该研究提出DSNet，一种深度去噪结构保持神经编码网络，可对隐私保护的编码EEG表征进行分类而无需解密。研究以共空间模式（CSP）提取EEG特征并转换为保留统计结构的不可逆神经编码，其中编码指为隐私保护设计的不可逆神经变换而非形式上的密码学保证；两种深度学习架构（前馈NN与循环RNN）在编码特征空间中进行分类评估。在公开数据集上，DSNet-NN对每个受试者取得超过87%的准确率，优于RNN变体与基线模型，并对模拟隐私攻击具有韧性；研究还整合GPT-4基于模型输出生成临床风格摘要，增强临床审阅的可解释性。作者认为，该工作为脑机接口的隐私保护分类与临床辅助应用提供了可行方案。
