PAT: Privacy-Preserving Adversarial Transfer for Accurate, Robust and Privacy-Preserving EEG Decoding

1. Probleemstelling

Brain-Computer Interfaces (BCI) op basis van elektro-encefalografie (EEG) beloven directe communicatie tussen hersenen en externe apparaten. In de praktijk worden deze systemen echter geconfronteerd met drie fundamentele uitdagingen die hun implementatie beperken:

1. Beperkte Decodingsnauwkeurigheid: EEG-signalen zijn niet-stationair en variëren sterk tussen gebruikers, sessies en apparatuur. Het verzamelen van grote, hoogwaardige datasets is tijdrovend, wat leidt tot slechte prestaties van machine learning-modellen in de doel-domeinen.
2. Gebrek aan Robuustheid: Bestaande EEG-decoderingsmodellen zijn kwetsbaar voor verstoringen, zowel voor willekeurige ruis als voor onzichtbare adversarial attacks (tegenaanvallen), wat de betrouwbaarheid in veiligheidskritieke scenario's ondermijnt.
3. Privacyrisico's: EEG-signalen bevatten gevoelige persoonlijke informatie (persoonlijkheid, cognitieve vaardigheden, emotionele toestanden). Het direct delen van ruwe data voor training schendt privacywetgeving (zoals de AVG en de Chinese wet op persoonsgegevens).

Bestaande oplossingen adresseren vaak slechts één van deze problemen. Bijvoorbeeld, transfer learning verbetert de nauwkeurigheid maar negeert privacy; adversarial training verbetert de robuustheid maar kan de nauwkeurigheid op schone data verlagen; en privacy-bevattende methoden (zoals federated learning) lossen privacy op maar missen vaak robuustheidsoptimalisatie. Er is een gebrek aan een geïntegreerde aanpak die alle drie de uitdagingen simultaan aanpakt.

2. Methodologie: PAT Framework

De auteurs stellen PAT (Privacy-Preserving Adversarial Transfer) voor, een unificerend trainingsframework dat data-alignment, adversarial training en privacy-bevattende transfer leert combineert in één pijplijn. PAT is ontworpen om te werken in drie verschillende privacy-scenario's zonder de onderliggende architectuur te veranderen:

1. Gecentraliseerde source-free transfer: Alleen een vooraf getraind model (op geaggregeerde brondata) is beschikbaar; de ruwe brondata is niet toegankelijk voor de doelgebruiker.
2. Federated source-free transfer: Brondata blijft lokaal bij verschillende gebruikers. Een globaal model wordt getraind via federated learning en dient als prior voor de doelgebruiker.
3. Transfer met privacy-bevattende brondata: De brondata wordt geperturbeerd (verstoord) zodat gebruikersidentiteit niet meer te herleiden is, maar de taakrelevante informatie (bijv. motorische intentie) behouden blijft.

De PAT-pijplijn bestaat uit de volgende stappen:

• Data Alignment (Euclidean Alignment - EA): De doel-calibratiegegevens worden gewit en uitgelijnd met de bronverdeling om de distributiedrift tussen gebruikers te verminderen.
• Data Augmentation: De gealigneerde doeldata wordt verrijkt door de amplitude van EEG-trials met een kleine factor te schalen, wat de diversiteit van de trainingsset vergroot.
• Adversarial Transfer Training:
  • Het model wordt getraind op de gealigneerde en verrijkte doeldata.
  • Er wordt gebruikgemaakt van Adversarial Training (via Projected Gradient Descent - PGD) om het model robuust te maken tegen aanvallen.
  • Source Prior Guidance: Afhankelijk van het scenario wordt het trainingsdoel gestuurd door ofwel een bronmodel (voor fine-tuning) of door de privacy-bevattende brondata (voor gezamenlijke training). Dit zorgt ervoor dat het model kennis overneemt van de bron zonder de privacy te schenden.

Het doel is een min-max optimalisatieprobleem waarbij het model wordt getraind om fouten te minimaliseren op schone doeldata, terwijl het tegelijkertijd wordt getraind om fouten te maximaliseren op gegenereerde adversarial voorbeelden (om de grenzen te versterken), geleid door de bronprior.

3. Belangrijkste Bijdragen

1. Unificerend Framework: PAT is het eerste framework dat data-alignment, adversarial training en privacy-bevattende transfer leert combineert om nauwkeurigheid, robuustheid en privacy simultaan te verbeteren.
2. Flexibiliteit: Het framework kan worden geïnstancierd in drie verschillende privacy-scenario's (gecentraliseerd, federated, en met geperturbeerde data) door simpelweg de toegankelijke broninformatie (model of data) aan te passen, terwijl de trainingspijplijn hetzelfde blijft.
3. Superieure Prestaties: PAT presteert beter dan meer dan tien bestaande state-of-the-art methoden (inclusief transfer learning zonder privacy en pure adversarial defense) op vijf openbare EEG-datasets.
4. Empirisch Bewijs: De auteurs tonen aan dat het verbeteren van robuustheid binnen een privacy-bevattende context niet ten koste gaat van de nauwkeurigheid, wat een veelvoorkomend trade-off-probleem in de literatuur oplost.

4. Resultaten

De experimenten zijn uitgevoerd op vijf datasets (BNCI2014001, Weibo2014, BNCI2014002, NICU, en SEED) die motorische imaginatie, epilepsiedetectie en emotierecognitie bestrijken.

• Algemene Prestaties: PAT overtrof in alle drie de privacy-scenario's bestaande methoden op zowel de nauwkeurigheid op schone data (benign) als op data met ruis of adversarial attacks.
• Vergelijking met SOTA: PAT presteerde gemiddeld 9,76% beter in termen van nauwkeurigheid en robuustheid dan toonaangevende transfer learning-methoden die geen privacy-mechanismen bevatten.
• Robuustheid: Het model behield hoge nauwkeurigheid zelfs onder sterke adversarial perturbaties (PGD) en willekeurige ruis, terwijl traditionele methoden vaak sterk in prestatie daalden.
• Federated vs. Gecentraliseerd: In het federated scenario presteerde PAT zelfs beter dan in het gecentraliseerde scenario, waarschijnlijk omdat de federale aanpak betere aanpassing mogelijk maakt aan de specifieke kenmerken van individuele gebruikers (via lokale Batch Normalization parameters).
• Ablatie-studie: De studie bevestigde dat elke component (Euclidean Alignment, Data Augmentation en Adversarial Training) bijdraagt aan de totale prestatieverbetering.

5. Betekenis en Impact

Dit paper is een doorbraak in het veld van EEG-decoding omdat het voor het eerst een holistische oplossing biedt voor de "heilige graal" van BCI-implementatie: een systeem dat nauwkeurig, robuust en privacy-bewust is.

• Praktische Toepasbaarheid: Door de privacy te waarborgen (via source-free of federated learning) en de robuustheid te garanderen, maakt PAT EEG-BCI-systemen veiliger en betrouwbaarder voor klinische en dagelijkse toepassingen.
• Richting voor Toekomstig Onderzoek: Het werk motiveert verdere research naar frameworks die meerdere kritieke uitdagingen tegelijkertijd adresseren in plaats van geïsoleerde oplossingen.
• Vertrouwen: Het biedt een pad naar het oplossen van privacyzorgen die vaak een belemmering vormen voor de adoptie van BCI-technologieën, zonder in te leveren op de prestaties.

Kortom, PAT bewijst dat het mogelijk is om een hoogwaardig EEG-decoderingsmodel te bouwen dat veilig is voor gebruikers, bestand is tegen aanvallen en effectief werkt ondanks de beperkte beschikbaarheid van doeldata.