論文の概要: Making Brain-Computer Interfaces More Secure

• arxiv url: http://arxiv.org/abs/2606.02597v1
• Date: Fri, 22 May 2026 23:35:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.576232
• Title: Making Brain-Computer Interfaces More Secure
• Title（参考訳）: 脳-コンピュータインターフェースをよりセキュアにする
• Authors: Md Fahimul Kabir Chowdhury, Gahangir Hossain,
• Abstract要約: 脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)は、敵の攻撃を受けやすい。 本稿では,脳波を用いたBCIにおける対向的ロバスト性を調べるために,軽量な畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.6875312133832079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The development of brain-computer interfaces (BCIs) based on electroencephalograms (EEGs) has advanced significantly mainly to machine learning. Although the majority of earlier research has been on increasing classification accuracy, relatively little focus has been placed on security and robustness. According to recent research, EEG-based BCIs are susceptible to adversarial attacks, which can cause misdiagnosis due to minute, well-crafted disturbances. Evaluating model robustness against such perturbations is therefore critical for ensuring reliable deployment. In this study, we propose a lightweight custom Convolutional Neural Network (CNN) architecture to investigate adversarial robustness in EEG-based BCIs. The suggested method is assessed using two EEG datasets and contrasted with three novel CNN models tailored to EEG, namely EEGNet, DeepConvNet, and SleepEEGNet, under gradient-based adversarial attack scenarios. According to experimental findings, the suggested model continuously performs better in classification under adversarial perturbations compared to baseline models, indicating improved robustness. These findings highlight the potential of lightweight architectures for enhancing the reliability of EEG-based BCI systems under adversarial conditions.
• Abstract（参考訳）: 脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)の開発は、主に機械学習に大きく進歩している。 以前の研究の大半は分類精度の向上に重点を置いていたが、セキュリティと堅牢性にはほとんど焦点が当てられていない。 最近の研究によると、脳波に基づくBCIは敵の攻撃を受けやすいため、微小で巧妙な乱れによる誤診を引き起こす可能性がある。 このような摂動に対するモデルロバスト性を評価することは、信頼性の高いデプロイメントを保証する上で重要である。 本研究では,脳波をベースとしたBCIにおいて,敵対的ロバスト性を調べるために,軽量なカスタム畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案手法は2つのEEGデータセットを用いて評価し,EEGに適した3つの新しいCNNモデル(EEGNet,DeepConvNet,SleepEEGNet)と比較した。 実験結果によると,提案モデルでは,ベースラインモデルと比較して,逆方向の摂動下での分類が良好であり,ロバスト性の向上が示唆された。 これらの知見は、敵対的条件下での脳波ベースのBCIシステムの信頼性を高めるための軽量アーキテクチャの可能性を強調した。

関連論文リスト

• A Multi-dimensional Framework for Evaluating Generalization in EEG Foundation Models [48.385356148620815]
  最近のEEGファンデーションモデルは、タスクとデータセット間で有望な転送機能を示している。 低リソース環境下での脳波モデル評価のための多次元評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-27T14:51:54Z)
• EEG Emotion Classification Using an Enhanced Transformer-CNN-BiLSTM Architecture with Dual Attention Mechanisms [0.0]
  本研究では,ハイブリッドなディープラーニングアーキテクチャが脳波データの感情分類性能とロバスト性を向上させるかを検討する。 本稿では, 畳み込み特徴抽出, 双方向時間モデル, 自己保持機構と正規化戦略を組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2026-02-06T06:05:53Z)
• Meta-cognitive Multi-scale Hierarchical Reasoning for Motor Imagery Decoding [43.32839547082765]
  本研究では,4クラス脳波(EEG)信号の階層的,メタ認知的デコードフレームワークについて検討する。 バックボーンの特徴を時間的マルチスケール表現に再構成するマルチスケール階層型信号処理モジュールを提案する。 我々は,このフレームワークを3つの標準脳波バックボーン上でインスタンス化し,BCIコンペティションIV-2aデータセットを用いて4クラスMIデコーディングを評価する。
  論文  参考訳（メタデータ） (2025-11-11T06:32:23Z)
• 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)
• Latent Alignment with Deep Set EEG Decoders [44.128689862889715]
  本稿では,脳波伝達学習大会のベンチマークで優勝した潜在アライメント手法を紹介する。 我々は,その定式化を,与えられた被験者の試行セットに適用したディープセットとして提示する。 実験の結果,深層学習モデルにおける後段の統計的分布アライメントの実行は,分類精度に有益であることが示唆された。
  論文  参考訳（メタデータ） (2023-11-29T12:40:45Z)
• Enhancing Low-Density EEG-Based Brain-Computer Interfaces with Similarity-Keeping Knowledge Distillation [0.966840768820136]
  低密度脳波モンタージュの電極数減少と頭皮領域の被覆のため、脳波復号性能の低下は避けられないことが多い。 本稿では,ニューラルネットワークモデル間の知識/情報伝達のための学習機構である知識蒸留(KD)を紹介する。 入力された脳波データに対して電極数が減少すると,運動画像脳波復号精度が常に向上する。
  論文  参考訳（メタデータ） (2022-12-06T21:22:02Z)
• 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)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• ECG-ATK-GAN: Robustness against Adversarial Attacks on ECG using Conditional Generative Adversarial Networks [12.833916980261368]
  ディープニューラルネットワーク(DNN)は、ECG信号を誤分類できる敵攻撃に対して脆弱である。 本稿では,敵の攻撃したECG信号に対して頑健な条件付き生成逆数ネットワーク(GAN)を提案する。
  論文  参考訳（メタデータ） (2021-10-17T08:44:17Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• 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。