评估基于注意力的网络中的对抗性攻击的稳定性:基于EEG的运动图像分类案例

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 大脑计算机接口 (BCI) 系统利用脑电图 (EEG) 进行运动图像 (MI) 分类,帮助有身体限制的人.
• 基于注意力的网络 (ATN) 在EEG信号分类方面提供了高性能,成为卷积神经网络 (CNN) 的替代方案.
• 与CNN相比,ATN在基于EEG的BCI中对对抗性攻击的稳定性仍未得到充分探索.

研究的目的:

• 在基于EEG的运动图像分类的背景下,调查ATN对对抗性攻击的脆弱性.
• 提出和评估一种高性能基于注意力的深度学习模型,用于使用EEG数据进行MI分类.
• 在BCI任务中评估各种对抗性攻击策略对ATN的影响.

主要方法:

• 开发一种基于注意力的新型深度学习模型,用于分类运动图像EEG信号.
• 对拟议的ATN模型实施和测试各种对抗性攻击策略.
• 使用BCI竞争2a数据集进行评估,分析准确性和kappa分数.

主要成果:

• 拟议的ATN模型在正常分类任务中实现了高精度 (87.15%) 和kappa得分 (0.8287).
• 在对抗性攻击下观察到显著的性能下降,精度降至9.07%,kappa得分降至-0.21.
• 证明了BCI注意力机制的有效性,但也揭示了它们对对抗性操纵的易感性.

结论:

• 基于注意力的模型显示了基于EEG的BCI应用的巨大潜力.
• 当前的注意力架构容易受到对抗性攻击,从而损害了BCI系统的可靠性.
• 发展强大的注意力机制至关重要,以防止对EEG分类的对抗性操纵.