HEART: A High-Efficiency Adaptive Real-Time Telemonitoring Framework for Secure Electrocardiogram Signal Transmission Using Chaotic Encryption

Riepilogo Tecnico: Framework HEART per la Trasmissione Sicura in Tempo Reale di Segnali ECG

Enunciazione del Problema
La crescente dipendenza dalla telemedicina e dal monitoraggio remoto dei pazienti ha creato un bisogno critico di proteggere i dati biomedici sensibili, in particolare i segnali dell'elettrocardiogramma (ECG). Sebbene i metodi di crittografia tradizionali garantiscano la privacy, spesso introducono un significativo sovraccarico computazionale e latenza, che possono ostacolare la diagnosi e la risposta in tempo reale. Inoltre, i meccanismi di scambio delle chiavi statiche mancano del dinamismo necessario per il monitoraggio continuo e personalizzato dei pazienti. La sfida consiste nello sviluppare un sistema che offra una sicurezza robusta, una bassa latenza per l'elaborazione in tempo reale e la capacità di preservare la fedeltà diagnostica, nel rispetto di rigorosi standard normativi (ad es. GDPR, HIPAA).

Metodologia
Il documento propone HEART (High-Efficiency Adaptive Real-Time Telemonitoring Framework), un sistema progettato per l'acquisizione sicura, la trasmissione e l'archiviazione dei segnali ECG utilizzando un approccio ibrido di crittografia caotica. La metodologia opera su segmenti di 300 campioni (circa 0,6 secondi) acquisiti a 500 Hz tramite un preamplificatore a 3 derivazioni.

1. Generazione della Chiave Biometrica:
   Il sistema impiega un Generatore di Chiavi Apprendibile (LKG) che deriva i parametri di crittografia direttamente dal segnale ECG del paziente. Per ogni segmento, vengono calcolati la media ($\mu$) e la deviazione standard ($\sigma$) per determinare dinamicamente il parametro di controllo ($r$) e la condizione iniziale ($x_0$) per una mappa logistica:

   • $r = 3.6 + (\sigma \mod 0.4)$
   • $x_0 = 0.1 + (\mu \mod 0.8)$
     Ciò garantisce che la chiave di crittografia sia unica per il specifico segmento biometrico.

2. Schema di Crittografia Caotica:
   Il processo di crittografia utilizza una mappa logistica per generare una sequenza caotica, che guida due fasi distinte:

   • Permutazione: La sequenza genera un indice per mescolare l'ordine dei campioni del segnale.
   • Diffusione (Mascheramento XOR): La sequenza viene convertita in una maschera XOR per alterare i valori effettivi del segnale.
     Questa combinazione di permutazione e diffusione XOR affronta le limitazioni degli schemi basati solo sulla permutazione, randomizzando attivamente i valori dei dati.

3. Integrazione con l'Apprendimento Automatico:
   Per migliorare la robustezza contro il rumore e la variabilità, il sistema incorpora una rete neurale a perceptron multistrato (MLP). Questo modello è addestrato a prevedere i parametri caotici ($r, x_0$) a partire dalle caratteristiche normalizzate dell'ECG. Ciò consente una modalità di crittografia "predittiva" in cui le chiavi sono inferite piuttosto che strettamente derivate, offrendo un secondo livello di adattabilità.

4. Decrittazione e Diagnosi:
   La decrittazione inverte il processo utilizzando la permutazione inversa e l'operazione XOR. Il framework opera in una pipeline end-to-end in cui i dati crittografati sono archiviati nel cloud, mentre i dati decrittografati vengono elaborati simultaneamente da una rete neurale convoluzionale (CNN) per il rilevamento e la visualizzazione delle malattie in tempo reale.

Principali Contributi

• Architettura di Crittografia Caotica Potenziata: Gli autori propongono un sistema innovativo che combina la permutazione caotica con un livello di diffusione XOR, specificamente adattato per i segnali ECG in tempo reale per garantire sia confusione che diffusione.
• Chiavi Dinamiche Basate su Biometria: A differenza delle chiavi statiche o a livello di sessione, il sistema genera chiavi per segmento derivate dallo stesso segnale ECG. Ciò è ulteriormente stabilizzato da un modello di ML, creando un meccanismo crittografico personalizzato e adattivo.
• Validazione Completa della Sicurezza: Lo studio fornisce un'ampia suite di analisi di sicurezza, inclusa l'entropia di Shannon, i test di frequenza NIST SP 800-22, la perturbazione della correlazione/autocorrelazione, le statistiche degli istogrammi e i test di sensibilità (sia della chiave che del testo in chiaro).
• Riproducibilità e Open Source: Gli autori hanno rilasciato tutto il codice sorgente, gli script di test e i dataset elaborati per garantire il benchmarking indipendente e la riproducibilità.

Risultati Sperimentali
Il sistema è stato valutato utilizzando dati provenienti da 1.000 pazienti diversi. Le metriche chiave delle prestazioni includono:

• Metriche di Sicurezza:
  • Entropia: I segnali crittografati hanno raggiunto valori di entropia di Shannon compresi tra 7,6 e 7,8 bit (avvicinandosi all'ideale di 8,0 per dati a 8 bit).
  • Correlazione: La correlazione tra pixel adiacenti è stata ridotta a quasi zero ($|r| < 0.02$), eliminando efficacemente le dipendenze statistiche.
  • Test NIST: Le sequenze crittografate hanno superato il test di frequenza Monobit NIST 800-22 (valori p > 0.01), mentre i segnali originali hanno fallito.
  • Sensibilità: Il sistema ha dimostrato un'alta sensibilità alle modifiche della chiave (effetto valanga) e alle modifiche del testo in chiaro.
  • Spazio delle Chiavi: Sebbene lo spazio globale $(r, x_0)$ sia stimato in circa 12,94 bit, gli autori chiariscono che la sicurezza si basa sul rinnovo per segmento, sulla parametrizzazione con salt e sulla diffusione, piuttosto che sulla sola dimensione grezza dello spazio delle chiavi. È stato utilizzato il conteggio dell'entropia minima per fornire limiti inferiori distribuzionali contro la ricerca esaustiva.
• Prestazioni e Fedeltà:
  • Latenza: Il tempo medio di crittografia è stato di 0,0012 secondi (1,2 ms) e la decrittazione di 0,0001 secondi (0,1 ms), confermando l'idoneità per applicazioni in tempo reale.
  • Qualità di Ricostruzione: Il sistema ha raggiunto una decrittazione quasi senza perdita con un Errore Quadratico Medio (MSE) di $\approx 5 \times 10^{-6}$, un Rapporto Segnale-Rumore di Picco (PSNR) > 52 dB e un Errore Assoluto Medio (MAE) $\approx 0.002$.
  • Robustezza: Il sistema ha mantenuto bassi tassi di errore sotto attacchi di rumore e occlusione.

Significato e Affermazioni
Il documento afferma che il framework HEART colma con successo il divario tra i requisiti di alta sicurezza e le esigenze di bassa latenza della telemedicina in tempo reale. Integrando la generazione di chiavi biometriche con la crittografia caotica e l'apprendimento automatico, il sistema offre una soluzione scalabile che elimina i sovraccarichi tradizionali dello scambio delle chiavi.

Gli autori notano con modestia che, sebbene la fedeltà globale di ricostruzione sia alta e sufficiente per il monitoraggio generale e la visualizzazione, specifiche caratteristiche morfologiche (come l'ampiezza QRS e gli intervalli PR) hanno mostrato deviazioni misurabili dopo la decrittazione. Di conseguenza, affermano che, sebbene il sistema sia efficace per la trasmissione sicura e per ampie intuizioni diagnostiche, è necessario un ulteriore affinamento per garantire la preservazione di tutti i marcatori clinicamente sensibili (ad es. cambiamenti del segmento ST) per una diagnosi definitiva. Lo studio posiziona questa architettura come una direzione promettente per l'elaborazione di segnali biomedici che preservano la privacy, con potenziali estensioni ad altri segnali come EEG ed EMG.