論文の概要: Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces

• arxiv url: http://arxiv.org/abs/2212.00727v1
• Date: Mon, 28 Nov 2022 11:05:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 15:36:51.505453
• Title: Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces
• Title（参考訳）: 脳波を用いた脳-コンピュータインタフェースにおける逆アーチファクト検出
• Authors: Xiaoqing Chen and Dongrui Wu
• Abstract要約: 機械学習は脳波(EEG)に基づく脳-コンピュータインターフェース(BCI)において大きな成功を収めた 近年の研究では、脳波に基づくBCIは敵の攻撃に弱いことが示されており、入力に小さな摂動が加えられると誤分類が生じる可能性がある。 本稿では,脳波によるBCIの逆検出を初めて検討する。
• 参考スコア（独自算出の注目度）: 28.686844131216287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has achieved great success in electroencephalogram (EEG) based brain-computer interfaces (BCIs). Most existing BCI research focused on improving its accuracy, but few had considered its security. Recent studies, however, have shown that EEG-based BCIs are vulnerable to adversarial attacks, where small perturbations added to the input can cause misclassification. Detection of adversarial examples is crucial to both the understanding of this phenomenon and the defense. This paper, for the first time, explores adversarial detection in EEG-based BCIs. Experiments on two EEG datasets using three convolutional neural networks were performed to verify the performances of multiple detection approaches. We showed that both white-box and black-box attacks can be detected, and the former are easier to detect.
• Abstract（参考訳）: 機械学習は脳波(EEG)ベースの脳-コンピュータインターフェース(BCI)において大きな成功を収めた。 既存のbci研究のほとんどは精度の向上に重点を置いていたが、セキュリティを考慮に入れていたものはほとんどなかった。 しかし最近の研究では、脳波に基づくBCIは敵の攻撃に弱いことが示されており、入力に小さな摂動が加えられると誤分類が起こる可能性がある。 敵の例の検出は,この現象の理解と防御の両方に不可欠である。 本稿では,脳波によるBCIの逆検出を初めて検討する。 3つの畳み込みニューラルネットワークを用いた2つの脳波データセットの実験を行い、複数の検出手法の性能を検証する。 ホワイトボックス攻撃とブラックボックス攻撃の両方が検出可能であり,前者の方が検出が容易であることを示した。

関連論文リスト

• Alignment-Based Adversarial Training (ABAT) for Improving the Robustness and Accuracy of EEG-Based BCIs [20.239554619810935]
  ABATは、敵の訓練の前にEEGデータアライメントを実行する。 データアライメントは、異なるドメインからのEEGトライアルを調整して、分散の相違を減らす。 敵の訓練は 分類境界をさらに強固にする
  論文  参考訳（メタデータ） (2024-11-04T13:56:54Z)
• Professor X: Manipulating EEG BCI with Invisible and Robust Backdoor Attack [4.579605201643072]
  X教授は、EEG BCIの出力を任意に操作できる、目に見えない頑健な「ミンドコントローラ」である。 3つの共通脳波課題のデータセットの実験は、X教授の有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2024-09-30T10:10:52Z)
• A Supervised Information Enhanced Multi-Granularity Contrastive Learning Framework for EEG Based Emotion Recognition [14.199298112101802]
  本研究では,脳波に基づく感情認識(SICLEER, Supervised Info-enhanced Contrastive Learning)のための新しいコントラスト学習フレームワークを提案する。 自己教師付きコントラスト学習損失と教師付き分類損失を組み合わせた共同学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-12T11:51:00Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• Adversarial Stimuli: Attacking Brain-Computer Interfaces via Perturbed Sensory Events [11.650381752104296]
  脳波をベースとした運動画像(MI)を用いた脳神経インタフェースの実現可能性について,感覚刺激の摂動による検討を行った。 敵対的な例と同様に、これらの刺激は、BCIシステムの統合された脳感覚処理コンポーネントの限界を活用することを目的としている。
  論文  参考訳（メタデータ） (2022-11-18T05:20:35Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks [68.01125081367428]
  近年の研究では、機械学習アルゴリズムは敵攻撃に弱いことが示されている。 本稿では,脳波をベースとしたBCIの毒殺攻撃に狭周期パルスを用いることを提案する。
  論文  参考訳（メタデータ） (2020-10-30T20:49:42Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications [65.32004302942218]
  Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。 近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
  論文  参考訳（メタデータ） (2020-01-28T10:36:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。