An Investigation of Ear-EEG Signals for a Novel Biometric Authentication System
Department of Computer Science, Sapienza University, Italy(意大利萨皮恩扎大学计算机科学系);Department of Mathematics and Computer Science, University of Udine, Italy(意大利乌迪内大学数学与计算机科学系)
本研究提出利用入耳式设备采集的耳部脑电图信号进行生物特征认证,通过提取时域与频域特征并输入全连接深度神经网络,在现有数据集上实现82%的受试者识别准确率,验证了耳部脑电图用于日常生物特征认证的可行性。
2025-07-17 cs.LG
GANSER: A Self-supervised Data Augmentation Framework for EEG-based Emotion Recognition
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机与软件学院);Department of Computing, The Hong Kong Polytechnic University(香港理工大学电子计算学系)
基于脑电(EEG)的情感计算中的数据稀缺问题导致难以使用机器学习算法特别是深度学习模型来构建具有高精度和稳定性的有效模型。数据增强最近已经为深度学习模型实现了相当大的性能改进:提高了准确性、稳定性并减少了过度拟合。在本文中,我们提出了一种新的数据增强框架,即基于生成对抗网络的自监督数据增强(GANSER)。作为第一个将对抗训练与自监督学习相结合用于基于EEG的情感识别的框架,所提出的框架可以生成高质量和高多样性的模拟EEG样本。特别是,我们利用对抗训练来学习EEG生成器,并迫使生成的EEG信号近似真实样本的分布,确保增强样本的质量。变换函数被用来屏蔽部分EEG信号,并迫使发生器基于剩余部分来合成潜在的EEG信号,以产生各种各样的样本。在转换过程中的掩蔽可能性被引入作为先验知识,以指导提取可区分的特征的模拟EEG信号和推广的分类器的扩增的样本空间。最后,大量的实验表明,我们提出的方法可以帮助情感识别的性能增益,并取得了最先进的结果。
2021-09-08 cs.AI cs.HC cs.LG
EEG-based Subjects Identification based on Biometrics of Imagined Speech using EMD
Norwegian University of Science and Technology(挪威科技大学)
当大脑活动转化为实际应用的命令时,人类能力增强的潜力是有希望的。在本文中,EMD被用来分解脑电信号在想象的语音,以便使用它作为一个生物特征标记,建立一个生物识别系统。对于每个EEG通道,基于Minkowski距离决定最相关的固有模式函数(IMF),并且对于每个IMF计算4个特征:瞬时和Teager能量分布以及Higuchi和Petrosian分形维数。为了测试所提出的方法,一个数据集与20名受试者想象30个重复的5个单词在西班牙语,使用。四个分类器用于此任务-随机森林,SVM,朴素贝叶斯,和k-NN -和他们的性能进行了比较。10倍交叉验证后获得的准确度(高达0.92使用线性SVM)表明,所提出的方法基于EMD可以是有价值的创造基于EEG的生物特征的想象语音主体识别。
2018-09-13 cs.LG eess.SP q-bio.NC
Functional Connectivity Methods for EEG-based Biometrics on a Large, Heterogeneous Dataset
Indian Institute of Science(印度科学学院);University of Maryland(马里兰大学)
本研究探讨了实用的功能连接(FC)和基于图形(GB)的措施与支持向量机分类器用于脑电图(EEG)为基础的生物特征。虽然基于FC的特征已被用于生物识别应用中,但评估异构和大型数据集上的识别算法的研究很少。这项工作调查的性能FC和GB指标的184个主题的数据集,通过汇集三个数据集记录在不同的协议和采集系统。结果表明,FC比GB指标更高的区分能力。识别精度随着更高频率的EEG频带而增加,这表明β和γ频带中的神经签名的增强的独特性。使用所有的56个EEG通道共同的三个数据库,最好的识别精度为97.4%,获得使用锁相值(PLV)为基础的措施,从伽马频段。此外,我们调查的分析时期的长度的影响,以确定所需的数据采集时间,以获得满意的识别精度。当通道的数量从56减少到21时,在使用伽马带中的PLV特征的识别精度中仅存在2.4%的边际减少。已经进行了额外的实验来研究受试者的认知状态和不匹配的训练/测试条件对系统性能的影响。
2022-06-03 cs.LG eess.SP
EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph Connectivity
Vidyasirimedhi Institute of Science & Technology(维迪亚西里梅迪科学技术学院);King Mongkut’s Institute of Technology Ladkrabang(国王科技大学(拉卡邦));Kamnoetvidya Science Academy School(卡姆努特维迪亚科学学院);Tokyo Institute of Technology(东京工业大学)
基于脑电的脑生物特征识别技术已越来越多地应用于个人身份识别。传统的机器学习技术以及现代的深度学习方法已经得到了应用,并取得了可喜的成果。在本文中,我们提出了EEG-BBNet,一个混合网络,它集成了卷积神经网络(CNN)与图卷积神经网络(GCNN)。联合利用了CNN在自动特征提取中的益处和GCNN在通过图形表示学习EEG电极之间的连接性中的能力。我们研究了各种连接措施,即欧几里得距离,皮尔逊相关系数,锁相值,相位滞后指数,和Rho指数。所提出的方法的性能进行评估的基准数据集组成的各种脑机接口(BCI)的任务,并与其他国家的最先进的方法相比。我们发现,我们的模型在事件相关电位(ERP)任务中优于所有基线,使用会话内数据的平均正确识别率高达99.26%。EEG-BBNet与皮尔逊相关性和RHO指数提供了最好的分类结果。此外,我们的模型使用会话间和任务间数据表现出更大的适应性。我们还研究了我们提出的模型的实用性与较少的电极数量。电极放置在额叶区域似乎是最合适的,性能损失最小。
2022-08-17 cs.LG eess.SP
Mutual Information-driven Subject-invariant and Class-relevant Deep Representation Learning in BCI
Korea University(高丽大学)
近年来,基于深度学习的特征表示方法在基于脑电(EEG)的脑机接口(BCI)中显示出了良好的影响。然而,由于高的内部和受试者之间的变异性,许多研究解码EEG的设计在一个特定的受试者的方式,通过使用校准样本,没有考虑其实际用途,阻碍了耗时的步骤和大量的数据要求。为此,最近的研究采用了迁移学习策略,特别是领域自适应技术。其中,据我们所知,对抗性学习在BCI中显示出了其潜力。同时,已知的是,基于对抗学习的领域自适应方法倾向于负迁移,这破坏了学习适用于不同领域的广义特征表示,例如,脑机接口中的主题或会话。在本文中,我们提出了一个新的框架,以信息论的方式学习类相关和主题不变的特征表示,而不使用对抗学习。具体来说,我们在深度网络中设计了两个操作组件,用于显式估计特征表示之间的互信息;(1)将中间层中的特征分解为类相关和类不相关的特征,(2)丰富类判别特征表示。在两个大的EEG数据集上,我们通过与几种比较方法的性能比较,验证了我们提出的框架的有效性。此外,我们通过对网络中的组件进行消融研究进行了严格的分析,通过逐层相关传播解释了我们的模型对输入EEG信号的决定,并通过t-SNE可视化了学习特征的分布。
2020-08-21 cs.HC cs.LG stat.ML
Cross-Subject Generalization for EEG Decoding: A Survey of Deep Learning Methods
Department of Computer Science, University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校计算机科学系);Department of Computer Science, Dartmouth College(达特茅斯学院计算机科学系);School of Computing, University of Georgia(佐治亚大学计算科学学院);School of Electrical and Computer Engineering, University of Georgia(佐治亚大学电气与计算机工程学院)
本文综述了深度学习方法在跨受体解码中的应用,分析了多源领域问题的评估协议,并系统分类了特征对齐、对抗学习等方法,探讨了理论限制和EEG基础模型的发展。
2026-05-01 cs.LG eess.SP
Evidence of Task-Independent Person-Specific Signatures in EEG using Subspace Techniques
Indian Institute of Technology Madras(印度马德拉斯理工学院);University of Southern California(南加州大学);Massachusetts Institute of Technology(麻省理工学院)
脑电图(EEG)信号是有前途的替代品,其他生物特征,由于他们的保护,防止欺骗。以往的研究主要集中在通过分析任务/条件特异性EEG来捕获个体差异。这项工作试图通过归一化相关的方差来建模独立于任务/条件的生物特征签名。为了实现这一目标,本文扩展了基于子空间的文本无关的说话人识别的思想,并提出了新的修改建模多通道EEG数据。所提出的技术假设生物特征信息存在于整个EEG信号中,并且在高维空间中跨时间积累统计数据。然后将这些高维统计数据投影到保存生物特征信息的低维空间。使用所提出的方法获得的低维嵌入被证明是任务无关的。最好的子空间系统识别个人的准确率分别为86.4%和35.9%的数据集与30和920名受试者,只使用9个EEG通道。该论文还提供了对子空间模型在训练过程中对看不见的任务和个人的可扩展性以及子空间建模所需的通道数量的见解。
2021-03-25 cs.LG eess.SP
EEG-based Texture Roughness Classification in Active Tactile Exploration with Invariant Representation Learning Networks
Northeastern University(东北大学);Graz University of Technology(格拉茨工业大学);University of Pittsburgh(匹兹堡大学)
在日常活动中,人类用手抓住周围的物体并感知感官信息,这些信息也用于感知和运动目标。在感觉运动加工过程中,多个大脑皮层区域负责感觉识别、感知和运动执行。虽然各种研究特别关注人类感觉运动控制领域,但运动执行和感觉处理之间的关系和处理尚未完全理解。我们工作的主要目标是在主动触觉探索过程中使用同时记录的脑电图(EEG)数据来区分其粗糙度水平不同的纹理表面,同时最大限度地减少不同的运动探索运动模式的方差。我们进行了一项实验研究,8名健康的参与者被指示使用他们的优势手食指的尖端,同时摩擦或敲击三个不同的粗糙度的纹理表面。我们使用对抗性不变表示学习神经网络架构,该架构对不同纹理表面执行基于EEG的分类,同时最小化运动条件的可辨别性(即,摩擦或轻拍)。结果表明,所提出的方法可以区分三种不同的纹理表面的准确度高达70%,同时抑制运动相关的变化从学习表示。
2021-03-05 cs.HC cs.LG eess.SP
Applying advanced machine learning models to classify electro-physiological activity of human brain for use in biometric identification
NewGround LLC(新地有限责任公司)
在这篇文章中,我们提出了我们的研究结果与特定的视觉刺激和脑电传感器从一组参与者收集的引起大脑的电生理反应之间的相关性的研究。我们将研究视觉刺激的各种特征如何影响大脑的电生理反应,并描述在大脑皮层的某些部分引起稳态视觉诱发电位(SSVEP)的最佳参数,在这些部分中,EEG设备的电极可以可靠地感知到视觉诱发电位。在此之后,我们继续描述高级机器学习管道模型,该模型可以对收集的EEG数据进行可靠的分类,以便(a)可靠地区分信号与噪声(约85%的验证分数)以及(b)可靠地区分从不同人类参与者收集的EEG记录(约80%的验证分数)。最后,我们证明了所提出的方法可靠地工作,即使是一个便宜的(不到100美元)消费级EEG传感设备和参与者谁没有以前的经验与EEG技术(EEG文盲)。所有这些结合起来为新型消费设备的发展开辟了广阔的前景,[例如]基于虚拟现实头盔或增强现实眼镜,其中可以容易地集成EEG传感器。所提出的方法可以用于通过提供[例如]用于VR / AR应用的无密码用户识别。它还可以在重症监护室中找到更先进的应用,其中收集的EEG数据可以用于对麻醉期间患者的意识水平进行分类,或者通过将输入信号分类为噪声来自动检测硬件故障。
2017-08-03 cs.LG
DeepKey: An EEG and Gait Based Dual-Authentication System
University of New South Wales(新南威尔士大学);RMIT University(皇家墨尔本理工大学);Tsinghua University(清华大学);Michigan State University(密歇根州立大学)
生物识别认证涉及各种技术,通过利用其独特的,可测量的生理和行为特征来识别个人。然而,传统的生物特征认证系统(例如,面部识别、虹膜、视网膜、语音和指纹)正面临被诸如防监视面具、隐形眼镜、声码器或指纹膜之类的生物计量工具欺骗的越来越大的风险。在本文中,我们设计了一个名为Deepkey的多模态生物特征认证系统,该系统同时使用脑电图(EEG)和步态信号,以更好地防止这种风险。Deepkey由两个关键组件组成:一个无效ID过滤器模型,用于阻止未经授权的主体,以及一个基于注意力的递归神经网络(RNN)的识别模型,用于并行识别主体的EEG ID和步态ID。只有当所有组件产生一致的证据来匹配用户宣称的身份时,主体才能被授予访问权限。我们在我们的大学实施了Deepkey的现场部署,并进行了广泛的实证实验,以研究其在实践中的技术可行性。DeepKey的错误接受率(FAR)和错误拒绝率(FRR)分别为0和1.0%。初步结果表明,Deepkey是可行的,与一组方法相比,显示出一致的优越性能,并有可能应用于现实世界中的身份验证部署。
2019-05-27 cs.LG
EEG-GAN: Generative adversarial networks for electroencephalograhic (EEG) brain signals
University of Freiburg(弗莱堡大学)
生成对抗网络(GANs)最近在涉及图像的生成应用中非常成功,并开始应用于时间序列数据。在这里,我们将EEG-GAN描述为生成脑电图(EEG)大脑信号的框架。我们对Wasserstein GANs的改进训练进行了修改,以稳定训练并研究一系列对时间序列生成至关重要的架构选择(最明显的是上采样和下采样)。为了进行评估,我们考虑并比较了不同的指标,如Inception评分,Frechet inception距离和切片Wasserstein距离,共同表明我们的EEG-GAN框架生成了自然的EEG示例。因此,它在神经科学和神经学背景下开辟了一系列新的生成应用场景,例如脑机接口任务中的数据增强,EEG超采样或损坏数据段的恢复。产生特定类别和/或具有特定属性的信号的可能性也可能为研究大脑信号的潜在结构开辟新的途径。
2018-06-05 cs.LG eess.SP q-bio.NC
DAGAM: A Domain Adversarial Graph Attention Model for Subject Independent EEG-Based Emotion Recognition
Northwestern Polytechnic University(西北工业大学);Shaanxi Normal University(陕西师范大学)
基于脑电信号的情感识别面临的最大挑战之一是脑电信号的跨学科变化,导致性能和泛化能力差。本文提出了一种新的基于EEG的情感识别模型,称为域对抗图注意力模型(DAGAM)。其基本思想是生成一个图形来模拟多通道EEG信号,使用生物拓扑结构。图论可以拓扑地描述和分析脑电通道之间的关系和相互依赖性。然后,与其他图卷积网络不同,自注意力池被应用于从图中提取显著的EEG特征,这有效地提高了性能。最后,在图池化之后,基于图的领域对抗算法被用于识别和处理不同受试者的脑电变化,有效地达到了良好的泛化能力。我们对两个基准数据集(SEED和SEED IV)进行了广泛的评估,并在独立于主体的情感识别方面获得了最先进的结果。我们的模型将SEED准确度提高到92.59%(提高4.69%),最低标准偏差为3.21%(下降2.92%),SEED IV准确度提高到80.74%(提高6.90%),最低标准偏差为4.14%(下降3.88%)。
2022-02-27 cs.LG eess.SP
EEG-Based Inter-Patient Epileptic Seizure Detection Combining Domain Adversarial Training with CNN-BiLSTM Network
Graduate School of Advanced Science and Engineering, Hiroshima University(Hiroshima大学先进科学与工程研究生院);Department of Pediatric Neurology, Okayama University Hospital(Okayama大学医院儿科神经科)
针对癫痫EEG检测跨患者泛化差的问题,提出结合域对抗训练与CNN-BiLSTM的检测框架,通过域对抗提取患者不变特征、BiLSTM建模时间依赖,在20名局灶性癫痫患者数据上实现优于非对抗方法的跨患者检测性能。
2025-05-21 cs.LG eess.SP
Universal Adversarial Perturbations for CNN Classifiers in EEG-Based BCIs
Huazhong University of Science and Technology(华中科技大学);National University of Singapore(新加坡国立大学);Zhejiang Lab(之江实验室)
多卷积神经网络(CNN)分类器已被提出用于基于脑电图(EEG)的脑机接口(BCI)。然而,已经发现CNN模型容易受到通用对抗扰动(universal adversarial perturbations,UAP)的影响,UAP很小并且与示例无关,但是当添加到良性示例时,其强大到足以降低CNN模型的性能。本文提出了一种新的总损失最小化(TLM)的方法来生成基于EEG的BCI的UAP。实验结果表明,TLM的有效性对三个流行的CNN分类器的目标和非目标攻击。我们还验证了基于EEG的BCI系统中的可移植性的UAP。据我们所知,这是第一个研究的UAP的CNN分类器在基于EEG的脑机接口。UAP易于构建,并且可以实时攻击BCI,从而暴露BCI的潜在关键安全问题。
2021-06-24 cs.HC cs.LG eess.SP
Multi-task Generative Adversarial Learning on Geometrical Shape Reconstruction from EEG Brain Signals
University of New South Wales(新南威尔士大学);Xi’an Jiaotong University(西安交通大学)
从人脑活动中合成几何图形是一个有趣而有意义但又极具挑战性的课题。最近,生成对抗网络(GANs)等深度生成模型的进步支持了从神经信号生成对象。然而,基于脑电信号的形状生成仍然存在真实感不高的问题。特别是,生成的几何形状缺乏清晰的边缘,并且无法包含必要的细节。鉴于此,我们提出了一种新的多任务生成对抗网络,将个体的EEG信号由几何形状诱发到原始几何形状。首先,我们采用一个卷积神经网络(CNN)学习高信息量的原始EEG信号的潜在表示,这是至关重要的后续形状重建。接下来,我们构建了基于多任务学习的神经网络来同时区分和分类假样本,其中不同任务之间的相互促进提高了恢复形状的质量。然后,我们提出了一个语义对齐约束,以迫使合成的样本,以接近真正的像素级,从而产生更引人注目的形状。在本地数据集上对所提出的方法进行了评估,结果表明,我们的模型优于竞争对手的最先进的基线。
2020-02-28 cs.LG eess.SP
Modeling EEG data distribution with a Wasserstein Generative Adversarial Network to predict RSVP Events
The University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);University of California, San Diego(加利福尼亚大学圣迭戈分校)
由于复杂的实验设置和长时间佩戴的舒适度降低,难以获得脑电图(EEG)数据。这对利用有限的EEG数据训练强大的深度学习模型提出了挑战。能够通过计算生成EEG数据可以解决这一限制。我们提出了一种新的Wasserstein生成对抗网络与梯度惩罚(WGAN-GP)合成EEG数据。该网络解决了模拟时间序列EEG数据的几个建模挑战,包括频率伪影和训练不稳定性。我们进一步将该网络扩展到一个类条件变体,该变体还包括一个分类分支来执行事件相关分类。我们训练所提出的网络生成一个和64个通道的数据,类似于在快速串行视觉呈现(RSVP)实验中经常看到的EEG信号,并证明了所生成的样本的有效性。我们还测试了主题内跨会话分类性能,用于分类RSVP目标事件,并表明类条件WGAN-GP可以在EEGNet上实现更好的事件分类性能。
2020-07-01 cs.LG eess.IV stat.AP
Deep User Identification Model with Multiple Biometrics
NOTA Incorporated(NOTA公司);Khalifa University(哈利法大学);Korea Advanced Institute of Science and Technology(韩国高等科学技术院)
利用生物特征进行身份识别是一项重要而又具有挑战性的任务。关于使用给定信号识别个人身份或性别已经进行了大量的研究。各种类型的生物测定,如心电图(ECG),脑电图(EEG),面部,指纹和语音已被用于这些任务。大多数的研究只集中在单一的通道或单一的任务,而输入通道或任务的组合还有待研究。在本文中,我们提出了使用多模态生物识别技术进行深度识别和性别分类。我们的模型使用ECG,指纹和面部数据。然后,它执行两项任务:性别识别和分类。通过使用多模态,单个模型可以处理各种输入域,而无需独立地训练每个模态,并且域之间的相关性可以提高其在任务上的泛化性能。
2019-09-03 cs.CV cs.LG eess.SP
Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces
Huazhong University of Science and Technology(华中科技大学);School of Artificial Intelligence and Automation(人工智能与自动化学院)
针对基于脑电图的脑机接口易受对抗性攻击的问题,首次探索其对抗性伪影检测,通过在两个EEG数据集上用三种卷积神经网络实验验证检测方法性能,发现白盒和黑盒攻击均可检测且前者更易检测。
2022-11-28 cs.AI cs.CR cs.HC
SSAS: Cross-subject EEG-based Emotion Recognition through Source Selection with Adversarial Strategy
Southeast University(东南大学);Universiti Malaysia Perlis(马来西亚玻璃市大学)
本文提出一种通过源选择与对抗策略进行的跨主体基于EEG的情感识别方法,旨在解决个体间变异性及负迁移问题,提升分类性能。
2025-12-21 cs.AI cs.LG eess.SP
Convolutional Neural Network and Adversarial Autoencoder in EEG images classification
Innopolis University(因诺波利斯大学)
本文结合计算机视觉与神经网络方法,用于手部运动期间大脑活动的分类。通过预处理EEG信号生成2DEEG图谱,并采用监督和半监督神经网络进行分类。
2026-04-05 cs.LG
Deep EEG Super-Resolution: Upsampling EEG Spatial Resolution with Generative Adversarial Networks
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
针对脑电图设备通道越多成本越高的问题,提出基于生成对抗网络(GANs)的深度脑电图超分辨率方法,能从低分辨率样本生成高分辨率数据,在心理意象任务数据集上MSE和MAE较基线大幅降低,分类准确率损失极小,为提升低密度设备性能提供新途径。
2025-02-12 cs.LG
Toward Face Biometric De-identification using Adversarial Examples
Universidad Autonoma de Madrid(马德里自治大学);University of Twente(特文特大学)
人脸识别(FR)的巨大成功已经危及互联网用户的隐私,特别是在社交媒体上。最近,研究人员转向使用对抗性例子作为对策。在本文中,我们评估了使用两种广为人知的对抗方法(BIM和ILLC)去识别个人图像的有效性。我们发现,与文献中先前的声明不同,要获得对人类视觉系统具有不可感知的对抗性扰动的高保护成功率(抑制识别率)并不容易。最后,我们发现对抗性示例的可移植性受到生成它们的网络的训练参数的高度影响。
2023-02-07 cs.CR cs.CV cs.LG
Common Spatial Generative Adversarial Networks based EEG Data Augmentation for Cross-Subject Brain-Computer Interface
Shien-Ming Wu School of Intelligent Engineering, South China University of Technology(华南理工大学吴贤铭智能工程学院)
基于脑电信号的脑机接口(BCI)的跨学科应用一直受到个体差异大、特征复杂难以感知的限制。因此,收集每个用户的训练数据用于校准需要花费很长时间。即使使用大量与受试者无关的数据进行预训练的迁移学习方法在没有足够的受试者特定数据的情况下也不能解码不同的EEG信号类别。因此,我们提出了一个跨学科的EEG分类框架,基于生成对抗网络(GANs)的方法称为公共空间GAN(CS-GAN),它使用生成器和神经元之间的对抗训练来获得高质量的数据进行增强。该方法采用一个特殊的模块来保持脑电信号的空间特征,并增加不同类别之间的差异,并有两个损失进一步增强。通过使用足够的增强数据进行自适应训练,我们的跨主题分类准确率比Leave-one Subject-Out(LOO)测试显著提高了15.85%,比BCI竞赛IV数据集2a上的100个原始样本提高了8.57%。此外,我们设计了一种基于卷积神经网络(CNN)的分类方法作为基准,采用类似的空间增强思想,对运动想象脑电数据进行分类,取得了显著的效果。总之,我们的框架提供了一个有前途的方法来处理跨学科的问题,促进BCI的实际应用。
2021-02-08 cs.AI cs.LG eess.SP
Data-driven behavioural biometrics for continuous and adaptive user verification using Smartphone and Smartwatch
Deakin University(迪肯大学)
最近的研究表明,基于运动的生物识别技术可以作为一种用户身份验证和识别的形式,而不需要任何人类合作。这类行为生物识别技术涉及我们在生活中由于与环境和自然的互动而学到的特征。这种模式与人类行为随时间的变化有关。这些方法的发展旨在增强连续身份验证(如生物识别),以保护用户设备上的隐私。在文献中已经提出了各种连续认证(CA)系统。它们代表了新一代的安全机制,可持续监控用户行为,并以此为基础在登录会话期间定期重新验证用户身份。然而,这些方法通常构成用于识别或验证用户的单个分类模型。这项工作提出了一种算法,通过引入两步用户验证算法,使用基于运动的生物特征来验证用户的身份,并补充多因素身份验证,从而使其更加安全和灵活的混合行为生物特征与多因素身份验证(MFA)。这种两步用户验证算法也不受对抗攻击的影响,基于我们的实验结果,该实验结果显示了使用这种模型与对抗数据时错误分类率的下降。
2021-10-07 cs.LG eess.SP
Active Learning for Black-Box Adversarial Attacks in EEG-Based Brain-Computer Interfaces
Huazhong University of Science and Technology(华中科技大学)
深度学习在许多领域取得了重大突破,包括基于脑电图(EEG)的脑机接口(BCI)。然而,深度学习模型容易受到对抗攻击的攻击,在这种攻击中,故意设计的小扰动被添加到良性输入样本中,以欺骗深度学习模型并降低其性能。本文考虑基于可转移性的黑盒攻击,攻击者训练替代模型来近似目标模型,然后从替代模型生成对抗性示例来攻击目标模型。学习一个好的替代模型对于这些攻击的成功至关重要,但它需要对目标模型进行大量的查询。我们提出了一个新的框架,使用查询合成的主动学习,以提高查询效率的训练替代模型。在三个卷积神经网络(CNN)分类器和三个EEG数据集上的实验表明,我们的方法可以在相同查询次数的情况下提高攻击成功率,或者换句话说,我们的方法需要更少的查询来实现期望的攻击性能。据我们所知,这是第一个为基于EEG的BCI集成主动学习和对抗攻击的工作。
2019-11-07 cs.CR cs.HC cs.LG
edBB: Biometrics and Behavior for Assessing Remote Education
Universidad Autonoma de Madrid(马德里自治大学)
我们提出了一个远程教育中的学生监控平台,该平台由一系列传感器和捕获生物特征和行为数据的软件组成。我们定义了一系列任务来获取行为数据,这些数据对于在远程评估过程中面对自动学生监控的现有挑战是有用的。此外,我们还发布了一个初始数据库,其中包括来自20个不同用户的数据,这些用户使用一组基本传感器完成这些任务:网络摄像头,麦克风,鼠标和键盘;以及来自更先进的传感器:NIR相机,智能手表,额外的RGB相机和EEG带。来自计算机的信息(例如系统日志、MAC、IP或网页浏览历史记录)也会被存储。在每个采集会话期间,每个用户完成三种不同类型的任务,生成不同性质的数据:鼠标和鼠标动态,面部数据和音频数据等。这些任务的设计考虑了两个主要目标:i)分析这种生物特征和行为数据在远程评估期间检测异常的能力,以及ii)研究这些数据(即EEG、ECG或NIR视频)用于估计关于用户的其他信息(例如他们的注意力水平、压力的存在或他们的脉搏率)的能力。
2019-12-10 cs.CY cs.HC cs.LG
Alignment-Based Adversarial Training (ABAT) for Improving the Robustness and Accuracy of EEG-Based BCIs
Huazhong University of Science and Technology(华中科技大学);Shenzhen Huazhong University of Science and Technology Research Institute(华中科技大学深圳研究院)
提出基于对齐的对抗训练(ABAT),通过先进行EEG数据对齐再对抗训练,同时提升脑机接口分类器的准确性和鲁棒性,并在多个数据集和设置上验证其有效性。
2024-11-04 cs.AI cs.HC cs.LG
SW-ProxyCE: Zero-Query Adversarial Transfer from Public EEG Encoders to Private Downstream Models
本文针对公开编码器与私有下游模型场景,提出无查询的任务感知攻击框架SW-ProxyCE,实验表明其生成的对抗样本可有效迁移至下游模型,且性能优于任务无关攻击。
2026-08-19 cs.LG
Lightweight MobileNetV1+GRU for ECG Biometric Authentication: Federated and Adversarial Evaluation
Department of Computer Science \& Information Technology IoST, Tribhuwan University, Nepal;Department of Electronics;Computer Engineering Institute of Engineering, Dharan, Nepal
本文提出轻量级MobileNetV1+GRU模型用于ECG生物特征认证,在四个数据集上取得高准确率,并评估了联邦学习与对抗攻击下的鲁棒性。
2025-09-21 cs.AI cs.CR cs.LG
Generating Visual Stimuli from EEG Recordings using Transformer-encoder based EEG encoder and GAN
School of Computing & Electrical Engineering, IIT Mandi(印度理工学院曼迪分校计算与电气工程学院)
本研究提出一种基于Transformer编码器的EEG编码器与GAN相结合的框架,利用受试者观看图像时的EEG记录重建不同物体类别的图像,并通过对抗损失和感知损失提升生成质量。
2024-11-20 cs.AI cs.LG eess.SP
Adversarial Filtering Based Evasion and Backdoor Attacks to EEG-Based Brain-Computer Interfaces
Huazhong University of Science and Technology(华中科技大学)
本文提出针对基于 EEG 的脑机接口、基于对抗滤波的规避与后门攻击,并在三种 BCI 范式的数据集上验证其有效性,揭示了新的安全威胁。
2024-12-10 cs.HC cs.LG
Semi-supervised Seizure Prediction with Generative Adversarial Networks
The University of Sydney(悉尼大学);Swinburne University of Technology(斯威本科技大学);The University of Melbourne(墨尔本大学);University of Queensland(昆士兰大学)
在这篇文章中,我们提出了一种方法,不仅可以利用标记的EEG信号,但也未标记的,这是更容易。我们还建议使用数据融合,以进一步提高癫痫发作预测的准确性。在我们的视野中,数据融合包括脑电信号、心电信号、体温和时间。我们使用短时傅立叶变换的28-s EEG窗口作为预处理步骤。生成对抗网络(GAN)以无监督的方式进行训练,其中忽略癫痫发作的信息。然后将GAN的训练鉴别器用作特征提取器。由特征提取器生成的特征由两个完全连接的层(可以由任何分类器替换)对标记的EEG信号进行分类。这种半监督癫痫发作预测方法分别实现了CHBMIT头皮EEG数据集和Freiburg医院颅内EEG数据集的77.68%和75.47%的工作特征曲线下面积(AUC)。无需标记的无监督训练非常重要,因为它不仅可以在EEG信号记录期间实时执行,而且不需要为每个患者进行特征工程工作。
2018-06-20 cs.CV cs.LG stat.ML
White-Box Target Attack for EEG-Based BCI Regression Problems
Huazhong University of Science and Technology(华中科技大学);University of California San Diego(加州大学圣地亚哥分校)
机器学习在许多应用中取得了巨大的成功,包括基于脑电图(EEG)的脑机接口(BCI)。不幸的是,许多机器学习模型容易受到对抗性示例的影响,这些示例是通过向原始输入添加故意设计的扰动来制作的。针对分类问题提出了许多对抗性攻击方法,但很少有人考虑针对回归问题的目标对抗攻击。本文提出了两个这样的方法。更具体地说,我们考虑针对回归问题的白盒目标攻击,其中我们知道关于要攻击的回归模型的所有信息,并且希望设计小的扰动来将回归输出改变预定量。两个BCI回归问题的实验验证了这两种方法的有效性。此外,从这两种方法生成的对抗性示例也是可转移的,这意味着我们可以使用从一个已知回归模型生成的对抗性示例来攻击一个未知回归模型,即,进行黑盒攻击据我们所知,这是第一个基于EEG的BCI回归问题的对抗攻击的研究,这需要更多的关注BCI系统的安全性。
2019-11-07 cs.AI cs.CR cs.LG
AERIAL: Adversarial Evaluation of Robustness in Accuracy-Preserving Low-Precision EEG Decoders
New York University Abu Dhabi (NYUAD)(纽约大学阿布扎比分校)
本研究通过对抗性评估发现,精度保持的压缩(如剪枝和量化)不改善脑电解码器的直接鲁棒性,但会降低对抗性迁移效率,表明鲁棒性、迁移性和部署效率是独立属性。
2026-09-25 cs.CR cs.CV cs.LG
Improving EEG Signal Classification Accuracy Using Wasserstein Generative Adversarial Networks
The University of British Columbia(不列颠哥伦比亚大学)
提出基于 WGAN 的 EEG 信号生成方法,在 BCI2000 数据集上训练并通过分类器验证,有效提升分类准确率与泛化能力,解决 BCI 数据匮乏问题。
2024-02-05 cs.AI cs.LG eess.SP
A Lightweight Domain Adversarial Neural Network Based on Knowledge Distillation for EEG-based Cross-subject Emotion Recognition
提出基于知识蒸馏的轻量级域对抗神经网络,利用教师模型指导轻量级学生模型学习域不变特征,在DEAP数据集上有效提升跨被试脑电情绪识别性能。
2023-05-12 cs.LG eess.SP
PAT: Privacy-Preserving Adversarial Transfer for Accurate, Robust and Privacy-Preserving EEG Decoding
Hubei Key Laboratory of Brain-inspired Intelligent Systems, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology(华中科技大学人工智能与自动化学院脑启发智能系统湖北省重点实验室);Shenzhen Huazhong University of Science and Technology Research Institute(深圳华中科技大学研究院);Zhongguancun Academy(中关村学院)
本文提出PAT框架,结合数据对齐、对抗训练和隐私保护迁移,提升EEG解码的准确性、鲁棒性和隐私保护,实验表明其在多个数据集上优于现有方法。
2026-04-11 cs.HC cs.LG eess.SP
Adversarial Feature Learning in Brain Interfacing: An Experimental Study on Eliminating Drowsiness Effects
Northeastern University(东北大学);Oregon Health & Science University(俄勒冈健康与科学大学)
脑电(EEG)活动的跨记录和记录内变异性是基于EEG的脑机接口(BCI)的主要限制。具体而言,即使每天校准这些系统,在长EEG记录持续时间和BCI系统使用期间疲劳和警惕水平的逐渐变化也会带来BCI性能的显著波动。我们解决这个问题,在一个实验性的离线研究,从EEG为基础的BCI拼写使用数据采集一个小时的持续时间。作为我们方法论方法的主要部分,我们提出了BCI的对抗性不变特征学习的概念,作为最近扩展的EEG深度学习架构上的正则化方法,以学习滋扰不变的鉴别特征。我们通过使用时间记录块排序作为睡意变异性的来源,实证证明了对抗性特征学习在消除事件相关EEG活动特征的睡意影响方面的可行性。
2019-07-22 cs.HC cs.LG
Improving brain computer interface performance by data augmentation with conditional Deep Convolutional Generative Adversarial Networks
脑机接口领域的一个很大的限制是训练样本非常有限,很难用这样有限的数据建立一个可靠的可用系统。为了提高卷积神经网络在脑机接口领域中的性能,克服训练数据集小的问题,受生成对抗网络的启发,提出了一种条件深度卷积生成对抗网络(cDCGAN)方法,自动生成更多的人工脑电信号用于数据增强。我们在运动想象的BCI竞争数据集上评估了所提出的cDCGAN方法。实验结果表明,从高斯噪声中生成的人工脑电数据能够学习到原始脑电数据的特征,并且在测试数据集中具有不低于原始脑电数据的分类精度。同时,在训练数据有限的情况下,利用生成的人工数据可以有效地提高同一模型的分类精度。
2018-12-27 cs.HC cs.LG q-bio.NC
Tiny noise, big mistakes: Adversarial perturbations induce errors in Brain-Computer Interface spellers
Huazhong University of Science and Technology(华中科技大学);University of Technology Sydney(悉尼科技大学);University of California San Diego(加州大学圣地亚哥分校);Zürich University of Applied Sciences(苏黎世应用科技大学)
一种基于脑电图(EEG)的脑机接口(BCI)拼写器允许用户通过思维向计算机输入文本。它对严重残疾的人特别有用,例如,肌萎缩侧索硬化症患者,他们没有其他有效的手段与另一个人或电脑沟通。到目前为止,大多数研究都集中在使基于EEG的BCI拼写器更快,更可靠;然而,很少有人考虑其安全性。这项研究首次表明,P300和稳态视觉诱发电位BCI拼写者非常脆弱,即,它们可能会受到对抗性扰动的严重攻击,这些扰动太小,当添加到EEG信号时不会被注意到,但可以误导拼写者拼写攻击者想要的任何东西。其后果可能从仅仅是用户沮丧到临床应用中的严重误诊。我们希望我们的研究可以吸引更多的关注基于EEG的BCI拼写器的安全性,更广泛地说,基于EEG的BCI,这是以前很少受到关注。
2020-07-16 cs.HC cs.LG eess.SP
Adaptive Template Enhancement for Improved Person Recognition using Small Datasets
Swansea University(斯旺西大学);University of Kent(肯特大学)
提出了一种基于实例的脑电信号分类方法。EEG信号的非平稳性质,加上有限的训练数据以及潜在的噪声信号采集条件下的模式识别的苛刻任务,激发了本研究中报告的工作。所提出的自适应模板增强机制通过单独对待每个特征维度来转换特征级实例,从而改善了类分离和更好的查询类匹配。所提出的新的基于实例的学习算法进行了比较,与一些相关的算法在一些情况下。临床级64-电极EEG数据库,以及低质量(高噪声水平)EEG数据库获得了一个低成本的系统,使用一个单一的干传感器已被用于生物特征的人识别的评价。所提出的方法表明,显着提高了识别和验证的情况下的分类精度。特别是,这种新方法被认为是提供了一个良好的分类性能嘈杂的EEG数据,表明其潜在的适用范围广泛的应用。
2022-01-03 cs.LG eess.SP
On the Adversarial Inversion of Deep Biometric Representations
Macquarie University(麦考瑞大学);BITS Pilani(博拉理工学院皮拉尼校区)
本文研究在仅知特征表示和部分背景知识条件下对深度生物特征嵌入的对抗性反演,提出先推断原始DNN再重建原始数据的双阶段攻击方法,并在人脸和指纹识别模型上验证了其有效性。
2023-04-12 cs.CR cs.CV cs.LG
BCGGAN: Ballistocardiogram artifact removal in simultaneous EEG-fMRI using generative adversarial network
HangZhou Dianzi University(杭州电子科技大学);Southwest University(西南大学);Zhejiang Provincial Hospital of Chinese Medicine(浙江省中医院)
本文提出模块化生成对抗网络BCGGAN,通过优化各模块参数提升局部表示能力,在不依赖额外参考信号下有效去除同步EEG-fMRI中的BCG伪影并保留关键脑电信息。
2023-08-30 cs.LG
Limited but consistent gains in adversarial robustness by co-training object recognition models with human EEG
Goethe University(歌德大学);The Hessian Center for Artificial Intelligence (hessian.AI)(黑森人工智能中心);Freie Universität Berlin(柏林自由大学);Frankfurt Institute for Advanced Studies (FIAS)(法兰克福高级研究所);Ernst Strüngmann Institute for Neuroscience(恩斯特·施特龙格曼神经科学研究所)
本研究通过训练ResNet50模型执行分类与EEG预测双任务,发现模型EEG预测准确率与对抗鲁棒性提升显著相关,效应有限但一致,顶枕区电极贡献最大,为相关后续研究开辟了方向。
2024-12-12 cs.AI cs.HC cs.LG
On the Vulnerability of CNN Classifiers in EEG-Based BCIs
Huazhong University of Science and Technology(华中科技大学)
深度学习由于其出色的性能和避免人工特征工程的能力,已成功应用于众多应用中。一个这样的应用是基于脑电图(EEG)的脑机接口(BCI),其中已经提出了多个卷积神经网络(CNN)模型用于EEG分类。然而,人们发现,深度学习模型很容易被对抗性示例所愚弄,这些示例是带有小的故意扰动的正常示例。本文提出了一种无监督的快速梯度符号方法(UFGSM)来攻击三种流行的CNN分类器,并证明了其有效性。我们还验证了BCI中对抗性示例的可移植性,这意味着即使不知道目标模型的结构和参数,也可以执行攻击。据我们所知,这是第一次研究基于EEG的BCI中CNN分类器的脆弱性,并希望引起更多对BCI系统安全性的关注。
2019-03-31 cs.CR cs.LG stat.ML
Making Brain-Computer Interfaces More Secure
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
针对脑电图(EEG)脑机接口(BCI)易受对抗攻击的问题,提出轻量级卷积神经网络(CNN)架构,在梯度攻击下比EEGNet、DeepConvNet和SleepEEGNet等模型具有更好的分类鲁棒性。
2026-05-22 cs.CR cs.LG
Reconstructing ERP Signals Using Generative Adversarial Networks for Mobile Brain-Machine Interface
Korea University(高丽大学)
实际的脑机接口已被广泛研究,以准确地检测人类的意图,在现实世界中使用大脑信号。然而,由于诸如行走和头部运动的伪影,脑电(EEG)信号失真,因此脑信号的幅度可能比期望的EEG信号大。由于这些伪影,在移动环境中准确地检测人类意图是具有挑战性的。在本文中,我们提出了基于生成对抗网络的重建框架,使用行走过程中的事件相关电位(ERP)。我们使用一个预先训练好的卷积编码器来表示潜在变量,并通过与编码器相反形状相似的生成模型来重建ERP。最后,使用判别模型对ERP进行分类,验证了该框架的有效性。结果表明,重建的信号具有与站立时ERP相似的重要成分,如N200和P300。重建的脑电信号的准确性与行走过程中的原始噪声脑电信号相似。重建脑电信号的信噪比显著提高,为1.3。生成式模型的损失率为0.6301,相对较低,说明训练生成式模型具有较高的性能。重建的ERP结果表明,通过降噪的效果,分类性能在步行过程中得到了改善。所提出的框架可以帮助识别人的意图,即使在移动环境中的脑机接口的基础上。
2020-05-18 cs.HC cs.LG eess.SP
Group Feature Learning and Domain Adversarial Neural Network for aMCI Diagnosis System Based on EEG
State Key Laboratory of Management and Control for Complex Systems, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所复杂系统管理与控制国家重点实验室);University of Chinese Academy of Sciences(中国科学院大学);Department of Neurology, First People’s Hospital of Foshan(佛山市第一人民医院神经内科)
医学诊断机器人系统因其客观性和准确性而受到越来越多的关注。轻度认知功能障碍(MCI)的诊断被认为是预防阿尔茨海默病(AD)的有效手段。医生根据各种临床检查来诊断MCI,这些检查费用昂贵,诊断结果依赖于医生的知识。因此,有必要开发一种机器人诊断系统,以消除人为因素的影响,获得更高的准确率。在本文中,我们提出了一种新的组特征域对抗神经网络(GF-DANN)遗忘型MCI(aMCI)的诊断,其中包括两个重要的模块。提出了一种组特征提取(GFE)模块,通过对抗学习来学习组级特征,从而减少个体差异。设计了双分支领域自适应(DBDA)模块,通过域自适应的方式减小源域和目标域的分布差异。在三种类型的数据集上,与经典的机器学习和深度学习方法相比,GF-DANN实现了最佳的准确性。在DMS数据集上,GF-DANN的准确率为89.47%,敏感性和特异性分别为90%和89%。此外,通过比较三种EEG数据汇集模式,我们的研究结果表明,DMS模式有潜力建立一个aMCI诊断机器人系统。
2021-04-28 cs.LG cs.RO eess.SP
Adversarial Stimuli: Attacking Brain-Computer Interfaces via Perturbed Sensory Events
University of New Haven(纽黑文大学)
已知机器学习模型容易受到输入域中的对抗性扰动的影响,从而导致不正确的预测。受此现象的启发,我们探索了通过感官刺激的扰动来操纵基于EEG的运动想象(MI)脑机接口(BCI)的可行性。与对抗性示例类似,这些\emph{adversarial stimuli}旨在利用BCI系统的集成脑传感器处理组件在处理参与者对感官刺激变化的反应变化时的局限性。本文提出了对抗性刺激作为对脑机接口的攻击向量,并报告了初步实验的结果,视觉对抗性刺激的影响,基于EEG的MI脑机接口的完整性。我们的研究结果表明,轻微的对抗性刺激可以显着恶化的性能MI BCI在所有参与者(p=0.0003)。此外,我们的研究结果表明,这种攻击在诱导压力的条件下更有效。
2022-11-18 cs.CR cs.LG eess.SP
Enhancing EEG Signal Generation through a Hybrid Approach Integrating Reinforcement Learning and Diffusion Models
Shandong First Medical University(山东第一医科大学);Shandong Academy of Medical Sciences(山东省医学科学院);University of Technology Sydney(悉尼科技大学);The Sixth Mobile Detachment of the First Mobile Corps of the Chinese People’s Armed Police Force(中国人民武装警察部队第一总队第六机动支队)
本研究提出融合强化学习与扩散模型的混合方法生成脑电信号,可同时建模时域与频域特征,在保护隐私的同时减少对标注数据的依赖,为脑机接口和神经康复研究提供数据增强新工具。
2024-09-14 cs.LG eess.SP
Robust EEG-based Emotion Recognition Using an Inception and Two-sided Perturbation Model
University of Rochester(罗切斯特大学);Goergen Institute for Data Science(格尔根数据科学研究院)
提出INC-TSP方法,结合Inception模块与双侧扰动防御机制,有效提升脑机接口中EEG情绪识别对环境噪声和对抗攻击的鲁棒性。
2024-04-21 cs.AI cs.LG eess.SP
Synthetic Epileptic Brain Activities Using Generative Adversarial Networks
ETHZ(苏黎世联邦理工学院);EPFL(洛桑联邦理工学院);CHUV(洛桑大学医院)
癫痫是一种慢性神经系统疾病,影响全球超过6500万人,表现为反复发作的无端癫痫发作。癫痫发作的不可预测性不仅降低了患者的生活质量,而且还可能危及生命。目前正在开发监测脑电图(EEG)信号的现代系统,以便检测癫痫发作,从而提醒护理人员并减少癫痫发作对患者生活质量的影响。这种癫痫发作检测系统采用最先进的机器学习算法,其需要相当大量的标记的个人数据用于训练。然而,获取癫痫发作的EEG信号对于医学专家和患者来说是一个昂贵且耗时的过程,目前需要在专科医院进行记录。在这项工作中,我们产生了合成的神经元样脑电活动,即,EEG信号,可用于训练癫痫发作检测算法,减少对记录数据的需求。首先,我们用来自30名癫痫患者的数据训练生成对抗网络(GAN)。然后,我们为新的、看不见的患者生成合成的个性化训练集,其总体检测性能高于真实数据训练集。我们使用世界上最大的癫痫发作检测公共数据库之一EPILEPSIAE项目的数据集来展示我们的结果。
2019-11-12 cs.LG eess.SP
RobustSeiz: a model-agnostic framework for auditing the recording-environment, noise and adversarial robustness of EEG seizure detectors
Sharif University of Technology(谢里夫理工大学)
该研究推出开源框架RobustSeiz,标准化4个EEG语料库,可对癫痫检测模型在环境、噪声等偏移下的鲁棒性进行基准测试,扩展了部署前评估范围。
2026-11-17 cs.LG eess.SP