基于神经网络的加密脑电数据分类与识别
机器学习
2020-06-16 v1 信号处理
摘要
随着机器学习技术在脑电（EEG）信号中的应用快速发展，脑机接口（BCI）已成为面向智能家居、智能医疗及其他物联网（IoT）场景的一种新颖便捷的人机交互方式。然而，敏感信息泄露与未授权操作等安全问题尚未受到充分关注。现有加密 EEG 数据的解决方案仍存在准确率低下、时间复杂度高或处理速度慢等缺陷。为此，提出一种基于神经网络的加密 EEG 数据分类与识别方法，其采用 Paillier 加密算法对 EEG 数据加密，同时解决浮点运算问题。此外，通过使用近似函数替代激活函数改进传统前馈神经网络（FNN），实现了加密 EEG 数据的多分类。进行了大量实验以探究若干指标（如隐藏神经元规模及由改进模拟退火算法更新的学习率）对识别结果的影响。继之以安全性与时间成本分析，所提模型与方法在 PhysioNet、BCI Competition IV 与 EPILEPSIAE 提供的公开 EEG 数据集上得到验证与评估。实验结果表明，与其他方案相比，我们的提案具有令人满意的准确率、效率与可行性。
引用
@article{arxiv.2006.08122,
title = {Classification and Recognition of Encrypted EEG Data Neural Network},
author = {Yongshuang Liu and Haiping Huang and Fu Xiao and Reza Malekian and Wenming Wang},
journal= {arXiv preprint arXiv:2006.08122},
year = {2020}
}