Introducción del sistena Ensemble Siamese Network (ESN) con señales ECG en Telemedicina
La telemedicina es el uso de la tecnología que permite a un paciente tener citas médicas (o visitas) con su médico u otro miembro de su equipo de atención médica. Se puede utilizar cuando el paciente y su médico no están en el mismo lugar.
Para su implantación se emplean tecnologías de la información y las comunicaciones.
Es importante entender que la telemedicina es un proceso, no una tecnología
Basándose en estas premisas, investigadores pertenecientes al Departamento de Ingeniería Eléctrica e Informática de la Universidad de Victoria, y del Consejo Nacional de Investigación, Ottawa, Gobierno de Canadá, diseñaron el
Ensemble Siamese Network (ESN) que utiliza señales de ECG para la autenticación humana en el sistema de salud inteligente, a sabiendas que el tema de la seguridad que la teleconsulta la realiza efectivamente quien dice ser.
Introduciendo el tema, los autores señalan que la combinación de servicios de salud y tecnología se conoce como atención médica digital.
Abarca varias herramientas tecnológicas como aplicaciones móviles de salud, registros electrónicos de salud, dispositivos portátiles y medicina personalizada.
Esta combinación de tecnología y atención médica ofrece la oportunidad de aprovechar los datos y la tecnología para mejorar la calidad de la atención y la salud del paciente, al tiempo que proporciona una plataforma segura.
El sector de la salud se encuentra ahora en una nueva fase de desarrollo tecnológico, conocida como Industria 5.0, que está dando lugar a aplicaciones innovadoras que pueden clasificarse como atención médica inteligente.
Algunos ejemplos de tales aplicaciones incluyen el uso de la realidad aumentada para el soporte de decisiones clínicas, asistente de prescripción de salud basado en IoT, diagnóstico remoto, técnicas médicas digitales no invasivas, robots colaborativos para procedimientos médicos complejos y predicción en tiempo real basada en la nube del estado del paciente.
La transformación digital del sector sanitario ha aumentado su vulnerabilidad tanto a los ciberataques como a la resiliencia del sistema sanitario.
La resiliencia de la atención médica se describe como «la capacidad de los sistemas de atención médica para tener éxito en diversas condiciones».
Es decir, la atención médica digital ha sido un motivo de preocupación desde hace mucho tiempo.
Además de la seguridad de la información de salud del paciente, la privacidad también es motivo de gran preocupación, ya que los registros de salud electrónicos contienen datos confidenciales de ellos.
La autenticación es una de las medidas más comúnmente adoptadas para permitir el acceso autorizado.
Los sistemas de autenticación biométrica son los más preferidos, incluidas las características fisiológicas y de comportamiento de un individuo.
No sorprende que se proyecte que el mercado biométrico en todo el mundo supere los 50 000 millones de USD para 2024, mostrando una tasa de crecimiento anual constante del 20 %.
La biometría del comportamiento, como el reconocimiento de voz, la pulsación de teclas y la dinámica táctil, la forma de andar, la postura, etc., suelen ser engorrosas y poco fiables, ya que varían según el estado de ánimo, la edad, el cansancio, etc.
Sistemas de autenticación biométrica fisiológica, que incluyen huellas dactilares, reconocimiento de iris , reconocimiento facial, etc., están siendo ampliamente adoptados ya que se mantienen estables a lo largo de la vida de un individuo.
La principal ventaja de la autenticación biométrica, que no puede pasarse por alto, es que se puede realizar de forma continua y fiable con una acción o intervención mínima por parte del usuario.
Es decir, un sistema de autenticación biométrica puede proporcionar seguridad junto con usabilidad. El sistema de autenticación biométrica se puede implementar en varias aplicaciones, desde en tiempo real hasta comerciales, e incluso se puede usar para acceder a varios servicios relacionados con la atención médica.
Las señales fisiológicas se consideran el método preferido para la autenticación debido a su dificultad para ser falsificadas y al requisito de que las personas se presenten para registrar dichas señales.
Las señales fisiológicas más destacadas incluyen electrocardiograma (ECG), electroencefalografía (EEG) y fotopletismografía (PPG).
La obtención de señales de PPG y ECG es relativamente fácil en comparación con la mayoría de las otras señales fisiológicas, ya que las señales de ECG son más resistentes al ruido en comparación con las señales de PPG o EEG, lo que convierte al ECG en el sistema biométrico preferido.
Por ejemplo, se pueden usar sensores de dedo simples para obtener señales PPG y ECG.
Con la reciente introducción de sensores de ECG en productos comerciales como dispositivos portátiles, ha aumentado la posibilidad de una adopción generalizada de la biometría de ECG.
La investigación independiente demuestra la autenticidad de las señales de ECG.
Guglielmi et al.recolectó señales de ECG de varios nodos de sensores en el cuerpo del individuo y las usó para desarrollar un nuevo protocolo de acuerdo clave que explota la aleatoriedad de las señales de ECG.
Se proporciona una solución analítica para garantizar una autenticación sólida y se desarrolla una matriz de reconciliación de información única que ofrece un buen rendimiento para todos los pares de sensores de ECG.
El enfoque ofrece evidencia para respaldar la autenticidad de las señales de ECG con fines de autenticación.
Las señales de ECG aún pueden ser efectivas para la autenticación incluso cuando la señal se ve afectada por problemas inesperados.
Prakash et al. investigó la efectividad del uso de señales de ECG para la autenticación en escenarios donde la señal se ve afectada por condiciones de adquisición no controladas.
Descubrieron que las señales de ECG aún se pueden usar con fines de autenticación incluso cuando están distorsionadas por varios factores, como artefactos de movimiento, desprendimiento de electrodos o cambios en la frecuencia cardíaca.
Pereira et al. investigaron el rendimiento de la autenticación basada en ECG cuando la señal se ve afectada por eventos cardíacos repentinos.
Los autores encontraron que a pesar de la disponibilidad limitada de datos causada por eventos cardíacos repentinos, la autenticación basada en ECG sigue siendo efectiva.
Llegaron a la conclusión de que la autenticación basada en ECG podría proporcionar un método de autenticación confiable y seguro incluso cuando la señal se ve afectada por problemas inesperados.
Para lograr una autenticación práctica y en tiempo real basada en las señales de ECG recopiladas, se deben emplear métodos de aprendizaje automático (ML por sus siglas en inglés).
Kasho et al. comparó la capacidad de ML y redes neuronales profundas (DNN por sus siglas en inglés) utilizando señales de ECG para la autenticación.
Desarrollar un modelo de verificación para la identificación de usuarios usando ML y DNN ofrece muchas ventajas, como ser independiente del ser humano, beneficioso, confiable, más rápido y más preciso.
Se han desarrollado numerosos modelos ML para sistemas de autenticación basados en biometría, y los DNN se han aplicado ampliamente en esta área recientemente.
Se prefieren los DNN porque pueden extraer el mejor conjunto de características de los datos sin procesar durante el entrenamiento sin requerir un esfuerzo adicional. A pesar de las muchas ventajas de los modelos DNN que se utilizan para la autenticación, tienen algunas deficiencias, que se describen a continuación:
- Requerir una gran cantidad de datos para entrenar el modelo.
- La mayoría de los modelos de ML son sensibles a los conjuntos de datos desequilibrados.
- Inscribir una nueva entidad en el sistema es complejo debido a la necesidad de entrenar el modelo desde cero.
La red siamesa es un tipo de red neuronal profunda que puede abordar los problemas mencionados anteriormente.
Comprende componentes de subred idénticos que se utilizan en varios estudios, incluido el reconocimiento facial y de huellas dactilares.
La idea principal detrás de la primera parte de la red siamesa es extraer las mejores características para comparar las entradas de las subredes separadas.
La segunda etapa de la red siamesa es responsable de evaluar la similitud entre los conjuntos de entrada.
Para este propósito, se utilizan pares de muestras tanto de la misma persona como de diferentes individuos como muestras de entrenamiento.
Dado que podemos seleccionar este par de muestras de todas las clases en el conjunto de datos, no es gran cosa hacer muchas parejas de las muestras disponibles y superar el problema del tamaño de muestra pequeño.
Además, la selección de parejas puede aliviar la condición de desequilibrio y hacer que este modelo sea insensible a un conjunto de datos inicial desequilibrado.
Los algoritmos de ML generalmente muestran un buen rendimiento en conjuntos de datos equilibrados, pero cuando se enfrentan a conjuntos de datos desequilibrados, su rendimiento puede verse afectado.
Otra ventaja de la red siamesa es que no es necesario utilizar a las personas inscritas para la formación de modelos.
Para agregar un nuevo usuario al sistema, solo necesita agregar sus características registradas al repositorio.
Se utilizó la red siamesa en un trabajo de investigación previo para realizar la autenticación mediante señales de ECG.
El estudio actual mejora la capacidad de manejar las señales de ECG en diversas situaciones.
El uso de una red de Ensemble puede ayudar al sistema de autenticación a comparar una nueva instancia de un usuario con muchos registros anteriores en lugar de solo uno. Se resume este estudio con las siguientes contribuciones clave:
- – Proponer una red Ensemble Siamese (ESN) utilizando señales de ECG para comparar una nueva muestra con los registros guardados de la identidad reclamada en el repositorio.
- – Guardar datos codificados de usuarios registrados en un repositorio en lugar de tener la información sin procesar para aumentar la seguridad de los datos.
- – Usar una transformada de Fourier modificada personalizada para esta aplicación para extraer características más confiables de las muestras de entrada, lo que da como resultado el entrenamiento de una red más sólida.
- – Desarrollar un método de autenticación fuerte que pueda inscribir a nuevos usuarios en tiempo de ejecución mientras es robusto para desequilibrar las condiciones de la muestra.
El resto de este documento está estructurado de la siguiente manera: explora trabajos relacionados y examina estudios de investigación significativos en este campo.
Se presenta el modelo de conjunto propuesto.
Posteriormente, se describe el conjunto de datos utilizado para evaluar el modelo propuesto y compara los resultados de este implementación con los métodos más avanzados.
La autenticación continua basada en información contextual ofrece una serie de ventajas sobre la autenticación tradicional, incluida la capacidad de estimar la probabilidad de que los usuarios sean quienes dicen ser de forma continua durante el transcurso de una sesión completa, lo que la convierte en una seguridad mucho más efectiva. medida para regular proactivamente el acceso autorizado a datos sensibles.
Los modelos de autenticación actuales que se basan en el aprendizaje automático tienen sus deficiencias, como la dificultad para inscribir nuevos usuarios en el sistema o la sensibilidad del entrenamiento del modelo a conjuntos de datos desequilibrados.
Para abordar estos problemas, se propuso el uso de señales de ECG, que son fácilmente accesibles en los sistemas de salud digitales, para la autenticación a través de Ensemble Siamese Network (ESN) que puede manejar pequeños cambios en las señales de ECG.
Agregar preprocesamiento para la extracción de características a este modelo puede generar resultados superiores.
Se entrenó este modelo en conjuntos de datos de referencia de ECG-ID y PTB, logrando una precisión del 93,6 % y el 96,8 % y tasas de error iguales del 1,76 % y el 1,69 %, respectivamente.
La combinación de disponibilidad de datos, simplicidad y robustez lo convierte en una opción ideal para la atención médica inteligente y la telesalud.
Se concluye que los métodos de autenticación tradicionales normalmente clasifican muestras, mientras que este modelo propuesto realiza directamente la autenticación.
Con este fin, se presentó un modelo Ensemble Siamese Network (ESN) para la autenticación de señales de ECG.
Las señales de ECG son fácilmente accesibles en telesalud, y muchos teléfonos inteligentes modernos están equipados con sensores para recopilar dichos datos, lo que hace que este modelo propuesto sea adecuado para su uso en el entorno de atención médica digital.
La arquitectura ESN emplea un modelo CNN para procesar las señales de entrada, y la sección de comparación de la red compara las características extraídas correspondientes con los vectores de muestra reclamados en el repositorio para calcular su similitud.
El uso de un ESN para la autenticación de señales de ECG puede ayudar a considerar diferentes condiciones de usuario al recopilar señales de ECG.
Un ESN compara una nueva señal con muchas muestras disponibles para hacer predicciones, lo que puede mejorar la precisión y la solidez del modelo.
Por lo tanto, el sistema puede tener en cuenta las diferencias individuales en las señales de ECG que pueden surgir debido a diferentes condiciones de salud, niveles de actividad física u otros factores que afectan la señal.
Esto puede mejorar la precisión y confiabilidad del sistema de autenticación, haciéndolo más adecuado para su uso en escenarios del mundo real donde los usuarios pueden tener diferentes condiciones o circunstancias.
Además, el uso de un ESN puede ayudar a abordar problemas como conjuntos de datos desequilibrados o dificultades para inscribir nuevos usuarios, que son desafíos comunes en los modelos de autenticación que se basan en el aprendizaje automático.
La evaluación experimental de nuestro modelo se realizó en dos conjuntos de datos de referencia; ECG-ID y PTB.
El conjunto de datos de ECG-ID se recopiló en un entorno controlado y limpio, mientras que el conjunto de datos de PTB tenía una condición más diversa y real.
Los resultados experimentales muestran que el modelo propuesto supera a los métodos rivales en ambos estados.
Además, el uso de la estructura CNN funciona mejor que otras estructuras disponibles, como LSTM, CNN-LSTM y Bi-LSTM, en la parte de extracción de características del modelo.
Estas son las principales ventajas del modelo ESN propuesto:
- Utilizando señales de ECG en una plataforma de Siamese Network que se puede entrenar usando algunas muestras.
- La solidez del modelo que usa una CNN para la extracción de características y la capacidad de manejar conjuntos de datos desequilibrados son puntos fuertes del enfoque propuesto.
- Utilizando un conjunto de algunas muestras que pueden tolerar cambios en las condiciones de la señal y aumentar la solidez del modelo.
- Registrar directamente nuevos usuarios en el sistema codificando sus datos utilizando las capas de CNN entrenadas y almacenándolos en un repositorio.
- De esta forma, no se requiere la extracción de características en los registros guardados para las aplicaciones en línea, lo que conduce a una disminución en el tiempo de procesamiento.
- Además, la vulnerabilidad de los datos se puede evitar accediendo a la entidad desconocida.
Los autores sugieren extender el método de conjunto a una amplia gama de características recolectadas de individuos para continuar con esta tendencia de investigación.
Por ejemplo, es posible recopilar datos de acuerdo con los patrones de escritura o la dinámica de pulsación de teclas del usuario del sistema mientras se recopila simultáneamente su imagen facial y la señal de ECG para aumentar la estabilidad y solidez del modelo.
Esta sugerencia puede aumentar el costo de la suplantación y será casi imposible hacerse pasar por una persona con varias características de comportamiento.
Por otro lado, agregar otras técnicas, como la fuzzificación (mapeo entre las variables de entrada y sus valores de membresía en esa clasificación), puede ayudar a superar los desafíos de los datos ruidosos.
* Hazratifard M, Agrawal V, Gebali F, Elmiligi H, Mamun M. Ensemble Siamese Network (ESN) Using ECG Signals for Human Authentication in Smart Healthcare System. Sensors (Basel). 2023 May 13;23(10):4727. doi: 10.3390/s23104727. PMID: 37430641; PMCID: PMC10222383.
