Sind HRV-Daten „anonym“? — Herzschlagvariabilität und Wiedererkennungsrisiken

Werden Daten zur Herzratenvariabilität (HRV) anonym, sobald Name und E-Mail-Adresse entfernt sind? Eine interne Nachprüfung mit öffentlichen Daten zeigte die Möglichkeit, getrennte HRV-Abschnitte derselben Aufzeichnung innerhalb eines geschlossenen Kandidatenkreises von 202 Personen zu verknüpfen. Implementierungsdetails wie die Bildung der Abschnitte sind nicht öffentlich.

Das bedeutet jedoch nicht, dass „jeder mit einer Apple Watch identifiziert werden kann“ oder HRV einen Fingerabdruck ersetzen könnte. Untersucht wurde die Suche in einem geschlossenen Kandidatenkreis innerhalb derselben Messsitzung. Eine Verfolgung über andere Tage oder Geräte wurde nicht bestätigt. Ein anderes internes Modell scheiterte zudem bei der Prüfung über Schlaf- und Wachzustand hinweg.

Welche Frage wurde untersucht?

HRV fasst Veränderungen der Abstände von Herzschlag zu Herzschlag zusammen. Im Wellnessbereich wird sie manchmal neben Schlaf oder Erholung gezeigt, misst beides aber nicht direkt. Alter, Körperbau, autonome Regulation des Herzens, Atmung, Haltung, Gewohnheiten und Messbedingungen wirken gleichzeitig auf sie ein. Dadurch können auch Merkmale enthalten sein, die bei derselben Person relativ stabil auftreten.

Die Forschungsfrage lautete daher:

Lassen sich getrennte Abschnitte derselben Ruhe-EKG-Aufzeichnung anhand HRV-bezogener Informationen in einem Kandidatenkreis miteinander verknüpfen?

Dies war kein Experiment zur Authentifizierung, das etwa einen Passcode entsperrt. Es untersuchte die Verknüpfbarkeit innerhalb derselben Aufzeichnung: Können anonymisierte Aufzeichnungsfragmente zusammengeführt werden? Das liegt noch eine Stufe vor einer Wiederidentifizierung bis hin zum Namen.

Daten und Methode

Paper 3 fasste 6 öffentliche Kohorten zusammen — Autonomic Aging, Fitbit PMData, MMASH, Fantasia, MIT-BIH Normal Sinus Rhythm und CinC 2018 — mit Aufzeichnungen von insgesamt 1,227 Personen. Dazu gehörten Ruhe-EKGs, RR-Intervalle beim Gehen, schlafbezogene Aufzeichnungen und längerfristige Wearable-Aufzeichnungen.

Es wurden mehrere HRV-bezogene Informationen erstellt. Die Daten wurden auf Personenebene geteilt, damit Aufzeichnungen derselben Person nicht zugleich in Trainings- und Bewertungsdaten gelangten.

Für die öffentliche Nachprüfung wurde die Kohorte Autonomic Aging verwendet. Von 211 für die Bewertung zurückgehaltenen Personen erfüllten 202 die vorab festgelegten Eignungsbedingungen. Es wurden unterschiedliche Abschnitte derselben Aufzeichnung genutzt; konkrete Regeln für Teilung, Auswahl und Vergleich sind nicht öffentlich.

Der Forschungsvergleich nutzte HRV-bezogene Informationen. „top-5“ bezeichnet den Anteil, bei dem die richtige Zuordnung unter den 5 höchstgereihten Kandidaten lag. Details zu Merkmalsdesign, Abschnittsbildung, Qualitäts- und Auswahlbedingungen, Vorverarbeitung und Vergleichsformel sind nicht öffentlich. Dass Dritte dieselbe Analyse deshalb nicht vollständig reproduzieren können, ist selbst eine Einschränkung dieser Forschung.

Hauptergebnisse

Bewertung	Beobachtet	Wahrscheinlichkeit bei zufälliger Rangfolge	95% Wilson-Intervall
top-1	62 / 202 (30.69%)	0.50%	24.74–37.36%
top-5	112 / 202 (55.45%)	2.48%	48.55–62.13%
top-10	133 / 202 (65.84%)	4.95%	59.06–72.03%

In einer Sensitivitätsanalyse mit umgekehrter Vergleichsrichtung betrug top-5 55.94%. Ein Test, der nur die korrekten Zuordnungen vertauschte, wurde 20,000-mal wiederholt. Bei dieser Anzahl Wiederholungen ist die kleinste berichtbare Einheit für einen einseitigen p-Wert 0.00005. Da die öffentliche Aggregatdatei nicht enthält, wie viele Wiederholungen mindestens den beobachteten Wert erreichten, lässt sich der beobachtete p-Wert nicht allein aus dieser Datei neu berechnen.

Auch ein Bootstrap, bei dem bei festgehaltenen 202 Kandidaten nur die Abfragepersonen neu gezogen wurden, ergab für top-5 ein bedingtes 95%-Intervall von 48.51–61.88%, nahe am Wilson-Intervall. Keines der Intervalle garantiert jedoch eine Leistung bei zukünftigen Nutzenden oder im praktischen Betrieb.

Wichtiges Negativergebnis: Schlaf und Wachsein funktionierten nicht gleich

Ein anderes nicht begutachtetes Modell in Paper 3 erfüllte die vorab festgelegte Bedingung nicht, dass die „Personenähnlichkeit“ über Schlaf und Wachsein hinweg erhalten bleibt. Dieses Modell und das oben beschriebene Vergleichsverfahren sind nicht direkt vergleichbar. Bei 15 Personen aus MMASH mit beiden Zuständen ergaben sich:

• Registrierung im Schlaf, Abgleich im Wachzustand: top-5 56.13%
• Registrierung im Wachzustand, Abgleich im Schlaf: top-5 42.99%

Die vorab festgelegten internen Kriterien wurden nicht erreicht. Konkrete Kriterienwerte und Entscheidungsregeln sind nicht öffentlich. Zwischen Schlaf und Wachsein verändern sich unter anderem Atmung, Haltung, Aktivität und die neuronale Regulation des Herzens. Das Ergebnis bestätigt keine zustandsübergreifend stabile Verknüpfbarkeit. Es belegt auch keinen unveränderlichen „Herzschlag-Fingerabdruck“.

Was wissen wir über die Apple Watch — und was nicht?

Diese Forschung prüfte die Apple Watch nicht direkt. Die 6 Kohorten enthalten EKG, RR-Intervalle, schlafbezogene Daten und langfristige Fitbit-Aufzeichnungen unter unterschiedlichen Erfassungsbedingungen. Prospektiv nach demselben Protokoll erhobene Apple-Watch-Daten fehlen.

Daher sind folgende Aussagen nicht zulässig:

• „Mit HRV der Apple Watch lässt sich eine Person sehr genau erkennen“
• „Mit der Apple Watch ist biometrische Authentifizierung möglich“
• „Feelmo identifiziert Nutzende anhand ihres Herzschlags“

Bei der Apple Watch können optischer Sensor, Abtastzeitpunkte, bewegungsbedingte Lücken und Betriebssystemverarbeitung die Ergebnisse beeinflussen. Für direkte Leistungsangaben wäre eine prospektive Apple-Watch-spezifische Validierung mit kontrolliertem Gerät, Haltung und Zeitpunkt nötig.

Warum ist das für den Datenschutz wichtig?

Verknüpfbarkeit kann auch unter 100% problematisch sein. Fragmente könnten einen Kandidatenkreis verkleinern; zusammen mit Schlafzeiten, Alter, Aktivitäts- oder Standortdaten könnte er möglicherweise weiter eingegrenzt werden. Aus den hier beobachteten 55.45% lässt sich jedoch nicht schließen, dass dies über verschiedene Tage oder Geräte praktisch funktioniert.

Aus dem Ergebnis lassen sich zumindest folgende Vorsichtsprinzipien ableiten:

• Feingranulare RR-Intervalle oder HRV-Merkmale nicht allein nach Entfernen des Namens als „anonym“ behandeln
• Neben rohen Herzintervallen auch Merkmalsvektoren und KI-Einbettungen als potenziell identifizierende Gesundheitsdaten behandeln
• Nur notwendige Dauer und Granularität speichern und Daten löschen, sobald sie nicht mehr benötigt werden
• Soweit möglich auf dem Gerät verarbeiten und Serverübertragung sowie Weitergabe an Dritte minimieren
• In Forschungsfreigaben keine individuellen Einbettungen, Nächste-Nachbarn-Tabellen oder verknüpfbaren Zeitreihen unverändert verteilen
• In Datenfreigabeverträgen Verknüpfungs- und Wiederidentifizierungsversuche untersagen

Wie wirkt sich das auf Feelmos Design aus?

Feelmo behandelt Körperdaten wie HRV und Schlaf nicht als bloße Anzeigezahlen, sondern als sensible Daten, die mit einer Person verknüpft sein können. Standardmäßig werden sie auf dem Gerät verarbeitet und gespeichert und nicht automatisch an die Server des Anbieters gesendet. Einzelheiten findest du unter Daten und Datenschutz.

Diese Forschung unterstützt keine Funktion, die eine Person anhand ihrer HRV errät. Im Gegenteil stützt sie das Designprinzip, auswertbare Informationen möglichst nicht nach außen zu übertragen, sondern auf dem Gerät der Person nutzbar zu machen.

Grenzen und nächste Prüfungen

• Nicht begutachtete interne Sekundäranalyse; eine Reproduktion durch unabhängige Forschende ist erforderlich
• Sensoren, Messumgebungen und Vorverarbeitung unterscheiden sich zwischen den öffentlichen Kohorten
• Das Hauptergebnis betrifft verschiedene Abschnitte derselben Ruhe-EKG-Aufzeichnung und zeigt keine Beständigkeit über Tage
• Von den 211 zurückgehaltenen Personen erfüllten 9 die vorab festgelegten Eignungsbedingungen nicht und wurden ausgeschlossen; konkrete Auswahlbedingungen sind nicht öffentlich
• Erfassungsmethoden wie die EKG-Ableitung unterscheiden sich zwischen den Kohorten und könnten das Ergebnis beeinflusst haben
• Eine weitere interne Bewertung verfehlte ebenfalls die Kriterien und zeigte keine Zustandsinvarianz über Schlaf und Wachsein
• Es handelt sich um top-5 in einem geschlossenen Kandidatenkreis, nicht um eine Bewertung praktischer Authentifizierung
• Die Apple Watch wurde nicht direkt geprüft
• Nötig sind prospektive Apple-Watch-spezifische Daten, externe Kohorten, zustandsspezifische Bewertungen und offene Bewertungen mit unbekannten Personen

Forschungsmaterialien

• Öffentliche Nachprüfung: Aggregierte JSON ohne personenbezogene Informationen. Sie enthält keine Personenkennungen, individuellen Ränge, Merkmale, Vorverarbeitungscodes oder Vergleichsverfahren
• Interne Analyse: Paper 3 (nicht begutachtet, vor allgemeiner Veröffentlichung). Merkmalsdesign, Qualitätsbedingungen, Vorverarbeitung, Vergleichsformel, individuelle Arrays und Zwischenergebnisse bleiben nicht öffentlich
• Analyseumfang: 6 Kohorten, 1,227 Personen
• Öffentliches Hauptergebnis: Von 211 zurückgehaltenen Personen aus Autonomic Aging waren 202 geeignet; top-5 innerhalb derselben Aufzeichnung 55.45% (112/202)
• Hauptdaten: Schumann A, Bär KJ. Autonomic Aging. Artikel doi:10.1038/s41597-022-01202-y und Daten doi:10.13026/2hsy-t491
• Zustandsdaten: Rossi A, et al. A Public Dataset of 24-h Multi-Levels Psycho-Physiological Responses in Young Healthy Adults. Data. 2020;5(4):91. doi:10.3390/data5040091 und MMASH v1.0.0 doi:10.13026/cerq-fc86
• Forschungsstand: nicht begutachtete interne Sekundäranalyse öffentlicher Daten

※ Diese interne Forschung prüft nicht die Wirksamkeit der Feelmo-App.