面向 EEG 神经网络的水印保护
机器学习
2025-02-11 v1 人工智能
密码学与安全
摘要
EEG 神经网络作为医学诊断和脑机接口的关键技术，因依赖敏感神经生理数据且开发成本高昂，面临着显著的知识产权风险。当前水印方法，特别是使用抽象触发集的水印方法，缺乏稳健的身份验证，无法解决 EEG 模型独有的挑战。本文引入一种基于加密奇观滤波器的水印框架，专为 EEG 神经网络设计。该框架利用抗碰撞哈希和公钥加密，在训练期嵌入水印，确保最小失真（EEG 任务准确率下降 ≤ 5%）和高可靠性（100% 水印检测）。该框架在对抗性攻击（包括微调、迁移学习和神经元剪枝）下进行了严格评估。结果表明，水印在各种攻击下均能保持持久性，水印状态的分类准确率在激进剪枝后仍保持在 90% 以上，而主任务性能下降得更快，有效遏制了移除尝试。通过无法在不造成严重准确率损失（>10%）的情况下嵌入二次水印来验证了盗版抗性。加密哈希确保了身份验证，降低了暴力攻击成功概率。该方法在 DEAP 数据集上进行了评估，适用于 CCNN、EEGNet、TSception 等模型，实现 >99.4% 的空嵌入准确率，有效消除误报。通过将奇观滤波器与 EEG 特定适应性相结合，本工作弥合了神经生理模型知识产权保护的关键鸿沟，为医疗和生物识别应用提供了安全、防篡改的解决方案。该框架对对抗性修改的鲁棒性突出，凸显了其在保护敏感 EEG 模型的同时保持诊断实用性的潜力。
引用
@article{arxiv.2502.05931,
title = {Protecting Intellectual Property of EEG-based Neural Networks with Watermarking},
author = {Ahmed Abdelaziz and Ahmed Fathi and Ahmed Fares},
journal= {arXiv preprint arXiv:2502.05931},
year = {2025}
}
备注
21 pages, 13 figures, and 6 tables