Privacy Assured Recovery of Compressively Sensed ECG Signals
Notice bibliographique
Résumé
In the areas of communications engineering and biomedical engineering, cloud computing for storing data and running complex algorithms have been steadily increasing due to the increase in internet of things and connected health. As connected IoT devices such as wearable ECG recorders generally have less storage and computational capacity, acquired signals get sent to a remote center for storage and possible analysis on demand. Recently, compressive sensing has been used as a secure, energy-efficient and fast method of signal sampling in such recorders. In this paper, we propose a secure procedure to shift away the total recovery of compressively sensed measurement to cloud and introduce a privacy-assured signal recovery technique in the cloud. We present a fast, and lightweight encryption for secure CS recovery outsourcing that can be used in wearable devices, such as ECG Holter monitors. In the proposed technique, instead of full recovery of CS-compressed ECG signal in the cloud, to preserve privacy, an encrypted version of ECG signal is recovered by using a randomly bipolar permuted measurement matrix. The user with a key, decrypts the encrypted ECG from the cloud to obtain the original ECG signal at their end. We demonstrate our proposed method using the ECG signals available in the MIT-BIH Arrhythmia Database. We also demonstrate the strength of the proposed method against partial exposure of the key. Experimental results on client and cloud sides show our proposed method has lower complexity and consuming time compared to the recent related works, while maintaining the quality of outsourcing task in cloud.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».