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

Sintesi Tecnica: Una Revisione Sistematica sulla Sicurezza, la Privacy e la Provenienza nelle Interfacce Cervello-Computer basate su EEG con un'Architettura di Riferimento basata su Blockchain

Definizione del Problema
I dati neurali generati dalle interfacce cervello-computer (BCI), in particolare quelle che utilizzano l'elettroencefalografia (EEG) per l'immaginazione motoria (motor imagery), presentano una sfida di sicurezza unica: a differenza delle password o dei modelli biometrici fisici, i pattern neurali non possono essere revocati se compromessi. Man mano che le BCI transitano dai laboratori controllati verso la riabilitazione clinica e le applicazioni consumer, la mancanza di un'analisi sistematica riguardante la sicurezza, la privacy e la provenienza di queste pipeline di dati pone rischi significi per la sicurezza del paziente e la conformità normativa.

La revisione identifica un divario critico: sebbene le architetture di deep learning (CNN, transformer, modelli federati) abbiano rivoluzionato la classificazione dell'immaginazione motoria, esse introducono superfici di attacco sostanziali. Queste includono la vulnerabilità alle perturbazioni avversarie che potrebbero trarre in inganno i classificatori che controllano le protesi, gli attacchi di inferenza dell'appartenenza (membership inference attacks) che espongono l'identità del partecipante e una dipendenza da dataset di benchmark pubblici (es. BCI Competition IV, PhysioNet) che mancano di garanzie di integrità crittografica, lasciandoli suscettibili a un avvelenamento dei dati (data poisoning) indetectabile. Nonostante l'idoneità teorica della blockchain per fornire una provenienza immutabile e verificabile, l'intersezione tra la tecnologia blockchain e i sistemi BCI basati su EEG ha ricevuto un'attenzione trascurabile.

Metodologia
Questo studio è una revisione sistematica conforme allo standard PRISMA 2020. Gli autori hanno registrato un protocollo su Open Science Framework (OSF) e hanno condotto una ricerca multi-database attraverso cinque fonti: IEEE Xplore, PubMed, Scopus, SciSpace e Google Scholar/arXiv.

• Ambito di Ricerca: La ricerca ha coperto la letteratura da gennaio 2017 a febbraio 2026, concentrandosi su compiti di immaginazione motoria in adulti sani o popolazioni cliniche (ictus, lesioni del midollo spinale, SLA).
• Criteri di Eleggibilità (PICOS): La revisione ha incluso studi che utilizzano metodi di deep learning (CNN, RNN, transformer, GNN) e/o meccanismi di blockchain/privacy applicati alle pipeline EEG-BCI. Sono stati esclusi i registrazioni invasive (ECoG), i paradigmi non motori (P300, SSVEP) e il machine learning tradizionale senza analisi della sicurezza.
• Processo di Selezione: Da un pool iniziale di 729 record, 678 record unici sono stati sottoposti a screening dopo la de-duplicazione. Dopo lo screening di titolo/abstract e la revisione del testo completo, sono stati selezionati 64 articoli di alta qualità per un'analisi approfondita.
• Valutazione della Qualità: È stato utilizzato uno strumento di valutazione critica JBI modificato per punteggiare gli studi su dieci criteri, inclusi la giustificazione del dataset, i metodi di validazione e la prevenzione dell'overfitting.

Contributi Chiave

1. Quantificazione del Gap di Provenienza: La revisione fornisce la prima quantificazione multi-database del gap di ricerca sulla blockchain nelle BCI. Solo 4 studi su 729 esaminati (<1%) hanno affrontato la provenienza basata su blockchain per i sistemi EEG-BCI. In particolare, la ricerca su IEEE Xplore (67 record) non ha restituito alcun risultato per implementazioni blockchain nell'immaginazione motoria BCI.
2. Caratterizzazione delle Vulnerabilità di Sicurezza: Gli autori hanno analizzato sistematicamente quattro classi di vulnerabilità di sicurezza introdotte dalle dominanti architetture di deep learning:
   • Vulnerabilità Avversaria: Suscettibilità di CNN e transformer a perturbazioni di input impercettibili che alterano le predizioni.
   • Rischi per la Privacy: Vulnerabilità agli attacchi di inferenza dell'appartenenza (MIA) e all'inversione del modello, dove gli avversari possono determinare l'appartenenza al set di addestramento o ricostruire attributi sensibili dai pesi del modello.
   • Avvelenamento dei Dati (Data Poisoning): La mancanza di integrità crittografica nei dataset pubblici permette attacchi alla catena di approvvigionamento in cui dati modificati corrompono silenziosamente i modelli a valle.
   • Rischi del Federated Learning: Sebbene il federated learning riduca l'esposizione dei dati grezzi, rimane vulnerabile agli attacchi di inversione del gradiente senza garanzie formali di privacy differenziale.
3. Architettura di Riferimento NeuroChain: Sulla base dei gap e delle vulnerabilità identificati, gli autori propongono un'architettura di riferimento concettuale denominata "NeuroChain". Questa architettura non è una specifica implementazione software, ma un insieme di requisiti di progettazione che includono:
   • Integrità nella fase di acquisizione: Ancoraggio tramite hash dei dati EEG grezzi prima del pre-processing per prevenire l'avvelenamento.
   • Generazione della Provenienza: Record firmati ad ogni transizione della pipeline.
   • Federazione che Preserva la Privacy: Integrazione della privacy differenziale formale nella fase di aggregazione per contrastare l'inversione del gradiente.
   • Consenso Controllato dal Paziente: Smart contract revocabili che permettono ai pazienti di auditare chi sta addestrando modelli sui loro dati.
   • Vincoli di Latenza: Archiviazione e inferenza off-chain per soddisfare il requisito di latenza <300 ms per il controllo BCI in tempo reale, ancorando sulla chain solo gli hash.

Risultati

• Tendenze di Pubblicazione: I 64 articoli analizzati sono stati pubblicati prevalentemente tra il 2021 e il 2025. Le sedi più comuni sono state IEEE TNSRE e il Journal of Neural Engineering.
• Performance Architetturali:
  • Within-Subject (Soggetto Unico): Modelli allo stato dell'arte come RNN-LSTM hanno raggiunto un'accuratezza fino al 98% su BCI IV-2a, mentre TCFormer ha raggiunto il 96,27% su HGD.
  • Cross-Subject/Session (Tra Soggetti/Sessioni): Le performance calano significamente negli scenari cross-subject (es. 51–89%), con EEGSym che mostra risultati cross-subject solidi (88,6±9,0%).
  • Qualità Metodologica: Problemi comuni includevano una giustificazione insufficiente della dimensione del campione (65%), mancanza di set di test indipendenti (38%) e assenza di reporting degli iperparametri (42%).
• Stato dell'Implementazione Blockchain: I quattro studi identificati sulla blockchain sono risultati concettualmente limitati. Nessuno ha affrontato specificamente l'immaginazione motoria, nessuno ha riportato l'impatto della latenza sulle prestazioni BCI e nessuno si è integrato con i principali framework BCI (es. MNE-Python, OpenViBe).

Significatività e Rivendicazioni
Il documento afferma che l'attuale panorama della ricerca sulle BCI basate su EEG è caratterizzato da un "squilibrio quantitativo netto" tra la proliferazione delle architetture di deep learning e la quasi totale assenza di meccanismi di provenienza e sicurezza. Gli autori sostengono che il gap identificato non è un artefatto della selezione del database, ma una carenza reale dell'intero campo confermata da cinque fonti di indicizzazione indipendenti.

La significatività di questo lavoro risiede nella derivazione dell'architettura NeuroChain, che traduce i bisogni astratti di sicurezza in requisiti di progettazione concreti per i sistemi futuri. Gli autori sottolineano che la traduzione clinica per i sistemi BCI — in particolare per la neuroreabilitazione in pazienti con ictus e SLA — richiede di affrontare questi gap di sicurezza e privacy. Essi sostengono che senza log di audit immutabili, integrità crittografica dei dataset e consenso controllato dal paziente, l'implementazione delle BCI in ambienti critici per la sicurezza rimane prematura. La revisione conclude che la ricerca futura deve dare priorità alla valutazione della latenza in tempo reale dell'integrazione blockchain, alla robustezza avversaria certificata e allo sviluppo di registri di dataset protetti crittograficamente.