NeuroShield: A Device-Agnostic Foundation Model for EEG Authentication

Technische Zusammenfassung: NeuroShield: Ein geräteagnostisches Foundation-Modell für die EEG-Authentifizierung

Problemstellung
Aktuelle EEG-Authentifizierungssysteme stehen vor einer grundlegenden Einschränkung: Sie sind eng an spezifische Erfassungseinstellungen gekoppelt, einschließlich fester Headset-Hardware, Kanal-Layouts und Signal-Dauern. Bestehende Modelle setzen typischerweise einen vordefinierten Kanalsatz, eine stabile Kanalkennfolge und feste Zeitfenster voraus. Infolgedessen führen Variationen in der Hardware (z. B. unterschiedliche Elektrodenanzahl oder -platzierung) oder in den Aufzeichnungsprotokollen (z. B. variierende Signallängen) dazu, dass diese Modelle ohne erneutes Training nicht anwendbar sind. Diese Fragmentierung zwingt Forscher dazu, jedes neue Datensatz- oder Headset-Szenario als ein separates Modellierungsproblem zu behandeln, was den Wissenstransfer behindert, das Lernen über mehrere Datensätze hinweg einschränkt und die Wiederverwendbarkeit von Modellen reduziert. Das Feld stützt sich derzeit auf datensatzspezifische Pipelines statt auf wiederverwendbare Encoder, die Wissen über heterogene Aufzeichnungsbedingungen hinweg akkumulieren können.

Methodik: NeuroShield-Architektur
Um diese Einschränkungen zu adressieren, führen die Autoren NeuroShield ein, ein Foundation-Modell, das darauf ausgelegt ist, identitätsdiskriminative Embeddings aus variablen Kanal- und variablen Längen-EEG-Aufzeichnungen zu lernen. Die zentrale Innovation ist eine duale Transformer-Architektur, welche die zeitliche Modellierung von der räumlichen Aggregation entkoppelt und so flexible Eingaben ermöglicht.

1. Input-Repräsentation: EEG-Segmente werden als $S \in \mathbb{R}^{C \times T}$ dargestellt, wobei $C$ die Anzahl der verfügbaren Kanäle und $T$ die Anzahl der zeitlichen Samples ist. Das Modell unterstützt Variationen sowohl in $C$ als auch in $T$.
2. Temporales Patching & Encoding:
   • Die Wellenform jedes Kanals wird in fest vorgegebene zeitliche Patches unterteilt.
   • Ein Patch Encoder bildet diese rohen Signalfragmente in einen gemeinsamen latenten Raum ab.
   • Ein Temporaler Transformer verarbeitet die Sequenz der Patch-Token für jeden Kanal unabhängig. Er nutzt ALiBi (Attention with Linear Biases), um relative Positionsinformationen zu kodieren, was es dem Modell ermöglicht, variable Sequenzlängen zu handhaben und auf längere Dauern zu extrapolieren, als während des Trainings gesehen wurden. Ein temporaler Klassifikations-Token (CLS) wird für jeden Kanal extrahiert, um dessen zeitliche Merkmale zusammenzufassen.
3. Räumliche Aggregation:
   • Die Channel-Level-Embeddings werden mittels eines Channel Transformers aggregiert.
   • Entscheidend ist, dass diese Phase geometrie-bewusste Positions-Embeddings einbezieht, die aus den 3D-Koordinaten der Elektroden abgeleitet werden. Dies ermöglicht es dem Modell, räumliche Beziehungen zwischen Elektroden zu verstehen, ohne eine feste Kanalkennfolge oder ein festes Layout vorauszusetzen.
   • Ein Channel-CLS-Token fasst die finale Segment-Repräsentation zusammen.
4. Trainingsziel: Das Modell wird mittels Supervised Contrastive Loss (SupConLoss) trainiert. Dieses Ziel bewirkt, dass Embeddings desselben Subjekts eng beieinander gruppiert werden, während Embeddings verschiedener Subjekte voneinander wegdrängt, wodurch der metrische Raum für die Authentifizierung optimiert wird.

Experimentelles Protokoll

• Pretraining: NeuroShield wurde auf drei großen öffentlichen Datensätzen (TUH-EEG, DVS-rsEEG, PREDICT) mit insgesamt 15.762 Probanden und 28.116 Sitzungen vortrainiert. Diese Datensätze decken mehrere Kanal-Layouts (17–64 Kanäle) und Erfassungssysteme ab.
• Evaluierung: Das Modell wurde auf zwei ungesehenen Downstream-Datensätzen evaluiert: PEERS (345 Probanden, 89 Kanäle, medizinische Qualität) und FRC-EEG (30 Probanden, 14 Kanäle, Consumer-Grade Emotiv Epoc X).
• Baselines: Der Vergleich erfolgte gegen das Training der Architektur von Grund auf (NS-Scratch) sowie gegen eine reproduzierte State-of-the-Art-Baseline (Fallahi et al., 2026), die einen ResNet1D-Encoder mit festen Eingaben verwendet.
• Einstellungen: Die Evaluierungen umfassten Zero-Shot Transfer (kein Fine-Tuning), Full Fine-Tuning (NS-FullFT), Partial Fine-Tuning (NS-LastFT) und Parameter-effizientes Fine-Tuning (NS-PEFT).

Wichtigste Ergebnisse

• Leistungssteigerung: Nach dem Fine-Tuning übertraf NeuroShield die State-of-the-Art-Baseline konsistent. Auf dem PEERS-Datensatz reduzierte es die Equal Error Rate (EER) von 10,25 % auf 7,71 % (ein Gewinn von 2,54 Prozentpunkten). Auf FRC-EEG reduzierte es die EER von 18,18 % auf 14,75 %.
• Zero-Shot-Fähigkeit: Das vortrainierte Modell zeigte übertragbare Identitätsinformationen in Zero-Shot-Szenarien und erreichte EERs signifikant unter dem Zufallsniveau (z. B. 16,79 % auf PEERS) ohne Updates am Ziel-Datensatz, obwohl für eine wettbewerbsfähige Leistung ein Fine-Tuning erforderlich war.
• Temporale Flexibilität: Das Modell konnte erfolgreich auf Eingabedauern generalisieren, die länger waren als die während des Trainings gesehenen (bis zu 4,0 Sekunden gegenüber einem 2,0-Sekunden-Training-Limit). Die Leistung verbesserte sich mit zunehmendem temporalem Kontext, wobei das 4-Sekunden-PEERS-Ergebnis (5,47 % EER) die bisherigen State-of-the-Art-Ergebnisse übertraf.
• Räumliche Flexibilität & Robustheit:
  • Das Modell arbeitet effektiv über verschiedene Kanal-Layouts hinweg und ist nicht auf eine feste Kanalkennfolge angewiesen; die Leistung blieb unter Kanal-Permutationen stabil.
  • Es zeigte sich robust gegenüber fehlenden Kanälen und tolerierte einen Verlust von bis zu 10–30 % der Kanäle bei der Verifikation mit nur gradueller Leistungsdegradation.
  • Es generalisierte erfolgreich auf völlig ungesehene Elektrodenpositionen (Kanäle, die im Training nicht vorhanden waren), ohne dass ein signifikanter statistischer Unterschied in der Leistung im Vergleich zu gesehenen Kanälen auftrat.
• Datenzusammensetzung: Analysen ergaben, dass die Multi-Session-Diversität in den Trainingsdaten wertvoller ist als die bloße Erhöhung der Anzahl von Single-Session-Samples, um stabile Probanden-Repräsentationen zu lernen.

Bedeutung und Ansprüche
Das Paper behauptet, dass NeuroShield ein neues Paradigma für die EEG-Authentifizierung etabliert, indem es von isolierten, datensatzspezifischen Modellen zu einem wiederverwendbaren, adaptierbaren Foundation-Modell übergeht. Die Bedeutung liegt in:

1. Durchbrechen von Hardware-Abhängigkeiten: Es ermöglicht die Authentifizierung über heterogene Aufzeichnungsszenarien hinweg (verschiedene Headsets, Kanalanzahlen und Layouts), ohne dass für jedes Setup eine separate Modellentwicklung erforderlich ist.
2. Wissensakkumulation: Es demonstriert, dass identitätsdiskriminative Merkmale über diverse Datensätze hinweg gelernt und auf ungesehene Geräte übertragen werden können, was die Akkumulation von Wissen über Studien hinweg unterstützt.
3. Praktische Implementierung: Durch die Toleranz gegenüber variablen Signaldauern und fehlenden Kanälen adressiert NeuroShield reale Herausforderungen der praktischen Anwendung, bei denen die Aufzeichnungsbedingungen selten statisch oder perfekt sind.
4. Open Science: Die Autoren stellen das Modell und die Evaluierungs-Pipeline als Open Source zur Verfügung, um die Reproduzierbarkeit und die gemeinschaftliche Nutzung zu fördern.

Die Autoren kommen zu dem Schluss, dass NeuroShield zwar die Fehlerraten im Vergleich zum Stand der Technik senkt, jedoch weitere Arbeit notwendig ist, um die Reife etablierter biometrischer Modalitäten wie der Gesichtserkennung zu erreichen. Sie deuten an, dass zukünftige Verbesserungen aus größeren Pretraining-Korpora, längeren kontinuierlichen Segmenten und vielfältigeren Bewertungen von Consumer-Grade-Geräten resultieren könnten.