NEMO - Nicht-Identifizierbarkeit von Elektroenzephalogrammen (EEG) und vergleichbaren Sensorsignalen aus medizinischer Versorgung für Open Science; Teilprojekt UKSH/CAU

Abstract

EEG-Daten aus der medizinischen Versorgung besitzen ein hohes wissenschaftliches und klinisches Nutzungspotenzial, können jedoch aufgrund ihrer biometrischen Eigenschaften zur Re-Identifizierung von Personen genutzt werden und unterliegen daher strengen datenschutzrechtlichen Anforderungen gemäß DSGVO. Geeignete Anonymisierungsverfahren, die eine datenschutzkonforme Weitergabe bei gleichzeitigem Erhalt der klinischen Aussagekraft ermöglichen, fehlten bislang.

Ziel von NEMO war die Entwicklung und Validierung neuartiger Verfahren zur Re-Identifizierungsanalyse und adaptiven Anonymisierung von EEG-Zeitreihendaten am Beispiel von Schlafdaten. Im Mittelpunkt stand dabei der optimale Privacy-Utility-Tradeoff: Personenbeziehbare Merkmale sollten entfernt, wissenschaftlich relevante Signalanteile jedoch erhalten bleiben.

Im Verbund entwickelten Fraunhofer IDMT, UKSH/CAU und Ascora GmbH eine modulare NEMO-Toolbox, die Verfahren zur Re-Identifizierungsanalyse, einen transformerbasierten Anonymisierungs-Autoencoder sowie Werkzeuge zur Datenexploration und -visualisierung integriert. Klinische EEG-Schlafdaten des UKSH dienten als Grundlage für Training und Evaluation; als Utility-Cases wurden Schlafphasenerkennung und Spindeldetektion eingesetzt. Die entwickelten Verfahren reduzierten die Re-Identifizierungsrate von 65 % auf unter 5 %, während die Klassifikationsgenauigkeit für Schlafphasen bei ca. 90 % erhalten blieb. Die NEMO-Toolbox wird als Open-Source-Software veröffentlicht und schafft damit eine Grundlage für den datenschutzkonformen Austausch medizinischer Biosignaldaten in nationalen und internationalen Forschungsinfrastrukturen.