論文の概要: Differentially Private EEG Feature Anonymization: A Privacy-Utility Case Study in Clinical Neurophysiology

• arxiv url: http://arxiv.org/abs/2609.11777v1
• Date: Thu, 10 Sep 2026 16:31:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.447346
• Title: Differentially Private EEG Feature Anonymization: A Privacy-Utility Case Study in Clinical Neurophysiology
• Title（参考訳）: 異なるプライベートな脳波特徴匿名化:臨床神経生理学におけるプライバシ・ユーティリティーのケーススタディ
• Abstract要約: 本稿では,GaussianとLaplaceの摂動を用いた臨床脳波による特徴表現の保護のための主観的差分プライバシーについて検討する。 提案するフレームワークでは,クライアント側の匿名化,集中型サーバ側の匿名化,分散ローカルトレーニングの3つのシナリオが検討されている。 以上の結果から,脳波処理に差分な私的摂動を組み込むことは可能であるが,選択されたメカニズム,プライバシパラメータ,感度校正はデータユーティリティに強く影響を及ぼすことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical electroencephalography (EEG) data are valuable for healthcare research and for developing artificial intelligence (AI)-based clinical decision-support systems, but EEG recordings and derived features may contain sensitive patient-specific information. This creates privacy risks when data are reused, analyzed, or shared across clinical and research environments. Conventional anonymization methods are often insufficient for high-dimensional biomedical signals, since removing direct identifiers does not necessarily prevent re-identification, linkage, or inference risks. At the same time, strong privacy protection may distort clinically relevant signal characteristics and reduce data utility. This paper studies subject-level differential privacy for protecting clinical EEG-derived feature representations using Gaussian and Laplace perturbations. The proposed framework considers three deployment scenarios: client-side anonymization, centralized server-side anonymization, and decentralized local training. Following EEG preprocessing and feature extraction, Gaussian and Laplace perturbations are applied to the resulting patient-level EEG feature representations. The Laplace experiments evaluate the implemented noise scales, while the scales required for formal full-vector calibration are derived separately. The effects of both perturbations are assessed using statistical utility measures and a downstream machine-learning-based utility check. The results show that differentially private perturbation can be integrated into EEG processing workflows, but the selected mechanism, privacy parameters, and sensitivity calibration strongly influence data utility. The study highlights the practical privacy-utility trade-off in DP-based EEG feature anonymization and the challenges of preserving downstream utility in small and imbalanced clinical EEG datasets.
• Abstract（参考訳）: 臨床脳波(EEG)データは、医療研究や人工知能(AI)に基づく臨床意思決定支援システムの開発に有用であるが、脳波記録や派生した特徴は、患者固有の機密情報を含む可能性がある。 これにより、データを再利用、分析、あるいは臨床および研究環境間で共有する場合に、プライバシのリスクが発生する。 従来の匿名化手法は、直接識別子を除去しても必ずしも再識別やリンケージ、推論のリスクを防止できないため、高次元のバイオメディカル信号には不十分であることが多い。 同時に、強力なプライバシ保護は、臨床的に関連する信号特性を歪め、データの有用性を低下させる可能性がある。 本稿では,GaussianとLaplaceの摂動を用いた臨床脳波による特徴表現の保護のための主観的差分プライバシーについて検討する。 提案するフレームワークでは,クライアント側の匿名化,集中型サーバ側の匿名化,分散ローカルトレーニングの3つのシナリオが検討されている。 脳波前処理と特徴抽出に続いて、ガウスとラプラスの摂動が患者レベル脳波の特徴表現に適用される。 ラプラス実験は、実装されたノイズスケールを評価し、フォーマルなフルベクターキャリブレーションに必要なスケールは別々に導出する。 両摂動の効果は,統計的ユーティリティ尺度と下流の機械学習に基づくユーティリティチェックを用いて評価する。 以上の結果から,脳波処理ワークフローに差分私的摂動を組み込むことは可能であるが,選択されたメカニズム,プライバシパラメータ,感度校正はデータユーティリティに強く影響を及ぼすことがわかった。 この研究は、DPベースのEEG機能匿名化における実用的なプライバシユーティリティのトレードオフと、小規模で不均衡な臨床EEGデータセットで下流ユーティリティを保存することの課題を強調している。

関連論文リスト

• LookAroundNet: Extending Temporal Context with Transformers for Clinically Viable EEG Seizure Detection [0.0]
  LookAroundNetは、脳波データのより広い時間的ウィンドウを使用して発作活動をモデル化するトランスフォーマーベースの発作検出装置である。 様々な臨床環境にまたがる複数の脳波データセットについて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-01-09T18:52:24Z)
• Bridging Privacy and Utility: Synthesizing anonymized EEG with constraining utility functions [0.5863360388454261]
  本稿では,脳波データを生成するトランスフォーマーを用いたオートエンコーダを提案する。 本稿では,脳波信号の再識別可能性を大幅に低減し,機械学習に有効であることを示す。
  論文  参考訳（メタデータ） (2025-09-24T18:02:41Z)
• Clinically-guided Data Synthesis for Laryngeal Lesion Detection [2.573786844054239]
  そこで本研究では,Lyngeal endoscopic image-annotation pairを生成するために,Latent Diffusion Model(LDM)とControlNetアダプタを併用した新しいアプローチを提案する。 提案手法はCADx/eモデルのトレーニングデータセットの拡張に有効であり,喉頭科学における評価プロセスの強化に有効である。
  論文  参考訳（メタデータ） (2025-08-08T09:55:54Z)
• Differentially Private Distributed Inference [2.4401219403555814]
  臨床試験に協力する医療センターは、知識共有と機密データ保護のバランスを取る必要がある。 情報漏洩を制御するために差分プライバシー(DP)を用いてこの問題に対処する。 エージェントはログリニアルールを通じて信条統計を更新し、DPノイズは信頼性の高い識別性と厳格な性能保証を提供する。
  論文  参考訳（メタデータ） (2024-02-13T01:38:01Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Assessing Robustness of EEG Representations under Data-shifts via Latent Space and Uncertainty Analysis [0.29998889086656577]
  我々は,外部データへのアクセスを前提とせずに,デプロイメント中に潜在的な落とし穴を検出する診断方法を開発した。 具体的には、データ変換による電気生理学的信号(EEG)の現実的なデータシフトをモデル化することに焦点を当てる。 我々は、複数の脳波特徴エンコーダと2つの臨床的に関連のある下流タスクについて、一般公開された大規模臨床脳波を用いて実験を行った。
  論文  参考訳（メタデータ） (2022-09-22T19:26:09Z)
• Sensitivity analysis in differentially private machine learning using hybrid automatic differentiation [54.88777449903538]
  感性分析のための新しいテクスチブリド自動識別システム(AD)を導入する。 これにより、ニューラルネットワークをプライベートデータ上でトレーニングするなど、任意の微分可能な関数合成の感度をモデル化できる。 当社のアプローチは,データ処理の設定において,プライバシ損失に関する原則的推論を可能にする。
  論文  参考訳（メタデータ） (2021-07-09T07:19:23Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• RDP-GAN: A R\'enyi-Differential Privacy based Generative Adversarial Network [75.81653258081435]
  GAN(Generative Adversarial Network)は,プライバシ保護の高い現実的なサンプルを生成する能力によって,近年注目を集めている。 しかし、医療記録や財務記録などの機密・私的な訓練例にGANを適用すると、個人の機密・私的な情報を漏らしかねない。 本稿では、学習中の損失関数の値にランダムノイズを慎重に付加することにより、GAN内の差分プライバシー(DP)を実現するR'enyi-differentially private-GAN(RDP-GAN)を提案する。
  論文  参考訳（メタデータ） (2020-07-04T09:51:02Z)

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。