IEEE ICME 2024｜杭州电子科技大学脑机协同智能团队提出针对脑纹识别的对抗攻击新方法

主要观点总结

杭州电子科技大学孔万增教授团队在国际会议IEEE International Conference on Multimedia and Expo 2024上发布了最新的研究成果，提出了一种针对脑纹识别的基于时域和频域联合攻击的隐秘对抗性攻击方法（TFAttack）。该方法结合了小波变换在时频域转换中的优势，实现了更为隐秘且有效的对抗样本生成。研究背景中介绍了基于EEG的脑电图识别与深度学习模型在生物特征识别中的关注度和对抗攻击对脑电识别系统的影响。文章详细描述了TFAttack的研究概述、方法、实验分析、结论等。

关键观点总结

关键观点1: 研究背景

基于EEG的脑电图识别逐渐成为生物特征识别技术，深度学习模型在脑纹识别中取得先进性能。然而，最近研究表明，基于EEG的脑机接口对对抗攻击具有脆弱性，可能危及用户安全。

关键观点2: 研究目的

针对现有研究中对抗攻击对脑纹识别的潜在威胁，提出了一种基于时频域的不可察觉对抗攻击方法（TFAttack）用于脑纹识别。

关键观点3: 研究方法

TFAttack采用小波变换满足EEG信号在时间域和频率域之间的转换，并兼容反向传播。通过迭代优化时间域和频率域信号，生成强大且不可察觉的对抗样本。

关键观点4: 研究成果

实验结果表明，TFAttack在三个数据集和三种深度学习模型上达到了先进的攻击性能。所提出的方法在白盒和灰盒场景中实现了最先进的攻击性能，生成的对抗样本对人类视觉系统几乎不可察觉。

关键观点5: 研究展望

本研究揭示了深度学习模型在脑电识别系统中的脆弱性，未来工作将关注如何提高脑电识别系统的鲁棒性，并推动相关领域的研究发展。

文章预览

杭州电子科技大学脑机协同智能孔万增教授团队最新研究成果 Time-Frequency Jointed Imperceptible Adversarial Attack to Brainprint Recognition with Deep Learning Models 发表在国际会议 IEEE International Conference on Multimedia and Expo 2024 （CCF-B类会议oral）上。IEEE国际多媒体与博览会（ICME）是自2000年以来由IEEE四大协会联合主办的旗舰多媒体会议，旨在从研究和开发的角度促进多媒体技术、系统和应用领域最新进展的交流与分享。该论文提出了一种针对脑纹识别的基于时域和频域联合攻击的隐秘对抗性攻击方法（TFAttack），这种方法结合了小波变换在时频域转换中的优势，实现了更为隐秘且有效的对抗样本生成。 图 1 全文官方链接：https://doi.org/10.1109/ICME57554.2024.10688012 基于EEG的脑电图识别与深度学习模型在生物特征识别中受到了广泛关注。然而研究表明，使用EEG输入的深度学习模 ………………………………