A unified framework for secure and intelligent ECG signal processing via chaotic encryption, fully homomorphic computation and federated learning
Kaotik şifreleme, tam homomorfik hesaplama ve federatif öğrenme ile güvenli ve akıllı EKG sinyal işleme için birleşik bir çerçeve
- Tez No: 1003564
- Danışmanlar: DOÇ. DR. AYŞE YILMAZER METİN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Birleşik öğrenme, Biyomedikal teknoloji, Efor EKG sistemi, Şifreleme, Federated learning, Biomedical technology, Exercise ECG system, Encryption
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sağlık hizmetlerinde dijital dönüşüm, kardiyovasküler hastalıkların tespiti, takibi ve yönetimi süreçlerini önemli ölçüde değiştirmiştir. Sürekli elektrokardiyogram (EKG) izleme, kalp ritim bozukluklarının erken tanısı ve önleyici tedavi açısından temel bir araç hâline gelmiştir. Bununla birlikte, hasta verilerinin bağlantılı cihazlar ve bulut altyapıları üzerinden iletilmesi, veri gizliliği ve güvenliği sorunlarını biyomedikal mühendisliğin merkezine taşımıştır. Fizyolojik sinyallerin güvenli biçimde toplanması, iletilmesi ve analiz edilmesi, teşhis doğruluğundan ödün vermeden sağlanmalıdır. Bu gereksinim, verilerin yalnızca depolanırken veya iletilirken değil, işlenirken de şifreli kalmasını sağlayan ileri düzey kriptografik yaklaşımları zorunlu kılmaktadır. Bu doktora çalışması, bu ihtiyaca yanıt olarak gizlilik korumalı bir EKG izleme ve analiz mimarisi geliştirmeyi amaçlamaktadır. Tez kapsamında, gerçek zamanlı sinyal toplama, uyarlanabilir şifreleme ve dağıtık yapay zekâ yöntemlerini bir araya getiren bütünleşik bir sistem tasarlanmıştır. Araştırma, birbirini tamamlayan üç ana çalışmadan oluşmaktadır. İlk çalışma gerçek zamanlı gizlilik korumalı EKG izleme sistemine, ikinci çalışma sinyale dayalı uyarlanabilir kaotik şifreleme yöntemine, üçüncü çalışma ise homomorfik şifreleme destekli federatif öğrenmeye odaklanmaktadır. Bu çalışmalar birlikte ele alındığında, EKG verilerinin yaşam döngüsünün her aşamasında gizliliği koruyan uçtan uca güvenli bir veri işleme hattı ortaya çıkmaktadır. İlk çalışma, gerçek zamanlı şifrelenmiş EKG izleme ve bulut tabanlı analiz sisteminin geliştirilmesini ele almaktadır. Sistem, donanım ve yazılım bileşenlerinden oluşmaktadır. Donanım katmanı, üç kanallı bir EKG ön yükselteci ve seri bağlantı üzerinden sürekli veri toplayabilen bir ölçüm biriminden oluşmaktadır. Bu yapı, düşük gürültülü ve yüksek çözünürlüklü EKG sinyallerinin elde edilmesini sağlamaktadır. Yazılım platformu Python programlama dili ile geliştirilmiş olup üç temel işlevi yerine getirmektedir: gerçek zamanlı izleme ve hastalık tespiti, Gelişmiş Şifreleme Standardı (AES) kullanılarak şifreli bulut depolama ve Tam Homomorfik Şifreleme (FHE) ile şifreli veriler üzerinde istatistiksel analiz. Tam Homomorfik Şifreleme, bu çalışmanın temel teknik katkılarından biridir. Bu yöntem sayesinde EKG verileri çözülmeden doğrudan bulut ortamında işlenebilmekte ve veri gizliliği hesaplama süreci boyunca korunmaktadır. Yetkili hekimler, yalnızca kendilerine ait özel anahtarlar ile verileri çözerek uzaktan ve senkronize biçimde görüntüleyebilmektedir. Deneysel sonuçlar, her veri segmenti için şifreleme ve iletim gecikmesinin 50 milisaniyenin altında kaldığını göstermiştir. Ayrıca, şifreli ve şifresiz veriler üzerinde gerçekleştirilen analizlerin aynı tanısal çıktıları ürettiği gözlemlenmiştir. Literatürde gerçek zamanlı fizyolojik sinyal izleme sistemleri için kabul edilen gecikme eşiklerinin altında kalan bu değerler ve analiz sonuçlarının birebir örtüşmesi, sistemin gerçek zamanlı klinik uygulamaların teknik gereksinimlerini karşıladığını ve şifreleme sürecinin tanısal analiz performansını etkilemediğini ortaya koymaktadır. İkinci çalışma, biyomedikal sinyallerin güvenliği için Öğrenilebilir Kaotik Şifreleme (LCE) adlı yeni bir yaklaşım önermektedir. Geleneksel kaotik şifreleme yöntemleri sabit parametrelere dayandığı için zamanla tahmin edilebilir hâle gelebilmektedir. Bu çalışmada ise şifreleme anahtarları sabit değildir ve her EKG segmentinden dinamik olarak türetilmektedir. Öğrenilebilir Anahtar Üretici (LKG) yapısı, her segmentin istatistiksel özelliklerinden yararlanarak lojistik harita parametrelerini (r ve x₀) tahmin etmekte ve segment bazlı benzersiz kaotik diziler üretmektedir. Bu diziler, permütasyon ve XOR tabanlı difüzyon işlemlerini yönlendirmekte ve sinyalin hem yapısal hem de sayısal özelliklerini dönüştürmektedir. Önerilen kaotik şifreleme yönteminin güvenliği, bütüncül bir değerlendirme yaklaşımıyla analiz edilmiştir. Shannon entropisi ve korelasyon katsayısı analizleri, şifreli verilerin yüksek rastgelelik sergilediğini ve orijinal sinyalle anlamlı bir ilişki taşımadığını göstermiştir. Avalanche etkisi analizi, anahtarın tek bir bitindeki değişimin şifreli çıktının büyük bölümünü etkilediğini ortaya koymuştur. Rastgelelik özellikleri, NIST SP800-22 istatistiksel test paketi kullanılarak doğrulanmış ve tüm testlerin başarıyla geçildiği gözlemlenmiştir. Ayrıca, şifre çözme sonrası yeniden yapılandırma kalitesi değerlendirilmiş ve elde edilen sonuçların neredeyse kayıpsız olduğu görülmüştür. Bu bulgular, yöntemin hem güçlü bir güvenlik seviyesi sunduğunu hem de teşhis için gerekli EKG özelliklerini koruduğunu göstermektedir. Üçüncü çalışma, homomorfik şifreleme ile güçlendirilmiş federatif öğrenme yaklaşımı kullanılarak kurumlar arası iş birliğini mümkün kılan bir yapay zekâ altyapısı geliştirmektedir. Bu yaklaşım, birden fazla hastanenin ham hasta verilerini paylaşmadan ortak bir tanı modeli eğitebilmesini amaçlamaktadır. Çalışmada, PTB-XL EKG veri kümesi kullanılmış ve veri kümesi yatay, dikey ve karma federatif öğrenme senaryolarına göre bölümlendirilmiştir. Her kurum, kendi veri seti üzerinde yerel bir derin öğrenme modeli eğitmiş ve yalnızca şifrelenmiş gradyan güncellemelerini merkezi bir toplayıcı sunucuya iletmiştir. Homomorfik şifreleme sayesinde, bu gradyanlardan hiçbir hassas bilgi elde edilmesi mümkün olmamıştır. Deneysel sonuçlar, federatif öğrenme yaklaşımının merkezi öğrenmeye oldukça yakın performans sunduğunu göstermiştir. Global model, yaklaşık yüzde 99 tanı doğruluğu elde etmiş ve bu değer merkezi öğrenme yaklaşımına çok yakın bulunmuştur. İletişim yükü açısından yatay federatif öğrenme, hız ve güvenlik arasında en dengeli yapı olarak öne çıkmıştır. Sistem, Avrupa Birliği Genel Veri Koruma Tüzüğü (GDPR) ve Türkiye Kişisel Verilerin Korunması Kanunu (KVKK) ile uyumlu olacak şekilde tasarlanmış ve“honest-but-curious”sunucu modeline karşı güvenli olduğu gösterilmiştir. Üç çalışmanın birleşimi, EKG verilerinin toplandığı andan başlayarak analiz edilip yapay zekâ modellerine dönüştürüldüğü aşamaya kadar gizliliğin korunduğu bütünleşik bir sistem ortaya koymaktadır. İlk bileşen, verinin toplanması ve iletimi sırasında güvenliği sağlamaktadır. İkinci bileşen, sinyalden beslenen uyarlanabilir kaotik şifreleme ile veri güvenliğini güçlendirmektedir. Üçüncü bileşen ise, kurumlar arası iş birliğini mümkün kılan gizlilik korumalı öğrenme sürecini desteklemektedir. Bu yapı sayesinde veriler, yalnızca depolama ve iletim sırasında değil, hesaplama sürecinde de şifreli kalmaktadır. Sonuç olarak bu tez, güçlü veri gizliliği ile yüksek analitik doğruluğun birlikte sağlanabileceğini göstermektedir. Önerilen mimari, gerçek zamanlı çalışma gereksinimlerini karşılamakta ve dijital sağlık uygulamaları için güvenilir bir temel sunmaktadır. Açık kaynak olarak paylaşılan yazılım bileşenleri ve deneysel araçlar, çalışmanın yeniden üretilebilirliğini artırmakta ve akademik iş birliğini desteklemektedir. Bu çalışma, gizliliğin bilgi işlem sürecinin doğal bir parçası hâline geldiği, güvenilir ve hasta odaklı bir sağlık teknolojisi anlayışına katkı sağlamaktadır.
Özet (Çeviri)
The digital transformation of healthcare is changing how cardiovascular diseases are detected, monitored, and treated. Continuous electrocardiogram (ECG) monitoring plays an important role in early diagnosis and preventive care. However, as patient data is increasingly collected through connected devices and cloud-based systems, data security and privacy have become major concerns. There is a clear need for systems that can securely collect, transmit, store, and analyze physiological signals without reducing diagnostic accuracy or clinical usability. This doctoral research addresses this need by proposing an integrated privacy-preserving ECG monitoring and analysis system that combines real-time signal acquisition, encryption, and distributed artificial intelligence. The thesis consists of three related studies, each focusing on a different aspect of secure biomedical data processing. The first study investigates real-time privacy-preserving ECG monitoring, the second study introduces an adaptive chaotic encryption method, and the third study examines collaborative model training using federated learning under encryption. Together, these studies form a unified system that protects ECG data at every stage, from acquisition to computation, while maintaining real-time performance required in clinical environments. The first study focuses on the development of a real-time ECG monitoring system with built-in privacy protection. The hardware is based on a three-lead ECG preamplifier connected through a serial interface, allowing continuous and reliable signal acquisition. The software platform is implemented in Python and performs three main tasks: real-time ECG monitoring and disease detection, secure cloud storage using Advanced Encryption Standard (AES), and statistical analysis on encrypted data using Fully Homomorphic Encryption (FHE). This approach allows ECG data to be processed in the cloud without being decrypted. Authorized medical staff can remotely access, decrypt, and visualize the data while preserving synchronization between local and cloud systems. Experimental evaluations showed that encryption and transmission delays remained below 50 milliseconds per segment, confirming that real-time clinical operation is possible without loss of diagnostic accuracy. The second study focuses on signal-level data security through a Learnable Chaotic Encryption (LCE) method. Unlike traditional chaotic encryption schemes that use fixed parameters, the proposed method generates encryption keys dynamically from the ECG signal itself. A Learnable Key Generator estimates the logistic map parameters r and x₀ using the statistical properties of each ECG segment, specifically the mean and standard deviation. These parameters are used to create a unique chaotic sequence for each segment. The sequence controls permutation and XOR-based diffusion steps, making each encrypted segment unique and closely linked to the patient's physiological signal. This design increases resistance to prediction, brute-force attacks, and unauthorized reconstruction. Extensive security evaluations confirmed the effectiveness of the proposed encryption method. Shannon entropy values ranged between 7.6 and 7.8 bits, and correlation values were close to zero, indicating strong randomness and low information leakage. Avalanche effect analysis showed more than 55% bit change when a single key bit was modified, demonstrating high sensitivity to key variation. Randomness was further validated using the NIST SP800-22 test suite. Decryption results showed near-lossless signal recovery with peak signal-to-noise ratio values above 52 dB and very low mean squared error, confirming that diagnostically important signal features were preserved. The encryption process operated within real-time limits, making it suitable for wearable devices and Internet of Medical Things applications. The third study extends the secure ECG processing system to a collaborative learning setting using Federated Learning combined with Homomorphic Encryption. The goal is to allow multiple hospitals or research institutions to train a shared diagnostic model without exchanging raw patient data. The PTB-XL ECG dataset is used and divided into horizontal, vertical, and combined scenarios to represent different clinical data distributions. Each institution trains a local deep learning model on its own data and sends only encrypted gradient updates to a central aggregation server. Homomorphic encryption ensures that the transmitted gradients cannot be analyzed to recover sensitive data, even if the server is compromised or operates under an honest-but-curious assumption. In our experiments, the aggregated global model achieved diagnostic accuracies of up to 99%, which were very close to those obtained using centralized learning. Communication cost varied across the different federated learning scenarios, with horizontal data partitioning providing the best balance between training speed and security. These results showed that large-scale collaborative medical model training is possible under strict privacy requirements and in compliance with data protection regulations such as GDPR and KVKK. Overall, the three studies together form a complete privacy-preserving ECG analysis system. The first study ensures secure real-time data acquisition and transmission, the second study provides adaptive and patient-specific signal encryption, and the third study enables secure collaborative learning across institutions. By combining these components, the system ensures that ECG data remains protected during storage, transmission, and computation. Beyond technical contributions, this thesis demonstrates that strong data protection can be achieved without reducing clinical performance. The proposed system supports real-time operation, meets regulatory requirements, and maintains high diagnostic accuracy. All software components and experimental tools developed in this research are released as open-source resources to support transparency and reproducibility. In conclusion, this dissertation shows that future healthcare systems must be designed to be both intelligent and privacy-aware. By integrating privacy directly into data acquisition, processing, and learning stages, this work provides a practical and reliable approach for secure medical artificial intelligence applications.
Benzer Tezler
- Integrate lightweight cryptography and monitoring framework for secure and efficient IoT-Enabled cloud system
Hafif şifreleme entegrasyonu Güvenlik için bir izleme ve değerlendirme çerçevesi IoT teknolojisiyle desteklenen verimli bir bulut tabanlı sistem
ZAID ABDULSALAM IBRAHIM ALMATWARI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMAD ILYAS
- Information harvesting: Leveraging wireless power transfer for next-generation communication frameworks
Bilgi toplama: Gelecek nesil iletişim sistemleri için kablosuz güç transferini kullanma
MEHMET ERTUĞ PIHTILI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTUĞRUL BAŞAR
- Information harvesting: Leveraging wireless power transfer for next-generation communication frameworks
Bilgi toplama: Gelecek nesil iletişim sistemleri için kablosuz güç transferini kullanma
MEHMET ERTUĞ PIHTILI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTUĞRUL BAŞAR
- Applications of artificial intelligence for the security of networks
Ağ güvenliği için yapay zeka uygulamalari
SELEN GEÇGEL ÇETİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Adaptive physical layer security with machine learning: From detection to defense
Makine öğrenmesi ile adaptif fiziksel katman güvenliği: Tespitten savunmaya
UFUK ALTUN
Doktora
İngilizce
2026
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERTUĞRUL BAŞAR