对BCI系统的CNN模型进行会员推断攻击的调查

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
• 数据 隐私 数据 隐私 数据

背景情况:

• 在医疗保健中采用深度学习 (DL) 引发了隐私问题.
• 大脑计算机接口 (BCI) 越来越多地使用DL,特别是电脑图 (EEG) 数据的卷积神经网络 (CNN) 分类器.

研究的目的:

• 调查BCI中的EEG数据CNN分类器的隐私漏洞.
• 在异质数据集和时空设计选择的背景下分析会员推断攻击 (MIA).

主要方法:

• 经验分析MIA易受训练数据集的特点 (参与者数量,人口统计数据).
• 调查MIA对CNN特异性的敏感性 (架构,规范化).
• 对EEG数据的MIA有效性的比较与图像和表格数据集.

主要成果:

• 具有有限知识的对手可以通过EEG数据的MIA破坏参与者的隐私.
• 对各种数据集的培训改善了整体隐私,但可能会使代表性不足的群体无法记忆.
• 规范化对EEG数据CNN的MIA效果较差;模型深度/宽度没有影响.

结论:

• 基于DL的BCI容易受到MIA的隐私侵犯.
• 考虑到数据集多样性和模型特征,对隐私意识的BCI系统开发至关重要.
• 需要进一步的研究,以减轻基于DL的BCI应用中的MIA风险.