针对深度学习脑纹识别的时频联合不可感知对抗攻击

基于摘要分析。本文研究基于 EEG 的深度学习脑纹识别在生物身份识别中的对抗攻击风险，提出利用小波变换联合攻击时域与频域 EEG 信号的方法，旨在兼顾攻击效果与扰动的不可感知性。 核心机制是将时域与频域攻击结合。作者认为，相比主要针对时域 EEG 的既有方法，时域攻击可提供较强的攻击能力，频域攻击则有利于降低扰动的可察觉程度，二者联合能够改善攻击效果与不可感知性之间的平衡。摘要未给出小波类型、扰动约束、优化目标、时频联合方式或具体攻击流程，这些实现细节尚未验证。 作者报告，在白盒与灰盒场景下，针对三个数据集和三个深度学习模型开展的实验取得了最先进的攻击表现，同时被攻击信号中的扰动对人类视觉系统几乎不可察觉。摘要未提供数据集与模型名称、被试数量、数据划分、灰盒可访问的信息、对照方法、攻击指标或具体数值，因此无法据此比较不同协议下的效果。实验协议、消融及统计信息尚未验证。 该工作的直接研究对象是 EEG 脑纹身份识别，而非运动想象等 BCI 控制任务。视觉上难以察觉并不等同于扰动不会影响 EEG 生理特征或下游任务。阅读全文时需核对不可感知性的定义与评估方式、扰动对时频特征的影响，以及攻击在不同模型和数据条件下的适用范围；摘要结论不能直接外推为其他 EEG/BCI 任务上的攻击有效性。复现还需取得具体模型、数据处理与划分、攻击参数及评估流程，代码可用性尚未验证。