基于对齐的对抗训练（ABAT）用于提升基于EEG的脑机接口的鲁棒性和准确率
人机交互
2024-11-05 v1 人工智能
机器学习
摘要
机器学习在基于脑电图（EEG）的脑机接口（BCI）中取得了巨大成功。大多数现有的BCI研究专注于提高解码准确率，只有少数考虑了对抗安全性。尽管在其他应用领域如计算机视觉中提出了许多对抗防御方法，但先前的研究表明，它们向BCI的直接扩展会降低良性样本的分类准确率。这一现象极大地影响了对抗防御方法在EEG-based BCI中的适用性。为了缓解这个问题，我们提出了基于对齐的对抗训练（ABAT），它在对抗训练之前执行EEG数据对齐。数据对齐将来自不同域的EEG试验对齐以减少它们的分布差异，而对抗训练进一步强化了分类边界。数据对齐与对抗训练的集成可以使训练好的EEG分类器同时更准确和更鲁棒。在五个EEG数据集上的实验（来自两种不同的BCI范式：运动想象分类和事件相关电位识别，三种卷积神经网络分类器：EEGNet、ShallowCNN和DeepCNN，以及三种不同的实验设置：离线被试内跨块/跨会话分类、在线跨会话分类和预训练分类器）证明了其有效性。非常有趣的是，通常用于破坏BCI系统的对抗攻击可以在ABAT中用于同时提高模型准确率和鲁棒性。
引用
@article{arxiv.2411.02094,
title = {Alignment-Based Adversarial Training (ABAT) for Improving the Robustness and Accuracy of EEG-Based BCIs},
author = {Xiaoqing Chen and Ziwei Wang and Dongrui Wu},
journal= {arXiv preprint arXiv:2411.02094},
year = {2024}
}