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

Technische Samenvatting: Een systematische review van beveiliging, privacy en herkomst in EEG-gebaseerde brein-computer interfaces met een blockchain-gebaseerde referentiearchitectuur

Probleemstelling
Neurale data gegenereerd door brein-computer interfaces (BCI's), in het bijzonder die gebruikmaken van elektro-encefalografie (EEG) voor motorische verbeelding (motor imagery), presenteren een unieke beveiligingsuitdaging: in tegenstelling tot wachtwoorden of fysieke biometrische sjablonen, kunnen neurale patronen niet worden ingetrokken als ze gecompromitteerd zijn. Nu BCI's de overstap maken van gecontroleerde laboratoria naar klinische revalidatie en consumententoepassingen, vormt het gebrek aan een systematische analyse met betrekking tot de beveiliging, privacy en herkomst (provenance) van deze datapijplijnen aanzienlijke risico's voor de patiëntveiligheid en de naleving van regelgeving.

De review identificeert een kritische kloof: hoewel deep learning-architecturen (CNN's, transformers, federated modellen) de classificatie van motorische verbeelding hebben gerevolutioneerd, introduceren zij substantiële beveiligingsvlakken. Deze omvatten kwetsbaarheid voor adversariële perturbaties die classifiers die prothesen aansturen zouden kunnen misleiden, membership inference attacks die de identiteit van deelnemers blootleggen, en een afhankelijkheid van publieke benchmark-datasets (bijv. BCI Competition IV, PhysioNet) die een gebrek hebben aan cryptografische integriteitsgaranties, waardoor ze vatbaar zijn voor ondetecteerbare datavergiftiging (data poisoning). Ondanks de theoretische geschiktheid van blockchain voor het bieden van onveranderlijke, controleerbare herkomst, heeft de intersectie tussen blockchaintechnologie en EEG-gebaseerde BCI-systemen verwaarloosbare aandacht gekregen.

Methodologie
Deze studie is een PRISMA 2020-conforme systematische review. De auteurs hebben een protocol geregistreerd op de Open Science Framework (OSF) en een multi-database zoekopdracht uitgevoerd over vijf bronnen: IEEE Xplore, PubMed, Scopus, SciSpace en Google Scholar/arXiv.

• Zoekomvang: De zoekopdracht besloeg literatuur van januari 2017 tot februari 2026, met een focus op motorische verbeeldingstaken bij gezonde volwassenen of klinische populaties (beroerte, dwarslaesie, ALS).
• Inclusiecriteria (PICOS): De review omvatte studies die gebruikmaken van deep learning-methoden (CNN's, RNN's, transformers, GNN's) en/of blockchain/privacy-mechanismen toegepast op EEG-BCI-pijplijnen. Het sloot invasieve opnames (ECoG), niet-motorische paradigma's (P300, SSVEP) en traditionele machine learning zonder beveiligingsanalyse uit.
• Selectieproces: Vanuit een initiële pool van 729 records werden 678 unieke records gescreend na deduplicatie. Na screening van titel/abstract en volledige tekstreview werden 64 hoogwaardige papers geselecteerd voor diepgaande analyse.
• Kwaliteitsbeoordeling: Een aangepaste JBI Critical Appraisal Tool werd gebruikt om studies te scoren op tien criteria, waaronder rechtvaardiging van datasets, validatiemethoden en het voorkomen van overfitting.

Belangrijkste Bijdragen

1. Kwantificering van de Herkomstkloof: De review biedt de eerste multi-database kwantificering van de blockchain-onderzoekskloof in BCI. Slechts 4 van de 729 beoordeelde papers (<1%) adresseren blockchain-gebaseerde herkomst voor EEG-BCI-systemen. Opvallend genoeg leverde de zoekopdracht in IEEE Xplore (67 records) nul resultaten op voor blockchain-implementaties in motorische verbeelding BCI.
2. Karakterisering van Beveiligingskwetsbaarheden: De auteurs hebben vier klassen van beveiligingskwetsbaarheden systematisch geanalyseerd die worden geïntroduceerd door dominante deep learning-architecturen:
   • Adversariële Kwetsbaarheid: De gevoeligheid van CNN's en transformers voor onmerkbare input-perturbaties die voorspellingen wijzigen.
   • Privacyrisico's: Kwetsbaarheid voor Membership Inference Attacks (MIA's) en modelinversie, waarbij aanvallers de lidmaatschap van de trainingsset kunnen bepalen of gevoelige attributen kunnen reconstrueren uit modelgewichten.
   • Datavergiftiging: Het gebrek aan cryptografische integriteit in publieke datasets maakt supply-chain aanvallen mogelijk waarbij gemodificeerde data downstream-modellen stilletjes corrumpeert.
   • Risico's van Federated Learning: Hoewel federated learning de blootstelling van ruwe data vermindert, blijft het kwetsbaar voor gradient inversion attacks zonder formele differential privacy-garanties.
3. NeuroChain Referentiearchitectuur: Gebaseerd op de geïdentificeerde hiaten en kwetsbaarheden, stellen de auteurs een conceptuele "NeuroChain" referentiearchitectuur voor. Deze architectuur is geen specifieke software-implementatie, maar een set van ontwerpvereisten, waaronder:
   • Integriteit tijdens de acquisiefase: Hash-verankering van ruwe EEG-data vóór preprocessing om vergiftiging te voorkomen.
   • Generatie van Herkomst: Ondertekende records bij elke transitie in de pijplijn.
   • Privacy-Preserving Federatie: Integratie van formele differential privacy tijdens de aggregatiestap om gradient inversion tegen te gaan.
   • Door Patiënt Gecontroleerde Toestemming: Herroepbare smart contracts die patiënten in staat stellen te auditeren wie hun data heeft gebruikt voor training.
   • Latentierestricties: Off-chain opslag en inferentie om te voldoen aan de <300 ms latentievereiste voor real-time BCI-besturing, waarbij alleen hashes on-chain worden verankerd.

Resultaten

• Publicatietrends: De 64 geanalyseerde papers werden voornamelijk gepubliceerd tussen 2021 en 2025. De meest voorkomende publicatieplaatsen waren IEEE TNSRE en de Journal of Neural Engineering.
• Architecturale Prestaties:
  • Binnen-onderwerp (Within-Subject): State-of-the-art modellen zoals RNN-LSTM behaalden tot 98% nauwkeurigheid op BCI IV-2a, terwijl TCFormer 96,27% bereikte op HGD.
  • Cross-Subject/Session: De prestaties dalen aanzienlijk in cross-subject scenario's (bijv. 51–89%), waarbij EEGSym sterke cross-subject resultaten laat zien (88,6±9,0%).
  • Methodologische Kwaliteit: Veelvoorkomende problemen waren onvoldoende rechtvaardiging van de steekproefomvang (65%), gebrek aan onafhankelijke testsets (38%) en ontbrekende rapportage van hyperparameters (42%).
• Status van Blockchain-implementatie: De vier geïdentificeerde blockchain-studies bleken conceptueel beperkt. Geen enkele adresseerde specifiek motorische verbeelding, geen enkele rapporteerde de impact van latentie op BCI-prestaties, en geen enkele integreerde met mainstream BCI-frameworks (bijv. MNE-Python, OpenViBE).

Betekenis en Claims
Het artikel stelt dat het huidige landschap van EEG-gebaseerd BCI-onderzoek wordt gekenmerkt door een "starke kwantitatieve onbalans" tussen de proliferatie van deep learning-architecturen en de bijna totale afwezigheid van herkomst- en beveiligingsmechanismen. De auteurs claimen dat de geïdentificeerde kloof geen artefact is van database-selectie, maar een genuante tekortkoming in het hele veld, bevestigd door vijf onafhankelijke indexeringsbronnen.

De betekenis van dit werk ligt in de afleiding van de NeuroChain-architectuur, die abstracte beveiligingsbehoeften vertaalt naar concrete ontwerpvereisten voor toekomstige systemen. De auteurs benadrukken dat het bereiken van klinische vertaling voor BCI-systemen — met name voor neurorevalidatie bij patiënten met een beroerte en ALS — vereist dat deze beveiligings- en privacykloven worden geadresseerd. Zij argumenteren dat zonder onveranderlijke auditlogs, cryptografische datasetintegriteit en door de patiënt gecontroleerde toestemming, de inzet van BCI's in veiligheidskritische omgevingen voortijdig is. De review concludeert dat toekomstig onderzoek prioriteit moet geven aan de real-time latentie-evaluatie van blockchain-integratie, gecertificeerde adversariële robuustheid en de ontwikkeling van cryptografisch beveiligde dataset-registers.