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

Resumo Técnico: Framework HEART para Transmissão Segura de ECG em Tempo Real

Declaração do Problema
A crescente dependência da telemedicina e do monitoramento remoto de pacientes criou uma necessidade crítica de proteger dados biomédicos sensíveis, especificamente sinais de eletrocardiograma (ECG). Embora os métodos tradicionais de criptografia garantam a privacidade, eles frequentemente introduzem sobrecarga computacional significativa e latência, o que pode impedir o diagnóstico e a resposta em tempo real. Além disso, mecanismos de troca de chaves estáticas carecem do dinamismo necessário para o monitoramento contínuo e personalizado de pacientes. O desafio reside em desenvolver um sistema que ofereça segurança robusta, baixa latência para processamento em tempo real e a capacidade de preservar a fidelidade diagnóstica, ao mesmo tempo em que adere a padrões regulatórios rigorosos (por exemplo, GDPR, HIPAA).

Metodologia
O artigo propõe o HEART (Framework de Telemonitoramento em Tempo Real Adaptativo de Alta Eficiência), um sistema projetado para a aquisição, transmissão e armazenamento seguros de sinais de ECG utilizando uma abordagem de criptografia caótica híbrida. A metodologia opera em segmentos de 300 amostras (aproximadamente 0,6 segundos) adquiridos a 500 Hz por meio de um pré-amplificador de 3 derivações.

1. Geração de Chave Biométrica:
   O sistema emprega um Gerador de Chave Aprendível (LKG) que deriva parâmetros de criptografia diretamente do próprio sinal de ECG do paciente. Para cada segmento, a média ($\mu$) e o desvio padrão ($\sigma$) são calculados para determinar dinamicamente o parâmetro de controle ($r$) e a condição inicial ($x_0$) para um mapa logístico:

   • $r = 3.6 + (\sigma \mod 0.4)$
   • $x_0 = 0.1 + (\mu \mod 0.8)$
     Isso garante que a chave de criptografia seja única para o segmento biométrico específico.

2. Esquema de Criptografia Caótica:
   O processo de criptografia utiliza um mapa logístico para gerar uma sequência caótica, que impulsiona duas fases distintas:

   • Permutação: A sequência gera um índice para embaralhar a ordem das amostras do sinal.
   • Difusão (Máscara XOR): A sequência é convertida em uma máscara XOR para alterar os valores reais do sinal.
     Essa combinação de permutação e difusão XOR aborda as limitações de esquemas apenas de permutação, randomizando ativamente os valores dos dados.

3. Integração de Aprendizado de Máquina:
   Para aumentar a robustez contra ruído e variabilidade, o sistema incorpora uma rede neural de Perceptron Multicamadas (MLP). Este modelo é treinado para prever os parâmetros caóticos ($r, x_0$) a partir de características normalizadas de ECG. Isso permite um modo de cripteração "preditivo", onde as chaves são inferidas em vez de estritamente derivadas, oferecendo uma camada secundária de adaptabilidade.

4. Descriptografia e Diagnóstico:
   A descriptografia inverte o processo usando a permutação inversa e a operação XOR. O framework opera em um pipeline de ponta a ponta, onde os dados criptografados são armazenados na nuvem, enquanto os dados descriptografados são simultaneamente processados por uma Rede Neural Convolucional (CNN) para detecção e visualização de doenças em tempo real.

Principais Contribuições

• Arquitetura de Criptografia Caótica Aprimorada: Os autores propõem um sistema inovador que combina permutação caótica com uma camada de difusão XOR, especificamente adaptado para sinais de ECG em tempo real para garantir tanto confusão quanto difusão.
• Chaveamento Dinâmico Baseado em Biometria: Diferentemente de chaves estáticas ou de nível de sessão, o sistema gera chaves por segmento derivadas do próprio sinal de ECG. Isso é ainda mais estabilizado por um modelo de ML, criando um mecanismo criptográfico personalizado e adaptativo.
• Validação Abrangente de Segurança: O estudo fornece um extenso conjunto de análises de segurança, incluindo entropia de Shannon, testes de frequência NIST SP 800-22, perturbação de correlação/autocorrelação, estatísticas de histograma e testes de sensibilidade (tanto de chave quanto de texto simples).
• Reprodutibilidade e Código Aberto: Os autores liberaram todo o código-fonte, scripts de teste e conjuntos de dados processados para garantir benchmarking independente e reprodutibilidade.

Resultados Experimentais
O sistema foi avaliado utilizando dados de 1.000 pacientes diferentes. As principais métricas de desempenho incluem:

• Métricas de Segurança:
  • Entropia: Sinais criptografados alcançaram valores de entropia de Shannon entre 7,6 e 7,8 bits (aproximando-se do ideal de 8,0 para dados de 8 bits).
  • Correlação: A correlação de pixels adjacentes foi reduzida a quase zero ($|r| < 0,02$), removendo efetivamente dependências estatísticas.
  • Testes NIST: Sequências criptografadas passaram no teste de frequência Monobit NIST 800-22 (valores-p > 0,01), enquanto sinais originais falharam.
  • Sensibilidade: O sistema demonstrou alta sensibilidade a alterações de chave (efeito avalanche) e modificações de texto simples.
  • Espaço de Chaves: Embora o espaço global $(r, x_0)$ seja estimado em ~12,94 bits, os autores esclarecem que a segurança depende da atualização por segmento, parametrização com sal e difusão, e não apenas do tamanho bruto do espaço de chaves. A contagem de entropia mínima foi utilizada para fornecer limites inferiores distribucionais contra buscas exaustivas.
• Desempenho e Fidelidade:
  • Latência: O tempo médio de criptografia foi de 0,0012 segundos (1,2 ms) e a descriptografia foi de 0,0001 segundos (0,1 ms), confirmando a adequação para aplicações em tempo real.
  • Qualidade de Reconstrução: O sistema alcançou descriptografia quase sem perdas com um Erro Quadrático Médio (MSE) de $\approx 5 \times 10^{-6}$, Relação Sinal-Ruído de Pico (PSNR) > 52 dB e Erro Absoluto Médio (MAE) $\approx 0,002$.
  • Robustez: O sistema manteve baixas taxas de erro sob ataques de ruído e oclusão.

Significado e Alegações
O artigo afirma que o framework HEART conecta com sucesso a lacuna entre os requisitos de alta segurança e as demandas de baixa latência da telemedicina em tempo real. Ao integrar a geração de chaves biométricas com criptografia caótica e aprendizado de máquina, o sistema oferece uma solução escalável que elimina as sobrecargas tradicionais de troca de chaves.

Os autores observam modestamente que, embora a fidelidade global de reconstrução seja alta e suficiente para monitoramento e visualização gerais, características morfológicas específicas (como amplitude QRS e intervalos PR) mostraram desvios mensuráveis após a descriptografia. Consequentemente, eles afirmam que, embora o sistema seja eficaz para transmissão segura e insights diagnósticos amplos, refinamentos adicionais são necessários para garantir a preservação de todos os marcadores clinicamente sensíveis (por exemplo, alterações no segmento ST) para diagnóstico definitivo. O estudo posiciona esta arquitetura como uma direção promissora para processamento de sinais biomédicos que preserva a privacidade, com potenciais extensões para outros sinais como EEG e EMG.