Gait analysis is an important medical diagnostic process and has many applications in healthcare, rehabilitation, therapy, and exercise training. However, typical gait analysis has to be performed in a gait laboratory, which is inaccessible for a large population and cannot provide natural gait measures. In this paper, we present a novel sensor device, namely, Smart Insole, to tackle the challenge of efficient gait monitoring in real life. An array of electronic textile (eTextile)-based pressure sensors are integrated in the insole to fully measure the plantar pressure. Smart Insole is also equipped with a low-cost inertial measurement unit including a three-axis accelerometer, a three-axis gyroscope, and a three-axis magnetometer to capture the gait characteristics in motion. Smart Insole can offer precise acquisition of gait information. Meanwhile, it is lightweight, thin, and comfortable to wear, providing an unobtrusive way to perform the gait monitoring. Furthermore, a smartphone graphic user interface is developed to display the sensor data in real-time via Bluetooth low energy. We perform a set of experiments in four real-life scenes including hallway walking, ascending/descending stairs, and slope walking, where gait parameters and features are extracted. Finally, the limitation and improvement, wearability and usability, further work, and healthcare-related potential applications are discussed.

Recent years have witnessed enormous research efforts on WiFi sensing to enable intelligent services of Internet of Things. However, due to the omni-directional broadcasting manner of WiFi signals, the activity semantic underlying the signals can be leaked to adversaries for surveillance, as demonstrated by our previous work. In this paper, we further extend the attack capability of ActListener to impersonation attack, which could eavesdrop on users' behavioral uniqueness imperceptibly using a WiFi infrastructure in any location of user sensing area. In particular, ActListener detects each human activity and converts the eavesdropped signals to that by legitimate devices based on our proposed signal propagation models. To extract noise-resilient individual behavioral uniqueness from converted CSI of WiFi signals, we further add user identification models into the substitute model set for training the signal pattern calibration generative model. Experimental results demonstrate that ActListener could achieve over 80% accuracy in activity semantics retrieval and impersonation by using the converted signals.

Over the past years, Machine Learning-as-a-Service (MLaaS) has received a surging demand for supporting Machine Learning-driven services to offer revolutionized user experience across diverse application areas. MLaaS provides inference service with low inference latency based on an ML model trained using a dataset collected from numerous individual data owners. Recently, for the sake of data owners' privacy and to comply with the "right to be forgotten (RTBF)" as enacted by data protection legislation, many machine unlearning methods have been proposed to remove data owners' data from trained models upon their unlearning requests. However, despite their promising efficiency, almost all existing machine unlearning methods handle unlearning requests independently from inference requests, which unfortunately introduces a new security issue of inference service obsolescence and a privacy vulnerability of undesirable exposure for machine unlearning in MLaaS.