面向 EMG 基于手势识别网络的无线电对抗攻击

表面电位图（Surface electromyography, EMG）使非侵入式人机交互在康复、假肢和虚拟现实领域成为可能。尽管深度学习模型在分类准确率上可达 97% 以上，但其对对抗攻击的脆弱性在实际物理域中尚未得到充分探讨。我们提出了 ERa Attack，这是一种首次针对 EMG 设备的无线电频率（radio frequency, RF）对抗方法，通过人为电磁干扰（intentional electromagnetic interference, IEMI）实现攻击。利用低功耗软件定义无线电发射器，攻击者注入优化后的 RF 扰动，以误导下游模型。我们的ethods 建立了数字与物理域之间的桥梁：使用投射梯度下降（Projected Gradient Descent）生成对抗扰动，通过逆短时傅里叶变换（inverse STFT）提取 50-150 Hz 频分量，并采用无同步策略（constant spectrum noise 或窄带调制）。扰动受限于信号�幅的 1-10%，并调制至 433 MHz 载波上。实验在 Myo 数据集（7 种手势，350 个样本）上进行，结果显示：在 1 米距离、0 dBm 发射功率下，分类准确率下降至 58.3%，误分类率为 41.7%，定向攻击成功率为 25.6%。随距离增加，攻击效果指数级下降，在 3 米时恢复至 85% 准确率。提升功率至 10 dBm 可使 1 米处的准确率再降低约 15%。本工作首次针对 EMG 识别系统开展 RF 基于对抗攻击，揭示了在安全关键应用中面临的关键漏洞。我们量化了不同扰动模式和距离下的攻击效果，并提出了包括硬件屏蔽、频谱监测和对抗训练等防御措施。我们的发现为设计抗电磁威胁的可靠 EMG 系统提供了指导。