A Systematic Review of Security Privacy and Provenance in EEG-Based Brain-Computer Interfaces with a Blockchain-Based Reference Architecture

Resumen Técnico: Una Revisión Sistemática de la Seguridad, Privacidad y Procedencia en las Interfaces Cerebro-Computadora Basadas en EEG con una Arquitectura de Referencia Basada en Blockchain

Planteamiento del Problema
Los datos neuronales generados por las Interfaces Cerebro-Computadora (BCI), particularmente aquellas que utilizan electroencefalografía (EEG) para la imaginería motora, presentan un desafío de seguridad único: a diferencia de las contraseñas o las plantillas biométricas físicas, los patrones neurales no pueden ser revocados si se ven comprometidos. A medida que las BCI transicionan de los laboratorios controlados hacia la rehabilitación clínica y las aplicaciones de consumo, la falta de un análisis sistemático respecto a la seguridad, privacidad y procedencia de estos flujos de datos plantea riesgos significivos para la seguridad del paciente y el cumplimiento normativo.

La revisión identifica una brecha crítica: si bien las arquitecturas de aprendizaje profundo (CNN, transformadores, modelos federados) han revolucionado la clasificación de la imaginería motora, estas introducen superficies de seguridad sustanciales. Estas incluyen la vulnerabilidad a perturbaciones adversarias que podrían engañar a los clasificadores que controlan prótesis, ataques de inferencia de membresía que exponen la identidad del participante, y una dependencia de conjuntos de datos de referencia públicos (p. ej., BCI Competition IV, PhysioNet) que carecen de garantías de integridad criptográfica, dejándolos susceptibles a un envenenamiento de datos indetectable. A pesar de la idoneidad teórica de blockchain para proporcionar una procedencia inmutable y auditable, la intersección de la tecnología blockchain y los sistemas BCI basados en EEG ha recibido una atención insignificante.

Metodología
Este estudio es una revisión sistemática que cumple con la normativa PRISMA 2020. Los autores registraron un protocolo en el Open Science Framework (OSF) y realizaron una búsqueda en múltiples bases de datos a través de cinco fuentes: IEEE Xplore, PubMed, Scopus, SciSpace y Google Scholar/arXiv.

• Alcance de la búsqueda: La búsqueda cubrió literatura desde enero de 2017 hasta febrero de 2026, centrándose en tareas de imaginería motora en adultos sanos o poblaciones clínicas (ictus, lesión de la médula espinal, ELA).
• Criterios de elegibilidad (PICOS): La revisión incluyó estudios que utilizaban métodos de aprendizaje profundo (CNN, RNN, transformadores, GNN) y/o mecanismos de blockchain/privacidad aplicados a los flujos de trabajo de EEG-BCI. Se excluyeron registros invasivos (ECoG), paradigmas no motores (P300, SSVEP) y aprendizaje automático tradicional sin análisis de seguridad.
• Proceso de selección: De un grupo inicial de 729 registros, se seleccionaron 678 registros únicos tras la deduplicación. Tras el cribado de título/resumen y la revisión de texto completo, se seleccionaron 64 artículos de alta calidad para un análisis profundo.
• Evaluación de la calidad: Se utilizó una herramienta de evaluación crítica JBI modificada para calificar los estudios en diez criterios, incluyendo la justificación del conjunto de datos, los métodos de validación y la prevención del sobreajuste.

Contribuciones Clave

1. Cuantificación de la Brecha de Procedencia: La revisión proporciona la primera cuantificación multi-base de datos de la brecha de investigación de blockchain en BCI. Solo 4 de los 729 artículos revisados (<1%) abordaron la procedencia basada en blockchain para sistemas EEG-BCI. Notablemente, la búsqueda en IEEE Xplore (67 registros) devolvió cero resultados para implementaciones de blockchain en imaginería motora BCI.
2. Caracterización de Vulnerabilidades de Seguridad: Los autores analizaron sistemáticamente cuatro clases de vulnerabilidades de seguridad introducidas por las arquitecturas dominantes de aprendizaje profundo:
   • Vulnerabilidad Adversaria: Susceptibilidad de las CNN y los transformadores a perturbaciones de entrada imperceptibles que alteran las predicciones.
   • Riesgos de Privacidad: Vulnerabilidad a los Ataques de Inferencia de Membresía (MIA) y la inversión de modelos, donde los adversarios pueden determinar la pertenencia al conjunto de entrenamiento o reconstruir atributos sensibles a partir de los pesos del modelo.
   • Envenenamiento de Datos: La falta de integridad criptográfica en los conjuntos de datos públicos permite ataques de la cadena de suministro donde datos modificados corrompen silenciosamente los modelos derivados.
   • Riesgos de Aprendizaje Federado: Aunque el aprendizaje federado reduce la exposición de los datos brutos, sigue siendo vulnerable a ataques de inversión de gradiente sin garantías formales de privacidad diferencial.
3. Arquitectura de Referencia NeuroChain: Basándose en las brechas y vulnerabilidades identificadas, los autores proponen una arquitectura de referencia conceptual denominada "NeuroChain". Esta arquitectura no es una implementación de software específica, sino un conjunto de requisitos de diseño que incluyen:
   • Integridad en la etapa de adquisición: Anclaje de hash de los datos de EEG brutos antes del preprocesamiento para prevenir el envenenamiento.
   • Generación de Procedencia: Registros firmados en cada transición del flujo de trabajo.
   • Federación de Preservación de la Privacidad: Integración de privacidad diferencial formal en el paso de agregación para contrarrestar la inversión de gradiente.
   • Consentimiento Controlado por el Paciente: Contratos inteligentes revocables que permiten a los pacientes auditar quién ha entrenado modelos con sus datos.
   • Restricciones de Latencia: Almacenamiento e inferencia fuera de la cadena (off-chain) para cumplir con el requisito de latencia de <300 ms para el control BCI en tiempo real, anclando únicamente los hashes en la cadena (on-chain).

Resultados

• Tendencias de Publicación: Los 64 artículos analizados fueron publicados predominantemente entre 2021 y 2025. Los entornos más comunes fueron IEEE TNSRE y el Journal of Neural Engineering.
• Desempeño Arquitectónico:
  • Intra-sujeto: Modelos de vanguardia como RNN-LSTM alcanzaron hasta un 98% de precisión en BCI IV-2a, mientras que TCFormer alcanzó un 96.27% en HGD.
  • Inter-sujeto/Sesión: El desempeño cae significamente en escenarios inter-sujeto (p. ej., 51–89%), con EEGSym mostrando resultados inter-sujeto sólidos (88.6±9.0%).
  • Calidad Metodológica: Los problemas comunes incluyeron justificación insuficiente del tamaño de la muestra (65%), falta de conjuntos de prueba independientes (38%) y omisión de reporte de hiperparámetros (42%).
• Estado de Implementación de Blockchain: Los cuatro estudios identificados de blockchain se encontraron conceptualmente limitados. Ninguno abordó específicamente la imaginería motora, ninguno reportó el impacto de la latencia en el desempeño de la BCI y ninguno se integró con marcos de trabajo BCI convencionales (p. ej., MNE-Python, OpenViBE).

Significancia y Reivindicaciones
El artículo afirma que el panorama actual de la investigación de BCI basada en EEG está caracterizado por un "desequilibrio cuantitativo marcado" entre la proliferación de arquitectas de aprendizaje profundo y la casi total ausencia de mecanismos de procedencia y seguridad. Los autores sostienen que la brecha identificada no es un artefacto de la selección de la base de datos, sino una deficiencia genuina en todo el campo confirmada a través de cinco fuentes de indexación independientes.

La importancia de este trabajo reside en su derivación de la arquitectura NeuroChain, que traduce las necesidades abstractas de seguridad en requisitos de diseño concretos para futuros sistemas. Los autores enfatizan que lograr la traslación clínica para los sistemas BCI —particularmente para la neurorrehabilitación en pacientes con ictus y ELA— requiere abordar estas brechas de seguridad y privacidad. Argumentan que sin registros de auditoría inmutables, integridad criptográfica de los conjuntos de datos y consentimiento controlado por el paciente, el despliegue de las BCI en entornos de seguridad crítica sigue siendo prematuro. La revisión concluye que la investigación futura debe priorizar la evaluación de la latencia en tiempo real de la integración de blockchain, la robustez adversaria certificada y el desarrollo de registros de conjuntos de datos asegurados criptográficamente.