基于用户级扰动的 EEG 脑机接口用户身份保护
人机交互
2024-11-19 v1 密码学与安全
机器学习
摘要
目的：基于脑电图（EEG）的脑机接口（BCI）是人脑与计算机之间的直接通信通路。迄今大多数研究致力于更准确的 BCI，但较少关注 BCI 的伦理问题。除任务特定信息外，EEG 信号还包含丰富的隐私信息，如用户身份、情绪、疾病等，这些应受保护。方法：我们首次表明，添加用户级扰动可使 EEG 中的身份信息不可学习。我们提出四类用户级隐私保护扰动：随机噪声、合成噪声、误差最小化噪声和误差最大化噪声。将所提扰动加入 EEG 训练数据后，数据中的用户身份信息变得不可学习，而 BCI 任务信息保持不受影响。主要结果：在六个 EEG 数据集上使用三种神经网络分类器和多种传统机器学习模型的实验，证明了所提扰动的鲁棒性和实用性。意义：我们的研究展示了在不影响主要 BCI 任务信息的前提下隐藏 EEG 数据中用户身份信息的可行性。
引用
@article{arxiv.2411.10469,
title = {User-wise Perturbations for User Identity Protection in EEG-Based BCIs},
author = {Xiaoqing Chen and Siyang Li and Yunlu Tu and Ziwei Wang and Dongrui Wu},
journal= {arXiv preprint arXiv:2411.10469},
year = {2024}
}