🤖 AI

Generating Synthetic Health Sensor Data for Privacy-Preserving Wearable Stress Detection

Ursprüngliche Autoren: Lucas Lange, Nils Wenzlitschke, Erhard Rahm

Veröffentlicht 2026-02-03

📖 5 Min. Lesezeit🧠 Tiefgang

Ursprüngliche Autoren: Lucas Lange, Nils Wenzlitschke, Erhard Rahm

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie besitzen eine Smartwatch, die wie ein persönlicher Leibwächter fungiert und ständig Ihre Herzfrequenz, Ihre Hauttemperatur und Ihren Schweißgehalt überwacht, um festzustellen, ob Sie gestresst sind. Ärzte und Forscher wollen bessere „Leibwächter“ (KI-Modelle) entwickeln, um Menschen zu helfen, aber es gibt ein großes Problem: die Privatsphäre.

Um diese KI-Modelle zu trainieren, benötigt man echte Daten von echten Menschen. Aber diese Daten sind wie das Tagebuch der tiefsten Geheimnisse eines Menschen. Wenn man sie teilt, riskiert man, private Gesundheitsinformationen preiszugeben. Selbst wenn man versucht, die Namen zu verbergen (anonymisieren), können clevere Hacker die Identität einer Person manchmal immer noch entschlüsseln, indem sie nur auf deren einzigartige Herzschlagmuster schauen.

Dieses Paper schlägt einen klugen Umweg vor: Anstatt echte Menschen zu verwenden, lassen Sie uns gefälschte Daten erstellen, die exakt so aussehen wie die echten.

So haben sie es gemacht, erklärt mit alltäglichen Analogien:

1. Das Problem: Das „Geheimnisvolle Tagebuch“-Dilemma

Forscher benötigen viele Daten, um ihre Stresserkennungs-KI zu trainieren. Aber die Erlaubnis zu erhalten, die echten medizinischen Tagebücher von Menschen zu nutzen, ist schwierig, zeitaufwendig und riskant. Es ist, als würde man versuchen, einem Koch beizubringen, ein perfektes Steak zuzubereiten, aber man darf ihm nicht erlauben, das echte Fleisch zu probieren, weil es zu teuer oder zu sensibel ist.

2. Die Lösung: Der „Meisterfälscher“ (GANs)

Die Autoren verwendeten eine Technologie namens Generative Adversarial Networks (GANs). Stellen Sie sich dies als ein Spiel zwischen zwei Künstlern vor:

Der Fälscher (Generator): Versucht, gefälschte Stressdaten (Herzschläge, Schweißwerte) zu erstellen, die so echt aussehen, dass sie jeden täuschen könnten.
Der Detektiv (Discriminator): Versucht, den Unterschied zwischen den echten Daten und den gefälschten Daten zu erkennen.

Sie spielen dieses Spiel immer und immer wieder. Der Fälscher wird besser darin, Fälschungen herzustellen, und der Detektiv wird besser darin, sie zu entlarven. Schließlich wird der Fälscher so gut, dass der Detektiv keinen Unterschied mehr feststellen kann. Das Ergebnis? Eine riesige Bibliothek an synthetischen (gefälschten) Stressdaten, die alle statistischen Muster echter menschlicher Daten besitzen, aber niemandem gehören.

3. Das zusätzliche Sicherheitsnetz: „Die Lärmmaschine“ (Differential Privacy)

Selbst mit gefälschten Daten besteht die Sorge: Was, wenn der Fälscher versehentlich das Tagebuch einer bestimmten realen Person auswendig gelernt und es einfach kopiert hat?

Um dies zu verhindern, fügten die Autoren Differential Privacy (DP) hinzu. Stellen Sie sich vor, der Fälscher arbeitet in einem Raum voller dichtem, wirbelndem Nebel. Wenn er auf die echten Daten blickt, um von ihnen zu lernen, verschleiert der Nebel (mathematischer Lärm/Rauschen) die Details gerade so weit, dass er die allgemeine Form der Daten lernen kann, aber nicht die spezifischen Details einer einzelnen Person sehen kann.

Dies stellt sicher, dass selbst wenn jemand die gefälschten Daten stiehlt, er sie nicht rückentwickeln kann, um herauszufinden, wer die ursprüngliche Person war. Die Autoren testeten verschiedene Stufen des „Nebels“ (Privacy Budgets):

Leichter Nebel: Weniger Privatsphäre, sehr genaue gefälschte Daten.
Dicker Nebel: Sehr starke Privatsphäre, aber die gefälschten Daten werden etwas „verschwommen“ und weniger genau.

4. Die Ergebnisse: Funktionieren die gefälschten Daten?

Die Forscher testeten, ob ihr „Meisterfälscher“ tatsächlich helfen kann, einen Stressdetektor zu trainieren. Sie verwendeten einen Standard-Datensatz namens WESAD (der Daten von 15 Personen enthält) und probierten zwei Strategien aus:

Strategie A: Der vollständige Austausch (TSTR)
Sie warfen die 15 echten Menschen weg und trainierten die KI nur mit 15 gefälschten Personen.
- Ergebnis: Die KI funktionierte immer noch ziemlich gut, was beweist, dass man echte Daten durch gefälschte Daten ersetzen kann.
Strategie B: Das Booster-Paket (AUGM)
Sie behielten die 15 echten Menschen bei und fügten weitere gefälschte Personen hinzu (wie das Hinzufügen von 100 gefälschten Schülern zu einer Klasse von 15 echten Schülern, um dem Lehrer beim Lernen zu helfen).
- Ergebnis: Dies war der Gewinner. Durch das Hinzufügen der gefälschten Daten wurde die KI signifikant intelligenter.
- Der große Sieg: Als sie die Version mit dem „Dicken Nebel“ (starke Privatsphäre) verwendeten, steigerte das Hinzufügen der gefälschten Daten die Leistung der KI um 11 % bis 15 %. Ohne die gefälschten Daten würden die Privatsphäre-Regeln die KI normalerweise viel „dümmer“ machen. Die gefälschten Daten fungierten als Brücke, die es der KI ermöglichte, selbst unter strengen Privatsphäre-Regeln effektiv zu lernen.

5. Der Haken: Der Privatsphäre-Trade-off

Das Paper räumt ein: „Je dicker der Nebel, desto verschwommener das Bild.“

Wenn sie eine sehr strenge Privatsphäre-Einstellung (sehr hohe Sicherheit) verwendeten, begannen die gefälschten Daten, einige ihrer „Stress“-Eigenschaften zu verlieren. Sie waren immer noch sicher, aber nicht mehr eine perfekte Kopie der Realität.
Doch selbst mit dieser Unschärfe waren die gefälschten Daten immer noch besser als gar keine Daten zu haben.

Zusammenfassung

Das Paper zeigt, dass wir eine privatsphäre-wahrende maschinelle Lernpipeline für die Stresserkennung aufbauen können. Indem wir einen „Fälscher“ (GAN) verwenden, der mit einer „Lärmmaschine“ (Differential Privacy) trainiert wurde, können Forscher endlose Mengen an realistischen, sicher teilbaren Gesundheitsdaten generieren. Dies ermöglicht es ihnen, bessere KI-Modelle zu trainieren, ohne jemals in das private medizinische Tagebuch einer echten Person blicken zu müssen.

Kernaussage: Man muss die Privatsphäre nicht opfern, um eine gute medizinische KI zu erhalten. Man kann die KI stattdessen mit einer sehr überzeugenden, mathematisch sicheren „Halluzination“ echter Daten trainieren.

Technisches Resümee: Erzeugung synthetischer Gesundheitssensordaten für die datenschutzwahrende Stresserkennung bei Wearables

Problemstellung

Die zunehmende Nutzung von Gesundheitssensordaten aus Smartwatches zur Stresserkennung und Patientenüberwachung steht vor einem kritischen Engpass: der Sensibilität medizinischer Daten und der Schwierigkeit, ausreichende, qualitativ hochwertige Datensätze für die Forschung zu erwerben. Während tragbare Geräte reichhaltige physiologische Zeitreihendaten generieren, begrenzen strenge Datenschutzvorschriften und das Risiko der Re-Identifizierung aus anonymisierten Gesundheitssignalen den Datenaustausch. Darüber hinaus führt das Training robuster Machine-Learning-Modelle unter Bedingungen der Differential Privacy (DP) oft zu einem erheblichen Nutzenverlust (reduzierte Modellleistung) aufgrund des Rauschens, das zur Absicherung einzelner Datensätze eingeführt wird. Die Autoren adressieren die Herausforderung, den Nutzen–Datenschutz-Trade-off zu optimieren, indem sie untersuchen, ob synthetische Daten, die mittels Generative Adversarial Networks (GANs) mit DP-Schutzmaßnahmen generiert wurden, reale Daten ergänzen oder ersetzen können, um Stresserkennungsmodelle zu verbessern, ohne die Privatsphäre der Patienten zu gefährden.

Methodik

Die Studie verwendet den öffentlich verfügbaren WESAD-Datensatz, der multimodale physiologische Signale von 15 Teilnehmern enthält, die mittels Empatica E4-Armbändern aufgezeichnet wurden. Die Daten umfassen sechs Modalitäten: dreidimensional beschleunigung (ACC), elektrodermale Aktivität (EDA), Hauttemperatur (TEMP) und Blutvolumenpuls (BVP). Die Aufgabe ist die binäre Klassifizierung (Stress vs. Nicht-Stress).

Datenvorbereitung

Resampling und Ausrichtung: Signale, die mit unterschiedlichen Frequenzen aufgezeichnet wurden, wurden mittels Fourier-Methoden auf eine einheitliche Frequenz von 1 Hz herunterskaliert, um Ausrichtung und Glättung zu gewährleisten.
Labeling: Neutraler Zustand und Amusements-Zustände wurden zu einer einzigen „Nicht-Stress“-Klasse zusammengeführt, um ein binäres Klassifizierungsproblem zu erstellen.
Fensterung (Windowing): Die Daten wurden in 60-Sekunden-Fenster mit einem gleitenden Überlapp von 30 Sekunden segmentiert, um die Stichprobengröße zu erhöhen und kontextuelle Informationen bereitzustellen.
Normalisierung: Eine Min-Max-Normalisierung wurde angewendet, um die Signale auf [0, 1] zu skalieren.

Generative Modelle

Die Autoren trainierten drei verschiedene GAN-Architekturen, um synthetische Zeitreihendaten zu erzeugen:

Conditional GAN (CGAN): Ein nicht-privates Modell, bei dem sowohl der Generator als auch der Diskriminator die Klassenlabels (Stress/Nicht-Stress) als Hilfsinput erhalten. Es nutzt LSTM-Schichten, um zeitliche Abhängigkeiten zu erfassen, und einen FCN-Diskriminator.
DoppelGANger (DGAN): Ein nicht-privates Modell, das die Generierung von Metadaten (Labels) von kontinuierlichen Messwerten durch separate Generatoren und Diskriminatoren entkoppelt, um multimodale Korrelationen zu handhaben.
Differentially Private CGAN (DP-CGAN): Eine datenschutzwahrende Variante des CGAN. Es verwendet Differentially Private Stochastic Gradient Descent (DP-SGD) spezifisch auf dem Diskriminator während des Trainings. Rauschen wird in die Gradienten des Diskriminators injiziert, wenn dieser reale Daten verarbeitet, um sicherzustellen, dass die generierten Proben keine Informationen über spezifische Individuen preisgeben.

Evaluationsstrategien

Die synthetischen Daten wurden unter Verwendung eines Leave-One-Subject-Out (LOSO) Kreuzvalidierungsrahmens mit zwei primären Strategien evaluiert:

Train Synthetic, Test Real (TSTR): Modelle wurden ausschließlich auf synthetischen Daten trainiert, die von den GANs generiert wurden, und auf realen WESAD-Daten getestet.
Augmentierung (AUGM): Synthetische Daten wurden mit realen Trainingsdaten komb сочетаet, um die Datensatzgröße zu erweitener.

Die Studie testete drei Privacy-Budgets ( $\epsilon$ ) für das DP-CGAN: 10 (gelockert), 1 (stark) und 0,1 (sehr streng).

Qualitätsbewertung

Die Qualität der synthetischen Daten wurde mittels folgender Methoden bewertet:

Visuelle/Statistische Analyse: PCA und t-SNE zur Visualisierung der Datenverteilung und Clusterbildung.
Korrelationsanalyse: Pearson-Korrelationskoeffizienten und p-Werte, um zu verifizieren, ob die synthetischen Daten die Beziehungen zwischen Signalen und Labels bewahren (z. B. die bekannte positive Korrelation zwischen EDA und Stress).
Classifier Two-Sample Test (C2ST): Ein Klassifikator, der darauf trainiert wurde, zwischen realen und synthetischen Daten zu unterscheiden; eine niedrigere Genauigkeit deutet auf eine höhere Ähnlichkeit zwischen den beiden Verteilungen hin.

Kernergebnisse

Qualität der synthetischen Daten

Nicht-private Modelle: Sowohl CGAN als auch DGAN erzeugten synthetische Daten, die die statistische Verteilung und die Korrelationen der ursprünglichen WESAD-Daten eng nachahmten. Das CGAN zeigte eine etwas bessere Übereinstimmung in den t-SNE-Visualisierungen.
Auswirkung der Privatsphäre: Mit abnehmendem Privacy-Budget (niedrigeres $\epsilon$ $ϵ$ ) verschlechterte sich die Qualität der synthetischen Daten.
- Bei $\epsilon = 10$ und $\epsilon = 1$ behielt das DP-CGAN vernünftige Korrelationsstrukturen bei, insbesondere für EDA und TEMP.
- Bei $\epsilon = 0,1$ hatte das Modell Schwierigkeiten, die kritische Korrelation zwischen EDA und Stress-Labels zu bewahren, verlagerte den Fokus auf andere Signale (ACC, TEMP) und führte Überkorrelationen in BVP ein. Die Dichteverteilung von EDA wich signifikant von den Originaldaten ab.

Stresserkennungsleistung

Die synthetischen Daten wurden verwendet, um CNN-, CNN-LSTM- und TSCT-Klassifikatoren zu trainieren.

Nicht-private Augmentierung: Die Verwendung von nicht-privaten synthetischen Daten (CGAN) führte zu einer geringfügigen Verbesserung des F1-Scores (0,45 %) gegenüber Baseline-Modellen, die nur auf realen Daten trainiert wurden.
Private Augmentierung: Die signifikantesten Ergebnisse wurden in den DP-beschränkten Szenarien beobachtet.
- Das Training von Klassifikatoren mit DP-CGAN-synthetischen Daten führte zu erheblichen Verbesserungen des F1-Scores im Vergleich zum direkten Training auf realen Daten unter denselben DP-Beschränkungen.
- Insbesondere in privaten Trainingsszenarien führte die Verwendung von synthetischen Daten zu einer Steigerung des F1-Scores um 11,90 % bis 15,48 % über verschiedene $\epsilon$ -Werte hinweg.
- Beispielsweise erreichte das durch DP-CGAN augmentierte Modell bei einem strengen $\epsilon = 0,1$ Budget einen F1-Score von 84,19 % und übertraf damit deutlich das verwandte DP-TSCT-Modell der Vergleichsarbeit (68,71 %) sowie die nicht-augmentierte DP-Baseline.

Bedeutung und Behauptungen

Das Paper behauptet, dass die Generierung von differenziell privaten synthetischen Daten eine praktikable Strategie ist, um den Nutzen–Datenschutz-Trade-off bei der Überwachung der Gesundheit via Wearables zu bewältigen.

Verbesserter Nutzen unter Datenschutzbeschränkungen: Der primäre Beitrag besteht im Nachweis, dass die Generierung synthetischer Daten unter DP-Beschränkungen es Forschern ermöglicht, Stresserkennungsmodelle mit wesentlich höherer Leistung zu trainieren als das direkte Training auf realen Daten unter denselben Datenschutzgarantien. Die synthetischen Daten „verdünnen“ effektiv die Kosten für die Privatsphäre, sodass das Modell robuste Muster lernen kann, ohne einzelne Datensätze offenzulegen.
Verfügbarkeit datenschutzwahrender Daten: Der Ansatz ermöglicht die Erstellung großer, gelabelter Datensätze für die Stresserkennung, die ohne die ethischen und rechtlichen Hürden beim Umgang mit realen Patientendaten frei geteilt werden können, sofern der Generierungsprozess der DP folgt.
Machbarkeit der multimodalen Generierung: Die Studie bestätigt, dass GANs erfolgreich komplexe, multimodale Zeitreihendaten (ACC, EDA, TEMP, BVP) generieren können, die die für eine genaue Stressklassifizierung notwendigen physiologischen Korrelationen beibehalten, selbst wenn Rauschen zur Wahrung der Privatsphäre angewendet wird.

Die Autoren kommen zu dem Schluss, dass, obwohl steigende Anforderungen an die Privatsphäre ( $\epsilon \to 0,1$ ) zwangsläufig die Treue (Fidelity) der synthetischen Daten beeinflussen, der resultierende Nutzen für nachgelagerte Klassifizierungsaufgaben in datenschutzwahrenden Umgebungen beträchtlich ist und somit einen praktischen Weg für die datenschutzbewusste Forschung im Bereich Smart Health bietet.