Resposta curta
Com trinta características de HRV, ligar uma pessoa a outro trecho do próprio registro entre 202 candidatos acertou 30,7% das vezes em primeiro lugar e 55,4% dentro dos cinco primeiros. O acaso daria 0,5% e 2,5%, então são 62 e 22 vezes o acaso. Mas isso é pareamento dentro de uma mesma sessão de gravação; não basta para verificação de identidade nem autenticação entre dias. Mostra que o HRV pode identificar pessoalmente — não que o HRV possa identificar você.
Pontos principais
- Em 202 pessoas de um conjunto público, trinta características de HRV ligaram cada uma à sua própria janela seguinte
- Primeiro lugar 30,7% (acaso 0,5%); cinco primeiros 55,4% (acaso 2,5%)
- Teste de permutação p<0,0001 — o acaso não explica
- Mas é dentro de uma única sessão; não se mostrou estabilidade entre dias, aparelhos ou vigília e sono
- Não é uma avaliação do Apple Watch, nem uma medida de desempenho de autenticação
Por que testamos
O HRV é a flutuação entre batimentos e reflete o estado do sistema nervoso autônomo. Isso o torna uma medida de como você está agora. Mas se ele também carrega hábitos próprios de uma pessoa, os dados de HRV assumem algo do caráter de uma impressão digital.
Como gente que constrói um app de saúde, não podíamos deixar a pergunta de lado. Se carrega, manter os dados fora dos nossos servidores deixa de ser cortesia e vira requisito.
Como foi medido
Usar dados públicos
Do conjunto Autonomic Aging do PhysioNet, usamos os 211 sujeitos já congelados como partição de validação. 202 atendiam às condições.
Duas janelas por pessoa
Duas janelas consecutivas e não sobrepostas de 300 batimentos. A primeira virou o modelo de cadastro; a segunda, a consulta. A janela de consulta nunca fez parte do próprio cadastro.
Comparar com trinta características de HRV
SDNN, RMSSD, medidas de frequência e não lineares — trinta ao todo — padronizadas com parâmetros congelados no treino e comparadas com as 202 pessoas por similaridade de cosseno.
Comparar com o acaso
Escolher ao acaso entre 202 dá 0,5% em primeiro lugar. É essa a linha de base contra a qual a precisão obtida é medida.
Resultados
- Primeiro lugar: 62/202 = 30,7% (IC 95% 24,7–37,4%; acaso 0,495%)
- Cinco primeiros: 112/202 = 55,4% (IC 95% 48,6–62,1%; acaso 2,48%)
- Teste de permutação (20.000 réplicas): p < 0,0001
- Trocando qual janela cadastra e qual consulta: primeiro 34,2%, cinco primeiros 55,9%
O que este resultado não significa
Lido só como números, isto parece «o HRV pode verificar identidade». Não pode. O teste tem limites que vale dizer com clareza.
- Cadastro e consulta vêm da mesma sessão de gravação — mesmo dia, mesmo aparelho, mesma postura
- O conjunto de candidatos é fechado em 202; a capacidade de rejeitar um desconhecido não foi medida
- Estabilidade entre dias, aparelhos, ou vigília e sono não foi demonstrada de forma alguma
- Artefatos de sessão, sensor ou pré-processamento próprios de uma gravação podem contribuir para a ligação
- Não é uma avaliação do Apple Watch. O sinal usado foi ECG clínico
Por que um número anterior foi retirado
Um relatório interno anterior dava a precisão nos cinco primeiros como 81,10%. Esse número foi retirado do relato público.
Duas razões. Primeira: os artefatos que podemos publicar com segurança, dada a redação por privacidade, não reproduzem a cadeia de cálculo dele. Segunda: uma auditoria de código encontrou uma aproximação incorreta de centroide leave-one-out no caminho da estimativa pontual, e um conjunto de comparação inválido dentro do procedimento de incerteza. O número atual usa uma janela de cadastro e uma de consulta por pessoa, sem contaminação entre elas.
Como isso aparece no Feelmo
Por causa deste resultado, o Feelmo mantém por padrão no aparelho os dados e as pontuações derivados do HRV, sem envio automático aos servidores do provedor. Só quando você inicia uma exportação ou um compartilhamento é que o conteúdo escolhido vai para onde você mandar.
Não como princípio geral sobre dados de saúde serem sensíveis, mas porque medimos e sabemos que o HRV pode apontar de volta para uma pessoa.
Os dados e como reproduzir
Os resultados agregados, os intervalos de incerteza, a análise de sensibilidade, os hashes SHA-256 de cada entrada e arquivo de código, e os limites listados acima são publicados em JSON. O script que os produziu vem incluído.
As características por sujeito não são publicadas — esta pesquisa é a própria razão. Um pesquisador com um artefato de características compatível gerado de forma independente pode reproduzir o mesmo cálculo com o script incluído.