論文の概要: Bridging Privacy and Utility: Synthesizing anonymized EEG with constraining utility functions

• arxiv url: http://arxiv.org/abs/2509.20454v1
• Date: Wed, 24 Sep 2025 18:02:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.531398
• Title: Bridging Privacy and Utility: Synthesizing anonymized EEG with constraining utility functions
• Title（参考訳）: プライバシとユーティリティのブリッジ: 匿名化された脳波を制約ユーティリティ関数で合成する
• Authors: Kay Fuhrmeister, Arne Pelzer, Fabian Radke, Julia Lechinger, Mahzad Gharleghi, Thomas Köllmer, Insa Wolf,
• Abstract要約: 本稿では,脳波データを生成するトランスフォーマーを用いたオートエンコーダを提案する。 本稿では,脳波信号の再識別可能性を大幅に低減し,機械学習に有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.5863360388454261
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is widely used for recording brain activity and has seen numerous applications in machine learning, such as detecting sleep stages and neurological disorders. Several studies have successfully shown the potential of EEG data for re-identification and leakage of other personal information. Therefore, the increasing availability of EEG consumer devices raises concerns about user privacy, motivating us to investigate how to safeguard this sensitive data while retaining its utility for EEG applications. To address this challenge, we propose a transformer-based autoencoder to create EEG data that does not allow for subject re-identification while still retaining its utility for specific machine learning tasks. We apply our approach to automatic sleep staging by evaluating the re-identification and utility potential of EEG data before and after anonymization. The results show that the re-identifiability of the EEG signal can be substantially reduced while preserving its utility for machine learning.
• Abstract（参考訳）: 脳波(EEG)は脳の活動を記録するために広く使われており、睡眠期や神経疾患などの機械学習に多くの応用が見られた。 いくつかの研究は、他の個人情報の再識別と漏洩のための脳波データの可能性を示した。 そのため、EEGコンシューマデバイスの普及は、ユーザのプライバシに関する懸念を高め、EEGアプリケーションのユーティリティを維持しながら、この機密データを保護する方法を調査する動機付けになります。 この課題に対処するために,脳波データを生成するトランスフォーマーベースのオートエンコーダを提案する。 我々は,匿名化前後の脳波データの再同定と有用性を評価することによって,自動睡眠ステージングにアプローチを適用した。 以上の結果から,脳波信号の再識別性は,機械学習に有用性を保ちながら著しく低下する可能性が示唆された。

関連論文リスト

• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Support Vector Machine for Person Classification Using the EEG Signals [0.4419843514606336]
  本稿では,この課題に対処するために,脳波信号を用いた個人識別を提案する。 脳波信号は、有望な認証可能性を提供し、活力検出のための新しい手段を提供し、それによって偽造攻撃を緩和する。 本研究では8チャンネルのOpenBCIヘルメットを用いて記録された12人の被験者の脳波データを特徴付ける疲労解析のために最初にコンパイルされたパブリックデータセットを用いる。
  論文  参考訳（メタデータ） (2024-11-26T14:03:58Z)
• 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)
• EEG2Vec: Learning Affective EEG Representations via Variational Autoencoders [27.3162026528455]
  我々は、感情的な刺激に反応して、潜在ベクトル空間におけるニューラルデータを表現することが、両方の感情状態を予測するのに役立つかどうかを考察する。 脳波データから生成的識別的表現を学習するための条件付き変分オートエンコーダベースのフレームワークであるEEG2Vecを提案する。
  論文  参考訳（メタデータ） (2022-07-16T19:25:29Z)
• 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)
• Disguising Personal Identity Information in EEG Signals [6.9207437122916735]
  本稿では,脳波信号の身元情報をダミーIDで偽装する手法を提案する。 元の脳波のアイデンティティ情報は、CycleGANベースの脳波測位モデルで偽の脳波に変換される。 モデルに制約を加えることで、脳波信号に対する関心の特徴を保存できる。
  論文  参考訳（メタデータ） (2020-10-18T03:55:38Z)
• 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)
• DeepBrain: Towards Personalized EEG Interaction through Attentional and Embedded LSTM Learning [20.300051894095173]
  本稿では,低コストデバイスであるDeepBrainからの粗い脳波信号の組込み学習を通じて,脳-ロボット間相互作用(BRI)を実現するエンド・ツー・エンドのソリューションを提案する。 1)脳波信号の時間依存性とその分類を扱うための特定の前処理技術を備えた長期記憶(拡張LSTM)構造を提案する。 我々の実世界の実験は、低コストで提案されたエンドツーエンドのソリューションが、良好な実行速度、精度、エネルギー効率を実現することを実証している。
  論文  参考訳（メタデータ） (2020-02-06T03:34:08Z)

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。