EEGs sind Messungen der elektrischen Gehirnaktivität mit Hilfe von Elektroden auf der Kopfoberfläche. Die aufgezeichneten Kurven der elektrischen Potentiale über der Zeit werden sowohl visuell inspiziert als auch mit fortgeschrittenen Signalverarbeitungsmethoden analysiert. Die „Zick-Zack-Kurven“ galten bis vor kurzem als anonym – selbst Experten können sie nicht wiedererkennen und noch nicht einmal das Geschlecht des Patienten von ihnen ablesen. Durch Deep Learning hat sich diese Situation grundlegend verändert: neuronale Netze erkennen aus wenigen Sekunden EEGs das Geschlecht und können aus MEGs auch ein Subjekt wiederkennen.
In diesem Projekt wird die Anonymisierung von Elektroenzephalographie (EEG)-Daten erforscht. Es werden (1) die Bedingungen ermittelt, unter denen EEGs wiedererkannt werden können und (2) Methoden erforscht, um EEGs unter Beibehaltung der medizinisch relevanten Information zu anonymisieren. Weiterhin wird (3) der theoretische Informationsgehalt des EEGs analysiert, um das Risiko einer Re-Identifikation mit zukünftigen Methoden abzuschätzen. Für die Halter von EEG-Daten werden (4) Pflichten und Handlungsempfehlungen ermittelt, die sich ergeben, wenn nach heutigem Standanonyme Daten mit zukünftigen Methoden identifizierbar werden.
Das Anschlussprojekt, AVATAR-Transfer, adressiert die Anonymisierung komplexer Biosignale, insbesondereElektroenzephalogramme (EEG), die potenziell personenidentifizierende Muster enthalten. Mit der zunehmenden Verfügbarkeit solcher Daten in elektronischen Patientenakten, Heimanwendungen und Cloud-Diensten steigt das Risiko der Re-Identifikation erheblich. Ziel ist die Erforschung und Validierung von Methoden, die einen variablen Anonymisierungsgrad erlauben und gleichzeitig die klinische Nutzbarkeit sowie den Einsatz in Forschung und KI-Analyse sicherstellen.
Geplant ist die Erstellung einer Software-Toolbox, mit der EEG-Daten vor Weitergabe anonymisiert werdenkönnen. Ergänzend wird untersucht, wie sich Anonymisierung auf die Befundung durch Neurologen und auf die Performance von KI-Systemen auswirkt. Digitale Wasserzeichen sollen eine Nachverfolgung geteilter Daten ermöglichen. Darüber hinaus wird das Re-Identifikationsrisiko durch den Abgleich von klinischen EEGs mit Daten aus Consumer- und VR-Geräten erforscht.
Die Arbeiten bauen auf umfangreichen Vorleistungen der TU Ilmenau in EEG-Analyse, Deep Learning und Open-Source-Softwareentwicklung auf. Erwartete Ergebnisse sind neue Anonymisierungsmethoden, frei verfügbare Software, Datensätze und wissenschaftliche Publikationen, die zu einer sicheren,
datenschutzkonformen Nutzung von Biosignalen in Klinik, Forschung und Medizintechnik beitragen
