ترجمه فارسی مقاله ECG رونمایی کرد: تجزیه و تحلیل خطرات شناسایی مجدد مشتری در مجموعه داده های ECG در دنیای واقعی

چکیده

While ECG data is crucial for diagnosing and monitoring heart conditions, it also contains unique biometric information that poses significant privacy risks. Existing ECG re-identification studies rely on exhaustive analysis of numerous deep learning features, confining to ad-hoc explainability towards clinicians decision making. In this work, we delve into explainability of ECG re-identification risks using transparent machine learning models. We use SHapley Additive exPlanations (SHAP) analysis to identify and explain the key features contributing to re-identification risks. We conduct an empirical analysis of identity re-identification risks using ECG data from five diverse real-world datasets, encompassing 223 participants. By employing transparent machine learning models, we reveal the diversity among different ECG features in contributing towards re-identification of individuals with an accuracy of 0.76 for gender, 0.67 for age group, and 0.82 for participant ID re-identification. Our approach provides valuable insights for clinical experts and guides the development of effective privacy-preserving mechanisms. Further, our findings emphasize the necessity for robust privacy measures in real-world health applications and offer detailed, actionable insights for enhancing data anonymization techniques.

چکیده به فارسی (ترجمه ماشینی)

در حالی که داده های ECG برای تشخیص و نظارت بر شرایط قلبی بسیار مهم است ، همچنین حاوی اطلاعات بیومتریک منحصر به فرد است که خطرات حریم خصوصی قابل توجهی را به همراه دارد.مطالعات شناسایی مجدد ECG موجود به تجزیه و تحلیل جامع بسیاری از ویژگی های یادگیری عمیق متکی است ، که محدود به توضیحات موقت نسبت به تصمیم گیری پزشکان است.در این کار ، ما به توضیح خطرات شناسایی مجدد ECG با استفاده از مدل های یادگیری ماشین شفاف می پردازیم.ما از تجزیه و تحلیل توضیحات افزودنی Shapley (Shap) برای شناسایی و توضیح ویژگی های اصلی کمک به خطرات شناسایی مجدد استفاده می کنیم.ما یک تجزیه و تحلیل تجربی از خطرات شناسایی مجدد هویت با استفاده از داده های ECG از پنج مجموعه داده متنوع در دنیای واقعی ، شامل 223 شرکت کننده انجام می دهیم.با استفاده از مدل های یادگیری ماشین شفاف ، ما تنوع را در بین ویژگی های مختلف ECG در کمک به شناسایی مجدد افراد با دقت 0.76 برای جنسیت ، 0.67 برای گروه سنی و 0.82 برای شناسایی مجدد شناسه شرکت کنندگان نشان می دهیم.رویکرد ما بینش های ارزشمندی را برای متخصصان بالینی فراهم می کند و توسعه مکانیسم های مؤثر در حفظ حریم خصوصی را راهنمایی می کند.علاوه بر این ، یافته های ما بر ضرورت اقدامات حریم خصوصی قوی در برنامه های بهداشتی در دنیای واقعی تأکید می کند و بینش های مفصلی و عملی را برای تقویت تکنیک های ناشناس سازی داده ها ارائه می دهد.