Proyecto de investigación · Universidad Carlos III de Madrid

CYCAD

Ciberseguridad a Distancia
CYberseCurity At a Distance

Investigación en privacidad, biometría sin contacto y nuevas soluciones de ciberseguridad.

Equipo investigador

  • Pedro Peris López — Investigador principal (IP1)
  • Juan Manuel Estévez Tapiador — Investigador principal (IP2)
  • Ana Isabel González-Tablas — Investigadora
  • Sergio Pastrana Portillo — Investigador

Equipo de trabajo: José Miguel Moreno López, Nasour Bagheri y Masoumeh Safkhani.

Resumen del proyecto

CYCAD (Ciberseguridad a Distancia) ha investigado nuevas soluciones para mejorar la seguridad y privacidad de los sistemas digitales mediante el uso de señales fisiológicas adquiridas sin contacto físico. El proyecto ha perseguido mecanismos de identificación y autenticación más seguros, cómodos y menos intrusivos, prestando especial atención a sus riesgos de privacidad.

Entre sus resultados destacan el desarrollo de técnicas de identificación biométrica mediante señales cardíacas captadas por radar, la evaluación de su comportamiento en diferentes estados fisiológicos y el diseño de mecanismos para proteger y revocar identificadores biométricos. También se ha demostrado que estas señales pueden permitir inferir atributos personales, como el sexo o la edad, lo que plantea nuevos retos para la protección de los datos.

De manera complementaria se han abordado la identificación de dispositivos electrónicos, protocolos criptográficos y amenazas en aplicaciones móviles y sistemas conectados. Los resultados se alinean con la prioridad temática de ciberseguridad y contribuyen a reforzar la identidad digital, la privacidad y la confianza en los servicios digitales.

Objetivos científicos

01 · Privacidad

Analizar los riesgos de privacidad y las propiedades de los mecanismos de autenticación basados en bioseñales remotas, y desarrollar técnicas de protección de plantillas biométricas.

02 · Nuevos mecanismos de seguridad

Investigar soluciones de identificación, autenticación y protección de sistemas mediante señales fisiológicas y otras tecnologías sin contacto.

03 · Amenazas y contramedidas

Estudiar ataques y vulnerabilidades de sistemas biométricos y conectados, así como soluciones para incrementar su robustez y seguridad.

Principales resultados

Biometría cardíaca sin contacto

Identificación de personas a partir de señales cardíacas captadas mediante radar y métodos de aprendizaje profundo.

Identificadores revocables

Protección de plantillas biométricas mediante técnicas cancelables que permiten sustituir identificadores comprometidos.

Riesgos de privacidad

Análisis de la inferencia de atributos personales a partir de señales fisiológicas y del tratamiento de información en ecosistemas digitales.

Dispositivos y protocolos

Identificación de dispositivos a partir de sensores internos y análisis de protocolos de comunicación y amenazas móviles.

Publicaciones científicas

Selección completa de las 17 publicaciones en revistas revisadas por pares que figuran en la justificación técnica final. Los DOI se enlazan cuando constan en dicho documento.

Artículos en revistas

  1. Untouchable and Cancelable Biometrics: Human Identification in Various Physiological States Using Radar-Based Heart SignalsForonda-Pascual, D., Camara, C. & Peris-Lopez, P. (2026). IEEE Journal of Biomedical and Health Informatics, 30(2), 921–934.DOI: 10.1109/JBHI.2025.3566167
  2. Non-contact human identification through radar signals using convolutional neural networks across multiple physiological scenariosForonda-Pascual, D., Camara, C. & Peris-Lopez, P. (2025). Frontiers in Digital Health, 7, 1637437.DOI: 10.3389/fdgth.2025.1637437
  3. Sex and age estimation from cardiac signals captured via radar using data augmentation and deep learning: a privacy concernForonda-Pascual, D., Camara, C. & Peris-Lopez, P. (2025). Frontiers in Digital Health, 7, 1616770.DOI: 10.3389/fdgth.2025.1616770
  4. Enhancing biometric identification using 12-lead ECG signals and graph convolutional networksAl Alfi, M., Peris-Lopez, P. & Camara, C. (2025). Frontiers in Digital Health, 7, 1547208.DOI: 10.3389/fdgth.2025.1547208
  5. FPGA device fingerprinting with on-chip sensor signatures under hardware-driven workloadsRamos, A., Martín, H., Cámara, C. & Peris-Lopez, P. (2026). IEEE Sensors Journal, 26(1), 1213–1231.
  6. AI-Driven Device Fingerprinting Using On-Chip Monitoring Sensors: A Novel Time Series-Based ApproachRamos, A., Cámara, C., Martín, H. & Peris-Lopez, P. (2025). IEEE Sensors Journal, 25(7), 12064–12075.DOI: 10.1109/JSEN.2025.3539571
  7. Designing a secure anonymous group-oriented key agreement protocol for the internet of medical thingsSafkhani, M., Camara, C., Bagheri, N., et al. (2026). Scientific Reports, 16, 27133.DOI: 10.1038/s41598-026-57276-w
  8. An Enhanced Security Protocol for Vehicular Ad Hoc NetworksGeranfar, H., et al. (2025). IEEE Internet of Things Journal, 12(17), 35207–35225.DOI: 10.1109/JIOT.2025.3579986
  9. Deep learning based biometric authentication system using a high temporal/frequency resolution transformMaleki Lonbar, S., Beigi, A., Bagheri, N., Peris-Lopez, P. & Camara, C. (2024). Frontiers in Digital Health, 6, 1463713.DOI: 10.3389/fdgth.2024.1463713
  10. ECG-Based Patient Identification: A Comprehensive Evaluation Across Health and Activity ConditionsFuster-Barceló, C., Cámara, C. & Peris-López, P. (2025). IEEE Access, 13, 171942–171956.DOI: 10.1109/ACCESS.2024.3519462
  11. Leveraging IoT Devices for Atrial Fibrillation Detection: A Comprehensive Study of AI TechniquesPedrosa-Rodríguez, A., Cámara, C. & Peris-Lopez, P. (2024). Applied Sciences, 14(19), 8945.DOI: 10.3390/app14198945
  12. Exploring the power of photoplethysmogram matrix for atrial fibrillation detection with integrated explainabilityFuster-Barceló, C., Guerrero-López, A., Cámara, C. & Peris-Lopez, P. (2024). Engineering Applications of Artificial Intelligence, 133, 108325.DOI: 10.1016/j.engappai.2024.108325
  13. Stimulated Microcontroller Dataset for New IoT Device Identification Schemes through On-Chip Sensor MonitoringRamos, A., Martín, H., Cámara, C. & Peris-Lopez, P. (2024). Data, 9(5), 62.DOI: 10.3390/data9050062
  14. Practical Android Software Protection in the WildBlazquez, E. & Tapiador, J. (2026). ACM Computing Surveys, 58(2), Article 36.DOI: 10.1145/3757735
  15. Did I Vet You Before? Assessing the Chrome Web Store Vetting Process Through Browser Extension SimilarityMoreno, J. M., Vallina-Rodriguez, N. & Tapiador, J. (2026). IEEE Transactions on Services Computing, 19(3), 2044–2057.DOI: 10.1109/TSC.2026.3675950
  16. Attack structure matters: Causality-preserving metrics for Provenance-based Intrusion Detection SystemsSuárez-Román, M. & Tapiador, J. (2025). Computers & Security, article 104578.
  17. Fakeium: A dynamic execution environment for JavaScript program analysisMoreno, J. M., Vallina-Rodriguez, N. & Tapiador, J. (2025). SoftwareX, 31, 102301.DOI: 10.1016/j.softx.2025.102301

Congresos y workshops

Las referencias de 2027 se muestran con la situación editorial indicada en el informe final, sin considerarlas necesariamente publicadas.

  1. In the Room Where It Happens: Characterizing Local Communication and Threats in Smart HomesGirish, A., et al.. ACM IMC 2023.DOI: 10.1145/3618257.3624830
  2. Reviewing War: Unconventional User Reviews as a Side Channel to Circumvent Information ControlsMoreno, J. M., et al.. ICWSM 2024.DOI: 10.1609/icwsm.v18i1.31374
  3. Beneath the Surface: An Analysis of OEM Customizations on the Android TLS Protocol StackBandara, V., et al.. IEEE EuroS&P 2025.DOI: 10.1109/EuroSP63326.2025.00044
  4. Tracking Without Borders: Studying the Role of WebViews in Bridging Mobile and Web TrackingWeerasekara, N., et al.. PETS 2026.
  5. Dead Domains, Living Data: A Privacy Risk Analysis of Domain Lifecycle in Android AppsHortea, G., et al.. PETS 2026.
  6. Your Signal, Their Data: An Empirical Privacy Analysis of Wireless-scanning SDKs in AndroidGirish, A., et al.. PETS 2027 · en prensa según informe.
  7. Sweat, Sync, and Exposure: A Privacy Analysis of Interoperable Health and Fitness Ecosystems in AndroidGirish, A., et al.. PETS 2027 · situación editorial por confirmar.
  8. The Agent in the Middle: A Security and Privacy Analysis of Android AppFunctionsJackevicius, T., et al.. PETS 2027 · situación editorial por confirmar.
  9. Work in Progress: An Analysis of ATT&CK TTP Adoption and Semantic AmbiguitySuárez-Román, M., Caballero, J. & Tapiador, J.. IEEE EuroS&P Workshops 2026.DOI: 10.1109/EuroSPW72509.2026.00027
  10. Unveiling Hidden Patterns: Harnessing the Power of Short PPG-Traces for Atrial Fibrillation DetectionPeris-Lopez, P., Fuster-Barceló, C., Cámara, C. & Martín, H.. IEEE BSN 2023.DOI: 10.1109/BSN58485.2023.10331002

Financiación

Proyecto PID2022-140126OB-I00, financiado por el Ministerio de Ciencia, Innovación y Universidades, la Agencia Estatal de Investigación (AEI) y cofinanciado por la Unión Europea, conforme a la identidad institucional de la ayuda.

Ayuda PID2022-140126OB-I00 financiada por el Ministerio de Ciencia, Innovación y Universidades, cofinanciada por la Unión Europea y la Agencia Estatal de Investigación

Logotipos oficiales de financiación del proyecto.


CIOMET – Ciberseguridad en Infraestructuras Médicas Conectadas

CIOMET

Ciberseguridad en Infraestructuras Médicas Conectadas

Investigadores

  • Pedro Peris-López (Investigador Principal)
  • Carmen Cámara (Investigadora Principal)
  • Juan Tapiador
  • Ana Isabel González-Tablas

Resumen

Como se destaca en la cuarta “Estrategia de Seguridad Nacional – ESN 29/12/21”: “La seguridad se concibe como una condición necesaria para la recuperación económica y la cohesión social”. Asimismo, este plan subraya la importancia de combatir riesgos y amenazas en dos sectores estratégicos donde se enmarca CIOMET: sanidad y ciberseguridad.

La sanidad ha estado bajo una enorme presión debido al COVID-19. Las innovaciones digitales han sido fundamentales para la notificación ágil de casos y las campañas de vacunación, aunque también han expuesto al sector a un aumento de los ciberataques. Según la Agencia de Ciberseguridad de la Unión Europea (ENISA), los ataques a hospitales y redes sanitarias crecieron aproximadamente un 50% durante la pandemia.

El proyecto CIOMET busca aumentar la ciberseguridad en el Internet de las Cosas Médicas (IoMT), permitiendo avanzar en la digitalización de los servicios de salud, mejorar la calidad del diagnóstico y la atención, y reducir al máximo los riesgos de amenazas cibernéticas.

Los ciberataques en el entorno sanitario afectan a cuatro dimensiones clave: seguridad, eficiencia, reputación y finanzas. Su mitigación es compleja debido a la diversidad de elementos que componen estas infraestructuras: plataformas hardware, software, sistemas operativos, dispositivos conectados y redes.

Además, CIOMET considera particularidades como que el 73% de los proveedores de salud utilizan sistemas operativos obsoletos que no pueden actualizarse. Entre un 25% y 40% ofrece servicios de telemedicina, lo cual incrementa los riesgos. Incluso la FDA ha advertido sobre dispositivos vulnerables como los marcapasos de última generación.

Por otro lado, la Estrategia Nacional destaca el potencial estratégico de la inteligencia artificial (IA). Aunque esta tecnología ofrece ventajas en el diagnóstico, también presenta vulnerabilidades que pueden ser explotadas en ciberataques.

Publicaciones

  1. Foronda-Pascual, D., Camara, C., & Peris-Lopez, P. (2025). Untouchable and Cancelable Biometrics: Human Identification in Various Physiological States Using Radar-Based Heart Signals. IEEE Journal of Biomedical and Health Informatics.
    https://doi.org/10.1109/JBHI.2025.3566167
    [PDF]
  2. Al Alfi, M., Peris-Lopez, P., & Camara, C. (2025). Enhancing biometric identification using 12-lead ECG signals and graph convolutional networks. Frontiers in Digital Health, 7.
    https://doi.org/10.3389/fdgth.2025.1547208
    [PDF]
  3. Ramos, A., Camara, C., Martín, H., & Peris-Lopez, P. (2025). AI-Driven Device Fingerprinting Using On-Chip Monitoring Sensors: A Novel Time Series-Based Approach. IEEE Sensors Journal, 25(7), 12064–12075.
    https://doi.org/10.1109/JSEN.2025.3539571
    [PDF]
  4. Maleki Lonbar, S., Beigi, A., Bagheri, N., Peris-Lopez, P., & Camara, C. (2024). Deep learning based biometric authentication system using a high temporal/frequency resolution transform. Frontiers in Digital Health, 6.
    https://doi.org/10.3389/fdgth.2024.1463713
    [PDF]
  5. Fuster-Barceló, C., Camara, C., & Peris-López, P. (2024). ECG-Based Patient Identification: A Comprehensive Evaluation Across Health and Activity Conditions. IEEE Access.
    https://doi.org/10.1109/ACCESS.2024.3519462
    [PDF]
  6. Pedrosa-Rodriguez, A., Camara, C., & Peris-Lopez, P. (2024). Leveraging IoT Devices for Atrial Fibrillation Detection: A Comprehensive Study of AI Techniques. Applied Sciences, 14(19), 8945.
    https://doi.org/10.3390/app14198945
    [PDF]
  7. Fuster-Barceló, C., Guerrero-López, A., Camara, C., & Peris-Lopez, P. (2024). Exploring the Power of Photoplethysmogram Matrix for Atrial Fibrillation Detection with Integrated Explainability. Engineering Applications of Artificial Intelligence, 133(D).
    https://doi.org/10.1016/j.engappai.2024.108325
    [PDF]
  8. Ramos, A., Martín, H., Camara, C., & Peris-Lopez, P. (2024). Stimulated Microcontroller Dataset for New IoT Device Identification Schemes through On-Chip Sensor Monitoring. Data, 9(5), 62.
    https://doi.org/10.3390/data9050062
    [PDF]
  9. Peris-Lopez, P., Fuster-Barceló, C., Camara, C., & Martin, H. (2023). Unveiling Hidden Patterns: Harnessing the Power of Short PPG-Traces for Atrial Fibrillation Detection. In 2023 IEEE 19th International Conference on Body Sensor Networks (BSN), Boston, MA, USA, pp. 1–4.
    https://doi.org/10.1109/BSN58485.2023.10331002
    [PDF]
  10. Camara, C., Peris-Lopez, P., Safkhani, M., & Bagheri, N. (2023). ECG Identification Based on the Gramian Angular Field and Tested with Individuals in Resting and Activity States. Sensors, 23(2), 937.
    https://doi.org/10.3390/s23020937
    [PDF]
  11. Fuster-Barceló, C., Guerrero-López, A., Camara, C., & Peris-Lopez, P. (2023). Exploring the Power of PPG Matrix for Atrial Fibrillation Detection with Integrated Explainability. SSRN.
    https://ssrn.com/abstract=4514512 |
    https://doi.org/10.2139/ssrn.4514512
    [PDF]

 

This project has received funding from Ministerio de Ciencia e Innovación, the European Union (Next Generation), the Recovery, Transformation and Resilience Plan and Agencia Estatal de Investigación under the project TED2021-131681B-I00.

 

 

 


© Copyright Pedro Peris-Lopez – LW Cryptography 2026. All Rights Reserved