論文の概要: Accurate, Robust and Privacy-Preserving Brain-Computer Interface Decoding

• arxiv url: http://arxiv.org/abs/2412.11390v1
• Date: Mon, 16 Dec 2024 02:37:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:54:09.467412
• Title: Accurate, Robust and Privacy-Preserving Brain-Computer Interface Decoding
• Title（参考訳）: 高精度・ロバスト・プライバシ保護型脳-コンピュータインタフェースデコーディング
• Authors: Xiaoqing Chen, Tianwang Jia, Dongrui Wu,
• Abstract要約: EEGベースの脳コンピュータインタフェース(BCI)は、脳と外部デバイス間の直接通信を可能にする。 EEGベースのBCIは、データ不足と個人差、敵対的脆弱性、データプライバシという、現実世界のアプリケーションで少なくとも3つの大きな課題に直面しています。 EEGベースのBCIにおける3つの大きな課題が同時に対処できるのは今回が初めてであり、現実のBCIにおけるEEGデコーディングの実践性を大幅に改善する。
• 参考スコア（独自算出の注目度）: 15.550334083917935
• License:
• Abstract: An electroencephalogram (EEG) based brain-computer interface (BCI) enables direct communication between the brain and external devices. However, EEG-based BCIs face at least three major challenges in real-world applications: data scarcity and individual differences, adversarial vulnerability, and data privacy. While previous studies have addressed one or two of these issues, simultaneous accommodation of all three challenges remains challenging and unexplored. This paper fills this gap, by proposing an Augmented Robustness Ensemble (ARE) algorithm and integrating it into three privacy protection scenarios (centralized source-free transfer, federated source-free transfer, and source data perturbation), achieving simultaneously accurate decoding, adversarial robustness, and privacy protection of EEG-based BCIs. Experiments on three public EEG datasets demonstrated that our proposed approach outperformed over 10 classic and state-of-the-art approaches in both accuracy and robustness in all three privacy-preserving scenarios, even outperforming state-of-the-art transfer learning approaches that do not consider privacy protection at all. This is the first time that three major challenges in EEG-based BCIs can be addressed simultaneously, significantly improving the practicalness of EEG decoding in real-world BCIs.
• Abstract（参考訳）: 脳波(EEG)ベースの脳-コンピュータインターフェース(BCI)は、脳と外部デバイス間の直接通信を可能にする。 しかし、EEGベースのBCIは、データ不足と個人差、敵対的脆弱性、データプライバシという、現実世界のアプリケーションにおいて少なくとも3つの大きな課題に直面している。 これまでの研究では、これらの3つの課題の1つか2つに対処してきたが、同時に3つの課題の共用は困難であり、未解決のままである。 本稿では、ARE(Augmented Robustness Ensemble)アルゴリズムを提案し、それを3つのプライバシ保護シナリオ(分散ソースフリー転送、フェデレートされたソースフリー転送、ソースデータ摂動)に統合し、EEGベースのBCIの正確な復号化、対向ロバスト性、プライバシ保護を実現することにより、このギャップを埋める。 3つのパブリックなEEGデータセットの実験では、私たちの提案したアプローチは、プライバシー保護を考慮しない最先端のトランスファー学習アプローチよりも、すべてのプライバシ保護シナリオにおいて、正確性と堅牢性の両方において、古典的および最先端のアプローチよりも優れています。 EEGベースのBCIにおける3つの大きな課題が同時に対処できるのは今回が初めてであり、現実のBCIにおけるEEGデコーディングの実践性を大幅に改善する。

関連論文リスト

• User-wise Perturbations for User Identity Protection in EEG-Based BCIs [18.96849505757419]
  ユーザによる摂動を追加することで、EEG内のアイデンティティ情報を学習不能にできることを示す。 提案した摂動を脳波トレーニングデータに追加すると、BCIタスク情報が影響を受けないまま、データのユーザ識別情報が学習不能になる。
  論文  参考訳（メタデータ） (2024-11-04T14:17:22Z)
• 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)
• Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
  複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。 本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
  論文  参考訳（メタデータ） (2024-10-25T18:11:02Z)
• FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
  フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。 FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。 本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
  論文  参考訳（メタデータ） (2024-03-10T08:41:22Z)
• Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
  コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。 また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
  論文  参考訳（メタデータ） (2024-02-27T11:45:21Z)
• TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
  本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。 提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
  論文  参考訳（メタデータ） (2024-02-16T16:41:14Z)
• Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces [28.686844131216287]
  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。
  論文  参考訳（メタデータ） (2022-11-28T11:05:32Z)
• A privacy-preserving data storage and service framework based on deep learning and blockchain for construction workers' wearable IoT sensors [0.0]
  ウェアラブルモノのインターネット(IoT)センサー、特に脳-コンピュータインターフェース(BCI)によって収集される脳信号の分類は、最も急速に成長している研究分野の1つである。 本稿では,このギャップを埋めて,BCIアプリケーションを実装するためのセキュアなプライバシ保護プロトコルを提案する。 われわれはまず脳の信号を画像に変換し、生成的敵ネットワークを使って合成信号を生成し、データのプライバシーを保護した。 さらに、ブロックチェーンベースのスキームを提案し、個人の神経生理学的データと分析レポートの保存、クエリ、共有を安全かつプライバシーに配慮したものにすることを目的としたプロトタイプを開発した。
  論文  参考訳（メタデータ） (2022-11-19T14:57:19Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• 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)

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。