面向隐私保护脑机接口的联邦运动想象分类

基于摘要分析。该研究针对 EEG 运动想象（MI）分类需要汇集多用户数据、同时又需保护用户数据隐私的问题，提出联邦学习方法 FedBS（Federated classification with local Batch-specific batch normalization and Sharpness-aware minimization），以协同训练方式兼顾分类性能与隐私保护。 方法包含两个核心机制：在客户端使用本地 batch-specific batch normalization，以减轻不同客户端间的数据分布差异；在本地训练中采用 sharpness-aware minimization 优化器，以改善模型泛化。其方法价值在于将分布差异处理与本地优化策略结合，而不只是把分类模型移入联邦学习框架。摘要未提供归一化统计量的具体计算与使用方式、模型聚合流程或优化超参数，相关实现尚未验证。 作者报告，在三个公开 MI 数据集、三种常用深度学习模型上的实验中，FedBS 优于六种被比较的先进联邦学习方法，并且优于集中式训练。摘要未给出数据集及模型名称、具体指标与数值，也未交代被试内、跨被试或跨会话协议，因此这一结论目前只能限定在作者所述实验范围内，不能据此判断提升幅度或不同协议下的适用性。 复现时需核对客户端如何对应用户、数据划分与预处理方式、各方法的训练预算，以及两项机制的独立贡献。对于隐私，作者将 FedBS 定位为保护用户 EEG 数据的方案，但摘要未说明威胁模型、参数或统计量的共享范围，以及是否提供额外隐私机制或攻击评估；联邦训练形式本身不等同于已验证的隐私保证。实验协议、消融及统计信息尚未验证。