NeuroShield: A Device-Agnostic Foundation Model for EEG Authentication

Technische Samenvatting: NeuroShield: Een Device-Agnostisch Foundation Model voor EEG-authenticatie

Probleemstelling
Huidige EEG-authenticatiesystemen kampen met een fundamentele beperking: ze zijn nauw gekoppeld aan specifieke acquisitie-instellingen, waaronder vaste headset-hardware, kanaalindelingen en signaatotalen. Bestaande modellen gaan doorgaans uit een vooraf gedefinieerde set kanalen, een stabiele kanaalvolgorde en vaste tijdsvensters. Gevolgen daarvan maken variaties in hardware (bijv. verschillende aantallen elektroden of plaatsingen) of opnameprotocollen (bijv. variërende signaallengtes) deze modellen onbruikbaar zonder hertraining. Deze fragmentatie dwingt onderzoekers om elk nieuw dataset of headset als een apart modelleringsprobleem te behandelen, wat kennisoverdracht belemmert, multi-dataset leren beperkt en de herbruikbaarheid van modellen vermindert. Het vakgebied leunt momenteel op dataset-specifieke pipelines in plaats van herbruikbare encoders die in staat zijn om kennis te accumuleren over heterogene opnamecondities heen.

Methodologie: NeuroShield Architectuur
Om deze beperkingen aan te pakken, introduceren de auteurs NeuroShield, een foundation model ontworpen om identiteits-onderscheidende embeddings te leren van variabel-kanaal en variabel-lengte EEG-opnames. De kerninnovatie is een duale-stage transformer architectuur die temporele modellering ontkoppelt van ruimtelijke aggregatie, waardoor flexibele inputs mogelijk worden.

1. Input Representatie: EEG-segmenten worden gerepresenteerd als $S \in \mathbb{R}^{C \times T}$, waarbij $C$ het aantal beschikbare kanalen is en $T$ het aantal temporele samples. Het model ondersteunt variaties in zowel $C$ als $T$.
2. Temporele Patching & Encoding:
   • De waveform van elk kanaal wordt verdeeld in fixed-length temporele patches.
   • Een Patch Encoder brengt deze ruwe signaalfragmenten naar een gedeelde latente ruimte.
   • Een Temporal Transformer verwerkt de sequentie van patch-tokens voor elk kanaal onafhankelijk. Het maakt gebruik van ALiBi (Attention with Linear Biases) om relatieve positionele informatie te coderen, wat het model in staat stelt om variabele sequentielengtes aan te pakken en te extrapoleren naar langere duur dan tijdens de training gezien is. Een temporele classificatie-token (CLS) wordt voor elk kanaal geëxtraheerd om de temporele kenmerken samen te vatten.
3. Ruimtelijke Aggregatie:
   • De kanaal-niveau embeddings worden geaggregeerd met behulp van een Channel Transformer.
   • Cruciaal is dat deze fase geometrie-bewuste positionele embeddings incorporeert, afgeleid van de 3D-coördinaten van de elektroden. Dit stelt het model in staat om ruimtelijke relaties tussen elektroden te begrijpen zonder een vaste kanaalvolgorde of lay-out te veronderstellen.
   • Een kanaal CLS-token vat de uiteindelijke segmentrepresentatie samen.
4. Trainingsdoel: Het model wordt getraind met behulp van Supervised Contrastive Loss (SupConLoss). Dit doel stimuleert embeddings van dezelfde subject om te clusteren, terwijl embeddings van verschillende subjects juist van elkaar worden weggeduwd, wat de metrische ruimte optimaliseert voor authenticatie.

Experimenteel Protocol

• Pretraining: NeuroShield werd gepre-trained op drie grote publieke datasets (TUH-EEG, DVS-rsEEG, PREDICT) bestaande uit 15.762 subjects en 28.116 sessies. Deze datasets beslaan meerdere kanaalindelingen (17–64 kanalen) en acquisitiesystemen.
• Evaluatie: Het model werd geëvalueerd op twee ongeziene downstream datasets: PEERS (345 subjects, 89 kanalen, medische kwaliteit) en FRC-EEG (30 subjects, 14 kanalen, consumentenwaardige Emotiv Epoc X).
• Baselines: Vergelijkingen werden gemaakt met het trainen van de architectuur vanaf nul (NS-Scratch) en een gereproduceerde state-of-the-art baseline (Fallahi et al., 2026), die een ResNet1D encoder met vaste inputs gebruikt.
• Settings: Evaluaties omvatten zero-shot transfer (geen fine-tuning), full fine-tuning (NS-FullFT), partial fine-tuning (NS-LastFT) en parameter-efficiënte fine-tuning (NS-PEFT).

Belangrijkste Resultaten

• Prestatieverbetering: Na fine-tuning presteerde NeuroShield consistent beter dan de state-of-the-art baseline. Op de PEERS dataset verminderde het de Equal Error Rate (EER) van 10,25% naar 7,71% (een winst van 2,54 procentpunt). Op FRC-EEG verminderde het de EER van 18,18% naar 14,75%.
• Zero-Shot Capaciteit: Het gepre-trainde model vertoonde overdraagbare identiteitsinformatie in zero-shot settings, waarbij het EERs bereikte die aanzienlijk lager waren dan de kans (bijv. 16,79% op PEERS) zonder updates aan de doel-dataset, hoewel fine-tuning vereist was voor competitieve prestaties.
• Temporele Flexibiliteit: Het model generaliseerde succesvol naar input-duur langer dan tijdens de training gezien (tot 4,0 seconden versus een 2,0-seconde trainingslimiet). De prestaties verbeterden naarmate er meer temporele context beschikbaar kwam, waarbij het 4-seconde PEERS-resultaat (5,47% EER) de eerdere state-of-the-art resultaten overtrof.
• Ruimtelijke Flexibiliteit & Robuustheid:
  • Het model werkt effectief over verschillende kanaalindelingen en vertrouwt niet op een vaste kanaalvolgorde; de prestaties bleven stabiel onder kanaalpermutaties.
  • Het demonstreerde robuustheid tegen ontbrekende kanalen, waarbij het tot 10–30% kanaalverlies tolereerde tijdens verificatie met slechts geleidelijke prestatiedegradatie.
  • Het generaliseerde naar volledig ongeziene elektrodenposities (kanalen die niet aanwezig waren in de trainingsdata) zonder significante statistische verschillen in prestaties vergeleken met geziene kanalen.
• Data Compositie: Analyses gaven aan dat multi-sessie diversiteit in de trainingsdata waardevoller is dan simpelweg het verhogen van het aantal single-sessie samples voor het leren van stabiele subject-representaties.

Significantie en Claims
Het artikel beweert dat NeuroShield een nieuw paradigma vestigt voor EEG-authenticatie door de verschuiving van geïsoleerde, dataset-specifieke modellen naar een herbruikbaar, aanpasbaar foundation model. De significantie ligt in:

1. Doorbreken van Hardware-afhankelijkheden: Het maakt authenticatie mogelijk over heterogene opnamecondities (verschillende headsets, kanaalaantallen en lay-outs) zonder dat voor elke setup een apart model ontwikkeld moet worden.
2. Kennisaccumulatie: Het demonstreert dat identiteits-onderscheidende kenmerken geleerd kunnen worden over diverse datasets en kunnen worden overgedragen naar ongeziene apparaten, wat de accumulatie van kennis over studies heen ondersteunt.
3. Praktische Implementatie: Door variabele signaallengtes en ontbrekende kanalen te tolereren, adresseert NeuroShield real-world implementatie-uitdagingen waar opnamecondities zelden statisch of perfect zijn.
4. Open Science: De auteurs stellen het model en de evaluatie-pipeline open source beschikbaar om reproduceerbaarheid en gemeenschapsadoptie te faciliteren.

De auteurs concluderen dat hoewel NeuroShield de foutmarges vermindert ten opzichte van de huidige stand van de techniek, verdere arbeid nodig is om de volwassenheid van gevestigde biometrische modaliteiten zoals gezichtsherkenning te bereiken. Ze suggereren dat toekomstige verbeteringen kunnen komen van grotere pre-training corpora, langere continue segmenten en meer diverse evaluaties van consumentenapparatuur.