figure GDA0003656048280000181
协同计算
(<Q-1S>1，<Q-1S>2)＝PPMatMul(<Q-1>1，<Q-1>2，<S>1，<S>2)。 (31)
最后，边缘服务器
Figure GDA0003656048280000182
将通过PPPow计算协议计算矩阵<Q-1S>i的特征值
Figure GDA0003656048280000183
所对应的最大特征向量
Figure GDA0003656048280000184
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
在明文域中，当我们从单个校准数据
Figure GDA0003656048280000185
的第m个子带和第n个刺激中获得空间滤波器
Figure GDA0003656048280000186
后，第n个刺激的单次试验数据
Figure GDA0003656048280000187
和平均试验数据
Figure GDA0003656048280000188
之间的基于相关性的特征
Figure GDA0003656048280000189
可以通过以下公式计算得到
Figure GDA00036560482800001810
其中，ρ(a，b)为信号a和b之间的皮尔逊相关系数，可以通过
Figure GDA00036560482800001811
计算得到。
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。
具体来说，记隐私矩阵
Figure GDA00036560482800001812
和
Figure GDA00036560482800001813
为<C>i和<D>i，使用PPMatMul计算协议，边缘服务器
Figure GDA00036560482800001814
协同计算
Figure GDA00036560482800001815
Figure GDA00036560482800001816
然后，边缘服务器Si协同计算隐私协方差矩阵<Cov(C，D)>i。最后，边缘服务器
Figure GDA0003656048280000191
通过PPStdDev、PPMatMul和PPRec计算协议计算
(<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
Figure GDA0003656048280000192
将输出脑电信号特征φ的秘密共享，即
Figure GDA0003656048280000193
输出密文<r>1作为一个秘密共享φ′，
Figure GDA0003656048280000194
输出密文<r>2作为另一个秘密共享φ″。然后边缘服务器
Figure GDA0003656048280000195
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S1：将每个脑电信号数据χ分割为两个随机的秘密共享χ′和χ″，并分别发送到不同的边缘服务器
Figure FDA0003656048270000011
和
Figure FDA0003656048270000012
进行存储；
步骤S2：边缘服务器采用隐私保护特征提取模型对脑电信号进行安全特征提取；之后，边缘服务器
Figure FDA0003656048270000013
和
Figure FDA0003656048270000014
返回密文特征给授权用户；
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
Figure FDA0003656048270000015
和
Figure FDA0003656048270000016
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
Figure FDA0003656048270000017
和
Figure FDA0003656048270000018
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
Figure FDA0003656048270000019
和
Figure FDA00036560482700000110
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
Figure FDA00036560482700000111
将b和d发送给
Figure FDA00036560482700000112
随后
Figure FDA00036560482700000113
计算α2＝u2-b和β2＝v2-b并将α2,β2发送给
Figure FDA00036560482700000114
Figure FDA00036560482700000115
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
Figure FDA00036560482700000116
最后
Figure FDA00036560482700000117
和
Figure FDA00036560482700000118
各自计算并输出f1＝c+c′和f2＝(u1-a)v2+(v1-a)u2+u2v2+w+d；
将PPMul计算协议拓展到
Figure FDA0003656048270000021
域上，则获得隐私保护矩阵乘法计算协议PPMatMul；
隐私保护倒数计算协议PPRec：设边缘服务器
Figure FDA0003656048270000022
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
Figure FDA0003656048270000023
和
Figure FDA0003656048270000024
一旦
Figure FDA0003656048270000025
接收到ri，
Figure FDA0003656048270000026
计算si＝ui+ri，并将si发送给对方；接着，
Figure FDA0003656048270000027
计算初始值
Figure FDA0003656048270000028
并执行k次迭代：
首先，边缘服务器
Figure FDA0003656048270000029
和
Figure FDA00036560482700000210
协同计算：
Figure FDA00036560482700000211
接着，边缘服务器
Figure FDA00036560482700000212
和
Figure FDA00036560482700000213
独自计算：
Figure FDA00036560482700000214
Figure FDA00036560482700000215
然后，边缘服务器
Figure FDA00036560482700000216
和
Figure FDA00036560482700000217
协同计算并更新f1 (k)和f2 (k)为：
Figure FDA00036560482700000218
当迭代次数达到设定的上限值后，迭代停止，边缘服务器
Figure FDA00036560482700000219
和
Figure FDA00036560482700000220
分别输出f1和f2；
将PPRec计算协议拓展到
Figure FDA00036560482700000221
域上，则获得隐私保护矩阵逆计算协议PPInv；
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；
首先，
Figure FDA00036560482700000222
协同计算：
Figure FDA00036560482700000223
Figure FDA00036560482700000224
然后，
Figure FDA0003656048270000031
独自计算初始值：
Figure FDA0003656048270000032
Figure FDA0003656048270000033
之后执行k次迭代：
首先，
Figure FDA0003656048270000034
协同计算：
Figure FDA0003656048270000035
Figure FDA0003656048270000036
然后，
Figure FDA0003656048270000037
独自计算：
Figure FDA0003656048270000038
Figure FDA0003656048270000039
当迭代次数达到设定的上限值后，迭代停止，边缘服务器
Figure FDA00036560482700000310
和
Figure FDA00036560482700000311
分别输出f1和f2；
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；
之后，边缘服务器
Figure FDA00036560482700000312
和
Figure FDA00036560482700000313
通过调用PPAdd、PPMul和PPRec协议计算得到满足条件的f1和f2并输出f1和f2；
隐私保护幂法计算协议PPPow：
由可信第三方TTP生成PPMul和PPMatMul协议所需要的随机数和一个随机n维向量v，并将v随机分割为秘密共享v1,v2分别发送给边缘服务器
Figure FDA00036560482700000314
和
Figure FDA00036560482700000315
首先，边缘服务器
Figure FDA00036560482700000316
和
Figure FDA00036560482700000317
通过多次调用PPAdd和PPMul协议计算得到：
Figure FDA00036560482700000318
Figure FDA00036560482700000319
接着，边缘服务器
Figure FDA0003656048270000041
和
Figure FDA0003656048270000042
协同计算：
Figure FDA0003656048270000043
(<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：
首先，边缘服务器
Figure FDA0003656048270000044
和
Figure FDA0003656048270000045
协同计算：
(<v(k)>1,<v(k)>2)←PPMatMul(A1,A2,<f(k-1)>1,<f(k-1)>2)；
然后，边缘服务器
Figure FDA0003656048270000046
和
Figure FDA0003656048270000047
通过多次调用PPAdd和PPMul协议计算得到
Figure FDA0003656048270000048
Figure FDA0003656048270000049
接着，边缘服务器
Figure FDA00036560482700000410
和
Figure FDA00036560482700000411
协同计算；
Figure FDA00036560482700000412
Figure FDA00036560482700000413
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
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；
Figure FDA00036560482700000414
是任务相关成分；
Figure FDA00036560482700000415
是任务无关信号；
当边缘服务器
Figure FDA00036560482700000515
接收到<x(h)(t)>i，首先计算第hk次试验中第jk个通道的均值,
Figure FDA0003656048270000051
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；
然后在密文域中，用x(t)的每个位置值都减去这个均值，即
Figure FDA0003656048270000052
对于隐私数据
Figure FDA0003656048270000053
和
Figure FDA0003656048270000054
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
Figure FDA0003656048270000055
进行协同计算：
Figure FDA0003656048270000056
最后，边缘服务器
Figure FDA0003656048270000057
计算并输出：
Figure FDA0003656048270000058
当获得<x(t)>1和<x(t)>2后，边缘服务器
Figure FDA0003656048270000059
用相同的方法计算得到秘密共享<Q>i，其中
Figure FDA00036560482700000510
接着，边缘服务器
Figure FDA00036560482700000511
独立计算：
(<Q-1>1,<Q-1>2)＝PPInV(<Q>1,<Q>2)
然后，边缘服务器
Figure FDA00036560482700000512
协同计算：
(<Q-1S>1,<Q-1S>2)＝PPMatMul(<Q-1>1,<Q-1>2,<S>1,<S>2)
最后，边缘服务器
Figure FDA00036560482700000513
通过PPPow计算协议计算矩阵<Q-1S>i的特征值
Figure FDA00036560482700000516
所对应的最大特征向量：
Figure FDA0003656048270000061
所述安全特征提取模块的运行过程为：
记隐私矩阵
Figure FDA0003656048270000062
和
Figure FDA0003656048270000063
为<C>i和<D>i，使用PPMatMul计算协议，边缘服务器
Figure FDA0003656048270000064
协同计算：
Figure FDA0003656048270000065
Figure FDA0003656048270000066
然后，边缘服务器
Figure FDA0003656048270000067
协同计算隐私协方差矩阵<Cov(C,D)>i；最后，边缘服务器
Figure FDA0003656048270000068
通过PPStdDev、PPMatMul和PPRec计算协议计算：
(<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)；
所述特征解密模块中，边缘服务器
Figure FDA0003656048270000069
将输出脑电信号特征φ的秘密共享，即
Figure FDA00036560482700000610
输出密文<r>1作为一个秘密共享φ′，
Figure FDA00036560482700000611
输出密文<r>2作为另一个秘密共享φ″。
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。
3.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：
边缘服务器
Figure FDA00036560482700000612
将秘密共享φ′和φ″发送给授权用户；授权用户接收到秘密共享即可通过计算φ′+φ″恢复出明文特征φ。
CN202110664516.6A 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 Active CN113298030B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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