ID-RemovalNet：用于 EEG 隐私保护并增强解码任务的身份移除网络

基于摘要分析。该研究针对 EEG 同时包含任务信息与个人身份信息、隐私保护可能损害解码性能的问题，提出 ID-RemovalNet，旨在移除身份特征的同时保留并增强任务解码特征。 方法由三个模块构成：身份去相关分离模块用于去除身份特征并减少对任务特征的干扰；多域多层级融合特征提取模块用于提取 EEG 时频特征；特征增强模块用于补偿身份移除过程中损失的任务特征，并促进主导特征选择。摘要将生成式方法与添加微小扰动的方法作为既有路线，本文的主要思路则是结合身份特征分离与任务特征补偿。具体网络结构、去相关约束、损失函数、训练监督及推理流程尚未验证。 作者报告，在涵盖两种范式的四个 EEG 数据集上，身份信息被移除至 0.43%，任务解码 Accuracy 提升 3.28%，并在 Cross-subject EEG 实验中达到作者所称的最先进性能。摘要未说明 0.43% 对应身份识别 Accuracy、信息残留比例还是其他指标，也未明确 3.28% 是相对提升还是百分点差值，因此不能进一步解释其隐私强度或提升幅度。数据集名称、范式、被试数、划分方式、对照基线及上述数字的汇总方式尚未验证。 阅读全文时，应重点核对身份评估与任务评估是否使用独立测试数据、身份攻击者的能力与训练条件，以及身份去相关和特征增强模块各自的贡献。身份识别表现下降不直接等同于对不同攻击方式均有效的隐私保障；摘要所述结果仍需结合威胁模型、实验协议、消融及统计信息判断。代码、预处理流程与复现条件尚未验证。