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认证中的对抗攻击脆弱性，提出利用小波变换联合攻击时域与频域 EEG 信号的方法，旨在兼顾攻击性能与扰动的不可感知性。主要研究对象是脑纹身份识别，而非运动想象等 BCI 控制任务。 机制方面，作者将该方法与主要针对时域 EEG 的既有攻击区分开来：时域攻击用于提供较强的对抗作用，频域攻击用于改善扰动的不可感知性，小波变换承担联合时频攻击的技术基础。摘要未说明具体扰动生成流程、优化目标、损失形式、小波配置及扰动预算，尚不能据此确定两类扰动如何协调优化。 结果方面，作者报告在白盒与灰盒场景下，对三个数据集和三个深度学习模型开展实验，并取得其所称的最先进攻击性能，同时扰动在人类视觉系统下几乎不可察觉。摘要未提供数据集与模型名称、被试数量、数据划分、攻击指标、数值结果或对照基线，因此这些结论目前只能保留为作者报告，不能据此比较不同识别协议下的攻击效果。 阅读与复现时需核对灰盒攻击可获得的信息、被试与会话划分、扰动约束及不可感知性的评价方式；尤其应区分视觉上不明显与不改变 EEG 生理特征或下游用途，两者不能等同。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。摘要中的证据限于脑纹识别，不能直接推广为其他 EEG/BCI 任务的攻击有效性。