随着感知技术和网络技术的发展，参与感知技术引起越来越多的注意力，因为它能提供一种非常有潜力的方法，使普通大众和专业用户收集、分析隐私数据，进而更好地理解世界。然而在现有的涉及参与感知技术的应用中，不论是参与者的数据还是用户最终得到的分析结果通常都是非常敏感的隐私数据，例如位置、工资、消费、行为等，这些数据不允许被泄露。从而引出了一个自然的、重要的同时又非常有挑战性的问题，那就是如何在保护参与者和用户隐私数据的情况下同时利用隐私数据对某种现象进行分析，从而得出最好的模型，进而对未来做出更好的预测。　　 在本文中，我们给出了这个问题的解决方法——M-PERM，一种双向隐私保护的回归建模机制。具体地讲，我们在参与节点，数据汇集节点和终端用户进行了一系列的数据传输和聚集操作。在回归拟合过程中，我们提出了一种新的方法，该方法不需要获知原始的隐私数据，也不需要对模型精确具体的表达式做出假设。为了评估我们的方法，我们进行了理论分析和仿真实验。评估结果显示该方法生成的模型和直接利用原始数据获得的最佳模型精确一致，同时该方法不会将用户获取的模型泄露给任何参与节点，与已有的方法相比[1-5]，具有显著的优越性。评估结果同时表明该方法的数据聚集方式在一定条件下能最大化地保护隐私数据，并且对共谋攻击有很强的鲁棒性。此外，在相同条件下与以往的方法相比，据我们所知，在双向隐私保护的数据分析应用场景中，例如参与感知技术，我们的方法第一次同时实现了模型参数估计、回归分析、模型选择。