华中科技大学伍冬睿教授团队：基于EEG脑机接口的用户身份隐私保护方法-CSDN博客

本文链接：https://blog.csdn.net/zyb228/article/details/140867463

脑机接口 (Brain-Computer Interface, BCI) 建立了大脑与外部设备（计算机、机器人等）之间的直接通信通道，可用于研究、测绘、帮助、增强或修复人类的认知或感觉-运动功能，其系统架构如图1 所示。头皮脑电图 (Electroencephalogram, EEG) 具有无创、成本低廉等优点，已成为BCI最常用使用的输入信号。

图1 闭环脑机接口系统架构

机器学习被广泛应用于不同的脑机接口任务中识别复杂的 EEG 模式，如运动想象、事件相关电位、情感识别等。通常，训练一个准确的机器学习模型需要足够的EEG数据。然而，EEG数据不仅包含任务特定的信息，还包含丰富的个人信息。近年来，一些研究指出，从EEG信号中可以推断出用户身份、性格特征、认知能力等多种隐私信息。

为了应对备受关注的隐私问题，世界各地制定了多项法律。例如欧洲联盟的《通用数据保护条例》和我国的《个人信息保护法》，要求严格保护用户隐私。因此，除了简单的数据匿名化外，多种更复杂的隐私保护方法被提出，以加强基于EEG的脑机接口系统的隐私安全。这些方法可以分为以下两类：

1.密码学，通常包括同态加密、安全多方计算和安全处理器；

2.隐私保护的机器学习，在不接触原始EEG数据或模型参数的情况下执行机器学习，典型的方法包括联邦学习和无源迁移学习。

另一种流行的隐私保护策略是数据扰动，通过对原始数据添加扰动或变换来隐藏隐私信息，同时保持数据在下游任务中的有效性。典型的方法包括差分隐私和数据重构。然而，据我们所知，这种策略尚未在基于EEG的脑机接口中得到研究。

华中科技大学伍冬睿教授团队近期研究填补了这一空白，提出了一种基于机器学习的扰动方法，用来隐藏EEG数据中用户身份隐私。我们首先验证了不同脑机接口任务的EEG数据可以推断出用户身份隐私，然后提出了一个框架，将原始EEG数据转换为身份不可挖掘的数据，同时保留特定任务的信息以用于主要的脑机接口任务。

图2 使用扰动保护脑电数据中的用户身份隐私信息示意图

具体地，图2以基于运动想象的脑机接口为例（通过EEG区分左手、右手、双脚和舌头的想象运动）。任务分类器1和身份识别器1分别在未经扰动的EEG数据上训练，用于运动想象分类和用户身份识别。任务分类器2和身份识别器2具有与任务分类器1和身份识别器1相同的结构，分别在身份不可挖掘的EEG数据上训练。在测试阶段，两个任务分类器在运动想象分类精度上表现相似（55% vs 54%）；然而，身份识别器1可以准确地将测试数据与同一用户的未经扰动的训练数据关联起来（88%），而身份识别器2则表现很差（19%）。因此，经过扰动的身份不可挖掘的EEG训练数据在保持主要运动想象分类任务的性能的同时，保护了用户身份隐私。

表1 在扰动前后的数据上的任务分类准确率（BCA）和身份识别准确率（UIA）

表1的结果展示了在扰动前后的数据上的任务分类准确率（BCA）和身份识别准确率（UIA）。在扰动后的数据上的BCA和其对应的未扰动数据上的BCA非常接近，说明扰动几乎没有对主要的脑机接口任务产生负面影响；然而在扰动后的数据上的UIA都显著低于其在未扰动的数据上的UIA，这表明从扰动后的EEG数据中很难学习到用户身份隐私。

图3 扰动前后EEG数据和生成的扰动的时域可视化

图3-5分别从时域、时频域和头皮能量分布多角度比较了身份不可挖掘的EEG数据和原始未扰动的EEG数据。可以看到，无论在哪个角度身份不可挖掘的EEG数据和原始未扰动的EEG数据都是非常相似的，进一步验证了加入的扰动对脑机接口的主要分类任务的影响是很小的。

图4 扰动前后EEG数据和生成的扰动的时频域可视化

图4 扰动前后EEG数据和生成的扰动的头皮能量分布

EEG信号包含丰富的隐私信息，如用户身份、情感等，在基于EEG的脑机接口中应受到保护。本文揭示了基于EEG的脑机接口中的一个严重隐私问题，即EEG数据中的用户身份信息可以很容易地被挖掘，从而可以将同一用户不同的EEG数据关联起来，进一步挖掘其他隐私信息。为了解决这一问题，我们提出了将原始EEG数据转换为身份不可挖掘的EEG数据的扰动方法，即在隐藏用户身份信息的同时保持主要脑机接口任务的良好性能。在来自五种不同脑机接口任务的七个EEG数据集的实验表明，生成的身份不可挖掘的EEG数据平均可以将用户识别准确率降低至少48.65%，促进了基于EEG的脑机接口中的用户隐私保护。

参考文献：

L. Meng, X. Jiang, J. Huang, W. Li, H. Luo and D. Wu, “User Identity Protection in EEG-based Brain-Computer Interfaces,” IEEE Trans. on Neural Systems and Rehabilitation Engineering, 31:3576-3586, 2023.

开源代码：

https://github.com/lbinmeng/unlearnable_privacy

仅用于学术分享，若侵权请留言，即时删侵！