基于动态神经网络的医疗隐私数据识别方法技术

本发明专利技术公开了一种基于动态神经网络的医疗隐私数据识别方法，主要解决现有识别方法隐私泄露多、数据可用性低的问题。其方案是：采集原始数据、目标数据，从原始数据中选易受攻击数据，将噪声加入易受攻击数据得到差分隐私数据；根据差分隐私数据计算特征数据；根据特征数据计算参考数据；将目标数据加到参考数据中得到联合数据，根据联合数据计算标记数据；对标记数据按比例抽取组成训练样本集、测试样本集和验证样本集；搭建一个动态神经网络，利用训练样本集和测试样本集对该网络进行训练；将验证样本集输入到训练好的该网络中，获得医疗隐私数据识别结果。本发明专利技术能够减少隐私泄露，提升数据可用性，可用于数据脱敏、基因诊断、疾病预防。病预防。病预防。

【技术实现步骤摘要】
基于动态神经网络的医疗隐私数据识别方法


[0001]本专利技术属于安全网络
，更进一步涉及一种医疗隐私数据识别方法，可用于数据脱敏、基因诊断、疾病预防。

技术介绍

[0002]医疗数据只有经过分析处理，才能将其中对于疾病的诊断、治疗和医学研究方面有价值的知识和规则挖掘出来，从而帮助进行基因工程、疾病治疗、病群特性的研究。然而，医疗数据作为个体最主要的识别符，其包含了大量的个人隐私敏感信息，比如某种疾病倾向和家族病史信息，故医疗数据的使用引起了广泛的隐私关注。医疗数据利用的局限主要体现在两个方面，一是医疗数据利用的安全性取决于攻击者所掌握的背景知识多少，二是无法提供一种严格的数学证明来衡量其隐私保护程度。医疗隐私数据识别是一个非常关键的研究课题。当攻击者得到带噪声的数据后，需要有效的技术限制攻击者对原数据的推导能力，使得攻击者无法通过观察计算结果而获取准确的个体信息。另外，医疗隐私数据也存在非独立同分布的情况，其全局表征程度也影响结果的准确性。医疗隐私数据识别可以应用于数据脱敏，支持敏感数据自动发现并生成数据字典，保留原数据关系，提升医疗数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态神经网络的医疗隐私数据识别方法，其特征在于，包括：A)从医疗隐私数据库中依次采集原始数据p、目标数据q，从原始数据p中选取易受攻击数据r，在易受攻击数据r上加入服从拉普拉斯分布的随机噪声，得到差分隐私数据μ；B)从差分隐私数据μ中提取特征向量γ，根据特征向量γ计算得到嵌入数据z，并根据嵌入数据z计算得到特征数据s；C)根据特征数据s通过正参考模型法计算得到参考数据ξ；D)构建标记数据t：D1)将目标数据q加入到参考数据ξ中得到联合数据u；D2)根据联合数据u，分别利用联合建模法和联邦学习法计算得到建模数据j和联邦数据g，并用这两种数据组成标记数据t；E)对标记数据t分别按照70％，20％，10％进行抽取，组成训练样本集，测试样本集，验证样本集，获得验证样本集中的真实标签值a；F)构建依次由输入层，隐藏层，输出层级联组成的动态神经网络；G)设置最大迭代轮次数为100，将训练样本集和测试样本集输入到动态神经网络中，利用动态学习方法进行动态神经网络的训练，直到动态神经网络达到最大迭代轮次数，得到训练好的动态神经网络；H)将验证样本集中标记数据输入到已经训练好的动态神经网络中，得到医疗隐私数据识别结果。2.根据权利要求1所述的方法，其特征在于，A)中服从拉普拉斯分布的随机噪声，表示如下：其中，v表示服从拉普拉斯分布的随机噪声，λ表示位置参数，m表示尺度参数。3.根据权利要求1所述的方法，其特征在于，B)中从差分隐私数据μ中提取特征向量γ，根据特征向量γ计算得到嵌入数据z，根据嵌入数据z计算得到特征数据s，实现如下：B1)根据差分隐私数据μ计算聚类簇：其中，μ表示差分隐私数据；B2)根据聚类簇计算特征向量：其中，k表示特征类别数,β表示特征函数，λ表示平滑参数；B3)根据特征向量γ计算得到嵌入数据：z＝α(γ,θ)，其中，α表示嵌入函数，θ表示嵌入参数；B4)根据嵌入数据z计算得到特征数据：其中，f表示特征函数，δ表示类别参数，表示标准参数。4.根据权利要求1所述的方法，其特征在于，C)中根据特征数据s通过正参考模型法计算得到参考数据ξ，实现如下：
C1)将特征数据s变换为行正交数据τ；C2)根据行正交数据τ计算得到参考数据：其中，表示优化率，c表示分类行参数，c
′
表示与c不同行的分类行参数，d表示分类列参数。5.根据权利要求1所述的方法，其特征在于，D2)根据联合数据u，分别利用联合建模法和联邦学习法计算得到建模数据j和联邦数据g，实现如下：D2.1)根据联合数据u求出对应的因子矩阵参数梯度R；D2.2)...

【专利技术属性】
技术研发人员：朱笑岩，张琳杰，冯鹏斌，马建峰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：