論文の概要: Side Channel-Assisted Inference Leakage from Machine Learning-based ECG
Classification
- arxiv url: http://arxiv.org/abs/2304.01990v1
- Date: Tue, 4 Apr 2023 17:49:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 12:54:50.656448
- Title: Side Channel-Assisted Inference Leakage from Machine Learning-based ECG
Classification
- Title(参考訳): 機械学習によるECG分類によるサイドチャネル支援推論リーク
- Authors: Jialin Liu, Ning Miao, Chongzhou Fang, Houman Homayoun, Han Wang
- Abstract要約: 近年、多くの企業がECGモニタリングと不規則な心拍警告を備えたプロダクトをローンチしている。
時系列アルゴリズムの動的時間ワープ(DTW)は、ECG分類タスクを実行するために広く採用されている。
本稿では,ECG 入力サンプルのラベルをサイドチャネル攻撃である Flush+Reload によって盗むことができることを示す。
- 参考スコア(独自算出の注目度): 10.85265545780868
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Electrocardiogram (ECG) measures the electrical cardiac activity
generated by the heart to detect abnormal heartbeat and heart attack. However,
the irregular occurrence of the abnormalities demands continuous monitoring of
heartbeats. Machine learning techniques are leveraged to automate the task to
reduce labor work needed during monitoring. In recent years, many companies
have launched products with ECG monitoring and irregular heartbeat alert. Among
all classification algorithms, the time series-based algorithm dynamic time
warping (DTW) is widely adopted to undertake the ECG classification task.
Though progress has been achieved, the DTW-based ECG classification also brings
a new attacking vector of leaking the patients' diagnosis results. This paper
shows that the ECG input samples' labels can be stolen via a side-channel
attack, Flush+Reload. In particular, we first identify the vulnerability of DTW
for ECG classification, i.e., the correlation between warping path choice and
prediction results. Then we implement an attack that leverages Flush+Reload to
monitor the warping path selection with known ECG data and then build a
predictor for constructing the relation between warping path selection and
labels of input ECG samples. Based on experiments, we find that the
Flush+Reload-based inference leakage can achieve an 84.0\% attacking success
rate to identify the labels of the two samples in DTW.
- Abstract(参考訳): 心電図(ECG)は、心臓によって生じる心活動を測定し、異常な心拍や心臓発作を検出する。
しかし、異常の発生は心拍の連続的なモニタリングを必要とする。
機械学習技術を利用してタスクを自動化し、監視に必要な作業を削減する。
近年、多くの企業がECGモニタリングと不規則な心拍警告を備えた製品を発表している。
全ての分類アルゴリズムの中で、時系列アルゴリズムの動的時間ワープ(DTW)は、ECG分類タスクを実行するために広く採用されている。
進歩はあるものの、DTWベースのECG分類では、患者の診断結果を漏洩する新たな攻撃ベクトルももたらしている。
本稿では,ECG 入力サンプルのラベルをサイドチャネル攻撃である Flush+Reload によって盗むことができることを示す。
特に,心電図分類におけるDTWの脆弱性,すなわち乱れ経路選択と予測結果との相関を最初に同定する。
次に、Flush+Reloadを利用して、既知のECGデータによるワープパス選択を監視し、次いで、ワープパス選択と入力ECGサンプルのラベルの関係を構築するための予測器を構築する。
実験の結果,fash+reloadに基づく推論リークは,dtwの2つのサンプルのラベルを識別するために,84.0\%の攻撃成功率を達成できることがわかった。
関連論文リスト
- Multi-scale Cross-restoration Framework for Electrocardiogram Anomaly
Detection [33.48389041651675]
心電図(Electrocardiogram、ECG)は、心疾患の診断に広く用いられるツールである。
希少な心疾患は、トレーニングデータセットがすべての心疾患を排出できないことを考慮して、従来の心電図解析を用いて診断されることがある。
本稿では、異常検出を用いて不健康状態を特定し、通常の心電図をトレーニング用として用いることを提案する。
論文 参考訳(メタデータ) (2023-08-03T09:16:57Z) - PulseNet: Deep Learning ECG-signal classification using random
augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。
心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。
犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文 参考訳(メタデータ) (2023-05-17T09:06:39Z) - Two-stream Network for ECG Signal Classification [3.222802562733787]
本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。
本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。
MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
論文 参考訳(メタデータ) (2022-10-05T08:14:51Z) - Arrhythmia Classification using CGAN-augmented ECG Signals [8.819736346681463]
GAN(Generative Adrial Networks)は、リアルな合成ECG信号を生成するために使用される。
本研究では,データ拡張が不整脈分類に及ぼす影響について検討した。
論文 参考訳(メタデータ) (2022-01-26T17:41:57Z) - Mitigating the Mutual Error Amplification for Semi-Supervised Object
Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。
他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文 参考訳(メタデータ) (2022-01-26T03:34:57Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - SCRIB: Set-classifier with Class-specific Risk Bounds for Blackbox
Models [48.374678491735665]
クラス固有RIsk境界(SCRIB)を用いたSet-classifierを導入し,この問題に対処する。
SCRIBは、クラス固有の予測リスクを理論的保証で制御するセット分類器を構築する。
脳波(EEG)データによる睡眠ステージング,X線COVID画像分類,心電図(ECG)データに基づく心房細動検出など,いくつかの医学的応用についてSCRIBを検証した。
論文 参考訳(メタデータ) (2021-03-05T21:06:12Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳(メタデータ) (2020-11-17T16:15:49Z) - CardioGAN: Attentive Generative Adversarial Network with Dual
Discriminators for Synthesis of ECG from PPG [25.305949034527202]
心電図(Electrocardiogram、ECG)は、心臓活動の電気的測定である。
光胸腺X線写真(英: Photoplethysmogram, PPG)は、血液循環の変化の光学的測定である。
本稿では、PSGを入力とし、ECGを出力として生成する逆モデルであるCardioGANを提案する。
論文 参考訳(メタデータ) (2020-09-30T20:49:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。