面向基于EEG的BCI中CNN分类器的通用对抗扰动
机器学习
2022-11-15 v5 人机交互
信号处理
摘要
已有多种卷积神经网络(CNN)分类器被提出用于基于脑电图(EEG)的脑机接口(BCIs)。然而,CNN模型被发现易受通用对抗扰动(UAPs)的攻击,这类扰动微小且与样本无关,但足以在叠加到良性样本上时降低CNN模型的性能。本文提出一种新颖的总损失最小化(TLM)方法来生成用于基于EEG的BCIs的UAPs。实验结果证明了TLM在三种流行CNN分类器上对目标与非目标攻击的有效性。我们还验证了UAPs在基于EEG的BCI系统中的可迁移性。据我们所知,这是首个关于基于EEG的BCIs中CNN分类器UAPs的研究。UAPs易于构造,且能够实时攻击BCIs,暴露了BCIs一个潜在的关键安全问题。
引用
@article{arxiv.1912.01171,
title = {Universal Adversarial Perturbations for CNN Classifiers in EEG-Based BCIs},
author = {Zihan Liu and Lubin Meng and Xiao Zhang and Weili Fang and Dongrui Wu},
journal= {arXiv preprint arXiv:1912.01171},
year = {2022}
}