硬件辅助的隐私保护多通道 EEG 计算头戴设备

基于摘要分析。研究针对云端处理 EEG 时原始信号可能暴露心理状态、认知过程与健康信息的问题，提出将神经网络按层切分，仅向云端发送中间输出，并以 Combined Privacy Metric（CPM）量化原始 EEG 与中间输出之间的隐私泄漏。研究的主要任务是 EEG 癫痫发作检测，而非 BCI 控制或运动想象解码。 方法采用 1D CNN，并比较不同切分位置，以权衡隐私保护与计算效率。作者报告，在该癫痫发作检测任务中 Accuracy 为 96.25%；但摘要未说明数据集、被试规模、数据划分，以及该结果对应的具体切分配置，因此不能将其解释为跨被试或跨会话性能。作者报告，在第二个卷积层之后切分时，CPM 为 0.82，客户端模型大小为 509kB。CPM 的组成、取值方向与标定方式尚未验证，不能将这一数值换算成隐私保护百分比；模型大小也不能直接代表运行内存、延迟或能耗。 其可核对的研究价值在于将 EEG 中间表示的隐私评估与端云计算分工共同考察，而非仅以任务性能评估切分方案。复现需核对 CPM 定义、隐私攻击者能力、中间表示的重建或敏感属性推断评估、硬件实现及通信成本。实验协议、消融及统计信息尚未验证，标题中的硬件辅助机制也无法仅凭摘要确认。 平台推测（待验证）：该切分思路可能适用于需要云端推理的 EEG/BCI 系统，但假设是中间表示能保留任务信息并减少敏感信息暴露；癫痫检测结果不等于 BCI 有效性。可复用切分与泄漏评估框架，任务模型及评估数据需重新适配。低信噪比、跨被试差异、通道变化与小数据可能同时影响解码和泄漏估计。一个可检验的小实验是在固定 EEG 任务及被试划分下比较原始信号上传与不同切分点，联合测量任务 Accuracy、重建或敏感属性推断能力及端侧开销。已有相关 EEG 工作尚未检索确认。