华中科技大学伍冬睿教授团队提出FedBS：一种基于联邦学习的运动想象隐私保护分类方法

主要观点总结

本文主要介绍了脑机接口（BCI）技术，特别是基于脑电图（EEG）的运动想象（MI）分类。文章聚焦于保护隐私的联邦学习（FL）在BCI中的应用，提出一种名为FedBS的算法，旨在提高解码精度并保护用户隐私。实验结果表明，FedBS的性能优于多种先进的FL方法和未考虑隐私保护的集中式训练方法。

关键观点总结

关键观点1: 脑机接口（BCI）技术简介

BCI是一种用于大脑与外部设备直接交互的技术，能够研究、辅助、增强或恢复人类的认知或感觉运动功能。本文关注基于EEG的MI分类，这是BCI中的经典范式之一。

关键观点2: 基于EEG的BCI存在的隐私风险

研究发现EEG数据可能泄露用户的私人信息，包括个人偏好、健康状况和精神状态等。因此，在BCI中保护用户隐私至关重要。

关键观点3: 联邦学习（FL）在BCI中的应用

FL是一种潜在的解决方案，通过在中央服务器和客户端之间进行模型训练，而无需共享EEG数据，从而保护用户隐私。本文介绍了FL在BCI中的系统架构和工作原理。

关键观点4: FedBS算法的介绍

FedBS通过引入本地特定批次归一化（batch-specific BN）和锐度感知最小化（SAM）优化器，减少了不同客户端之间的特征偏移，提高了模型的泛化能力。

关键观点5: 实验与结果

本文在三个MI公开数据集中进行了实验，对比了集中式训练（CT）与六种常用的FL方法。实验结果表明FedBS的性能优于其他方法，不仅有效保护了隐私，还提升了解码精度。

文章预览

脑机接口（Brain-Computer Interface，BCI）是一种用于大脑与外部设备（如计算机、机器人）直接交互的技术，能够研究、辅助、增强或恢复人类的认知或感觉运动功能。本文聚焦于基于脑电图（Electroencephalogram，EEG）的运动想象（Motor Imagery，MI）分类，这是BCI中的经典范式之一。MI通过想象身体某部位的运动而不实际操作，引发EEG信号中的能量分布变化。 要训练具有良好泛化能力的MI分类器，通常需要大量受试者的EEG数据。然而，研究发现基于EEG的BCI存在隐私风险，如EEG数据可能泄露用户的私人信息，包括个人偏好、健康状况和精神状态等。由于法律法规的要求和用户的隐私顾虑，BCI中的隐私保护机器学习变得至关重要。 联邦学习（Federated Learning，FL）是一种潜在的解决方案。用于隐私保护BCI的FL系统如图1所示：中央服务器（无法访问本地客户端的私人 ………………………………