面向隐私保护的脑机接口的联邦运动 imagery 分类
机器学习
2024-12-03 v1 人机交互
摘要
训练针对 EEG 基于脑机接口（BCI）的分类器需要来自大量用户的 EEG 数据，而保护其数据隐私是关键考虑因素。联邦学习（FL）是解决这一挑战的有前景的方案。本文提出了一种用于 EEG 基于运动 imagery 分类的隐私保护联邦分类方法，称为带有本地批次特定批归一化和锐度感知最小化的联邦分类（FedBS）。FedBS 利用本地批次特定批归一化来减少不同客户之间的数据差异，并在本地训练中使用锐度感知最小化优化器来提高模型的泛化能力。在使用三个公开的 MI 数据集和三个流行的深度学习模型进行实验后，实验结果表明 FedBS 超过了六种最先进的联邦学习方法。令人惊讶的是，它还超过了不考虑隐私保护的集中式训练。在总结方面，FedBS 保护用户的 EEG 数据隐私，使多个 BCI 用户能够参与大规模机器学习模型训练，从而提高 BCI 解码准确率。
引用
@article{arxiv.2412.01079,
title = {Federated Motor Imagery Classification for Privacy-Preserving Brain-Computer Interfaces},
author = {Tianwang Jia and Lubin Meng and Siyang Li and Jiajing Liu and Dongrui Wu},
journal= {arXiv preprint arXiv:2412.01079},
year = {2024}
}