ManiBCI：通过频率变换实现隐蔽且鲁棒的后门攻击以操纵 EEG BCI

基于摘要分析。该研究针对基于深度学习的 EEG BCI 的后门攻击风险，提出 ManiBCI，旨在通过干净标签数据投毒，使攻击者能够指定系统误分类的目标类别。作者称，该方法无需参与目标模型的训练阶段，并试图克服既有 EEG 攻击主要面向单一目标类别或隐蔽性不足的限制。 机制分为三个阶段：为每个类别选择一个触发器；通过强化学习，为各触发器学习用于注入的 EEG 电极选择与频率掩码；按学习到的掩码，对数据与触发器的频谱幅值进行线性插值，将对应触发器的频率成分注入投毒数据。其主要方法特点是将类别相关触发器与电极、频率选择结合，在频域中构造扰动，而非仅使用固定的单目标触发模式。摘要未提供强化学习的状态、动作和奖励定义，也未说明频谱处理与信号重建细节。 作者报告，在三个 EEG 数据集上的实验显示 ManiBCI 具有有效性和鲁棒性，并能绕过现有后门防御。摘要未给出数据集名称、任务、被试数量、被试内或跨被试划分、目标模型、攻击成功率、正常样本性能及防御基线，因此无法据此判断效果幅度或比较不同协议下的结果。“隐蔽”与“鲁棒”的具体指标和扰动条件也尚未验证。 复现与安全评估需核对攻击者对训练数据的访问和修改权限，以及“无需参与训练阶段”与训练数据投毒之间的威胁模型边界；还需检查投毒比例、标签保持方式、触发器来源、正常任务性能变化及防御评估条件。实验协议、消融及统计信息尚未验证。摘要称代码将在匿名期结束后发布，当前材料无法确认其发布状态。该研究直接面向 EEG BCI 安全，不能将攻击结果解释为解码性能提升。