同时保护基于 EEG 的脑机接口中的多类隐私

基于摘要分析。该研究关注 EEG-based BCI 中主要任务所需信号与个人隐私信息共存的问题，提出通过扰动将原始 EEG 转换为隐私保护 EEG，同时隐藏用户身份、性别和 BCI 使用经验，并保留主要 BCI 任务的分类性能。 核心机制是对 EEG 数据进行扰动，而非仅限制数据访问。研究目标包含两方面：降低多类私人属性的可推断性，以及维持主要任务的可用性。摘要未说明扰动的构造方式、优化目标、训练与推理流程，也未明确主要 BCI 任务的类型，因此尚不能判断该方法如何区分任务相关信息与隐私相关信息，或是否依赖隐私标签和特定分类器。 作者报告，实验中用户身份、性别和 BCI 使用经验能够从 EEG 数据中被推断；应用扰动后，这三类隐私属性的分类 Accuracy 显著降低，而主要 BCI 任务的分类 Accuracy 几乎不受影响。摘要未提供具体数值、数据集、被试数量、数据划分或对照基线，实验协议、消融及统计信息尚未验证，不能据此量化隐私保护与任务性能之间的权衡。 复现与评估时需核对隐私分类器是否在扰动后数据上重新训练、保护效果能否抵抗不同攻击模型，以及主要任务和隐私任务各自的数据划分。隐私属性分类 Accuracy 的降低并不自动等同于对所有攻击的隐私保证；还需确认扰动是否可逆、是否能够跨被试或跨会话泛化，以及实现与数据是否可获取。这些均为待核对事项，而非对作者实验缺失的判断。