Victoria University

一项新研究提出一种混合马尔可夫链-空间统计（MCSS）机器学习框架，用于运动想象脑电信号的分类。该框架在BCI Competition III数据集IVa和IVb上，结合支持向量机对所有受试者取得高于98%的分类准确率，并通过将信号离散化为符号状态、构建转移概率矩阵，使原始神经波形难以被重建，从而保护隐私。研究还验证了对抗性成员推断攻击接近随机水平，特征反演攻击的重建相似度较低。

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。