用于 EEG-based BCI 用户身份保护的用户级扰动

基于摘要分析。该研究关注 EEG 在承载 BCI 任务信息的同时泄露用户身份的问题，提出向 EEG 训练数据添加用户级扰动，使身份信息难以被模型学习，同时保留主任务信息。作者报告，该策略能够隐藏用户身份信息而不影响主要 BCI 任务信息；这一结论的具体适用范围尚需结合全文实验协议核对。 方法包含四类隐私保护扰动：随机噪声、合成噪声、误差最小化噪声和误差最大化噪声。其核心思路是在训练数据层面干预身份相关信息的可学习性，而非仅追求更高的 BCI 分类性能。摘要未说明用户级扰动如何生成、如何施加到各用户的样本，以及误差最小化与最大化所对应的目标模型、损失和约束，这些机制细节尚未验证。作者声称首次通过用户级扰动使 EEG 身份信息不可学习，该优先性声明尚未独立检索确认。 作者报告，在六个 EEG 数据集上，使用三种神经网络分类器及多种传统机器学习模型进行实验，结果支持所提扰动的稳健性与实用性。摘要未提供数据集名称、BCI 任务类型、被试数量、数据划分、对照基线或具体指标，因此无法量化身份识别性能下降与主任务效用保持之间的权衡，也不能判断结论适用于何种被试内、跨被试或跨会话协议。 复现时需核对扰动生成所需的数据与身份标签、训练与测试阶段的扰动使用方式，以及身份攻击者是否了解扰动机制、能否重新训练或适应。摘要中的“不可学习”不宜直接理解为对任意攻击者的隐私保证；其他隐私属性也不在当前结果的明确验证范围内。实验协议、消融及统计信息尚未验证，代码和复现资源亦未由所给材料确认。