En corto
Con treinta características de HRV, emparejar a una persona con otro tramo de su propio registro entre 202 candidatos acertó el 30,7% de las veces en primera posición y el 55,4% dentro de las cinco primeras. El azar daría 0,5% y 2,5%, así que son 62 y 22 veces el azar. Pero esto es emparejar dentro de una misma sesión de registro; no basta para verificación de identidad ni autenticación entre días distintos. Muestra que el HRV puede identificar personalmente, no que el HRV pueda identificarte.
Puntos clave
- Sobre 202 personas de un conjunto público, treinta características de HRV vincularon a cada una con su propia ventana posterior
- Primera posición 30,7% (azar 0,5%); cinco primeras 55,4% (azar 2,5%)
- Prueba de permutación p<0,0001: el azar no lo explica
- Pero es dentro de una sola sesión; no se demostró estabilidad entre días, dispositivos ni vigilia y sueño
- No es una evaluación del Apple Watch ni una medida de rendimiento de autenticación
Por qué lo probamos
El HRV es la fluctuación entre latidos y refleja el estado del sistema nervioso autónomo. Eso lo convierte en una medida de cómo estás ahora. Pero si además lleva rasgos propios de una persona, los datos de HRV adquieren algo del carácter de una huella dactilar.
Como gente que construye una app de salud, no podíamos dejar la pregunta de lado. Si los lleva, mantener los datos fuera de nuestros servidores deja de ser una cortesía y pasa a ser un requisito.
Cómo se midió
Usar datos públicos
Del conjunto Autonomic Aging de PhysioNet usamos los 211 sujetos ya congelados como partición de validación. 202 cumplían las condiciones.
Dos ventanas por persona
Dos ventanas consecutivas y no solapadas de 300 latidos. La primera fue la plantilla de registro; la segunda, la consulta. La ventana de consulta nunca formó parte de su propio registro.
Comparar con treinta características de HRV
SDNN, RMSSD, medidas de frecuencia y no lineales —treinta en total— estandarizadas con parámetros congelados en el entrenamiento y comparadas contra las 202 personas por similitud del coseno.
Comparar con el azar
Elegir al azar entre 202 da un 0,5% en primera posición. Esa es la línea base contra la que se mide la precisión obtenida.
Resultados
- Primera posición: 62/202 = 30,7% (IC 95% 24,7–37,4%; azar 0,495%)
- Cinco primeras: 112/202 = 55,4% (IC 95% 48,6–62,1%; azar 2,48%)
- Prueba de permutación (20.000 réplicas): p < 0,0001
- Intercambiando qué ventana registra y cuál consulta: primera 34,2%, cinco primeras 55,9%
Lo que este resultado no significa
Leído solo como números, esto parece «el HRV puede verificar identidad». No puede. La prueba tiene límites que conviene decir con claridad.
- Registro y consulta salen de la misma sesión: mismo día, mismo dispositivo, misma postura
- El conjunto de candidatos está cerrado en 202; no se midió la capacidad de rechazar a un desconocido
- No se demostró en absoluto la estabilidad entre días, dispositivos, o vigilia y sueño
- Artefactos de sesión, sensor o preprocesado propios de un registro pueden contribuir al enlace
- No es una evaluación del Apple Watch. La señal usada fue ECG clínico
Por qué se retiró una cifra anterior
Un informe interno anterior daba una precisión en cinco primeras del 81,10%. Esa cifra ha sido retirada del reporte público.
Dos razones. Primera: los artefactos que podemos publicar con seguridad, dada la redacción por privacidad, no reproducen su cadena de cálculo. Segunda: una auditoría de código encontró una aproximación incorrecta del centroide leave-one-out en el camino de la estimación puntual, y un conjunto de comparación inválido dentro de su procedimiento de incertidumbre. La cifra actual usa una ventana de registro y una de consulta por persona, sin contaminación entre ellas.
Cómo se refleja esto en Feelmo
Por este resultado, Feelmo mantiene por norma en el dispositivo los datos y las puntuaciones derivados del HRV, sin envío automático a los servidores del proveedor. Solo cuando inicias una exportación o algo compartido, el contenido que elegiste va adonde lo mandes.
No como principio general sobre la sensibilidad de los datos de salud, sino porque lo medimos y sabemos que el HRV puede apuntar de vuelta a una persona.
Los datos y cómo reproducirlos
Los resultados agregados, los intervalos de incertidumbre, el análisis de sensibilidad, los hash SHA-256 de cada entrada y archivo de código, y los límites listados arriba se publican en JSON. El script que lo generó viene incluido.
Las características por sujeto no se publican: esta misma investigación es la razón. Un investigador con un artefacto de características compatible generado de forma independiente puede reproducir el mismo cálculo con el script incluido.