基于对齐的对抗训练 (ABAT) 提高基于EEG的BCI的稳定性和准确性

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 网络安全 网络安全

背景情况:

• 机器学习显著推进了基于电脑脑图 (EEG) 的脑电脑接口 (BCI).
• 现有的BCI研究主要集中在解码精度上,忽视了对抗性安全漏洞.
• 来自其他领域的对抗防御的直接应用降低了BCI对良性样本的分类准确性,限制了它们的实用性.

研究的目的:

• 为应对在不损害准确性的情况下对基于EEG的BCI应用对抗防御的挑战.
• 提出一种新的方法,即基于对齐的对抗训练 (ABAT),以提高EEG分类器的准确性和稳定性.
• 调查对抗性攻击的潜力,作为改善BCI模型性能的一种工具.

主要方法:

• 拟议的ABAT,将EEG数据调整与对抗训练相结合.
• 数据对齐可以减少不同EEG试验领域之间的分布差异.
• 反对训练可以加强分类边界,以提高强度.

主要成果:

• 在五个EEG数据集和两个BCI范式 (运动图像,与事件相关的潜在识别) 中证明了ABAT的有效性.
• 在不同的实验环境下,使用三个卷积神经网络分类器 (EEGNet,ShallowCNN,DeepCNN) 验证了ABAT.
• 展示了对抗性攻击,当集成到ABAT时,同时提高模型准确性和稳定性.

结论:

• ABAT有效地提高了基于EEG的BCI准确性和稳定性.
• 拟议的方法提供了一个可行的解决方案,用于保护BCI免受对抗性攻击.
• 矛盾的是,可以利用对抗训练来提高BCI系统的性能.