EEG 信号中个人身份信息的伪装
密码学与安全
2020-10-20 v1 机器学习
信号处理
摘要
公共 EEG 数据集中存在保护个人身份信息的需要。然而，移除这类具有无限类别（开集）的信息颇具挑战。我们提出一种以虚拟身份伪装 EEG 信号中身份信息同时保留关键特征的方法。虚拟身份通过对具有共同属性的组内被试的 EEG 频谱进行总平均获得。原始 EEG 中的个人身份信息经基于 CycleGAN 的 EEG 伪装模型转换为伪装身份。通过在模型中加入约束，可保留 EEG 信号中感兴趣的特征。我们通过分别在原始与伪装 EEG 上执行分类任务并比较结果来评估该模型。为评估，我们还实验了 ResNet 分类器，其在身份识别任务上表现尤佳，准确率达 98.4%。结果表明，我们的 EEG 伪装模型可隐藏约 90% 的个人身份信息，并保留大部分其他关键特征。
引用
@article{arxiv.2010.08915,
title = {Disguising Personal Identity Information in EEG Signals},
author = {Shiya Liu and Yue Yao and Chaoyue Xing and Tom Gedeon},
journal= {arXiv preprint arXiv:2010.08915},
year = {2020}
}