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

Resumo Técnico: Uma Revisão Sistemática de Segurança, Privacidade e Proveniência em Interfaces Cérebro-Computador Baseadas em EEG com uma Arquitetura de Referência Baseada em Blockchain

Declaração do Problema
Os dados neurais gerados por Interfaces Cérebro-Computador (BCIs), particularmente aquelas que utilizam Eletroencefalografia (EEG) para imagética motora, apresentam um desafio de segurança único: ao contrário de senhas ou modelos biométricos físicos, os padrões neurais não podem ser revogados se forem comprometidos. À medida que as BCIs transitam de laboratórios controlados para a reabilitação clínica e aplicações de consumo, a falta de uma análise sistemática em relação à segurança, privacidade e proveniência de seus pipelines de dados impõe riscos significativos à segurança do paciente e à conformidade regulatória.

A revisão identifica uma lacuna crítica: embora as arquiteturas de aprendizado profundo (CNNs, transformers, modelos federados) tenham revolucionado a classificação de imagética motora, elas introduzem superfícies de segurança substanciais. Estas incluem a vulnerabilidade a perturbações adversárias que podem induzir ao erro classificadores que controlam próteses, ataques de inferência de pertencimento que expõem a identidade do participante e uma dependência de conjuntos de dados de referência públicos (ex: BCI Competition IV, PhysioNet) que carecem de garantias de integridade criptográfica, tornando-os suscetíveis à envenenamento de dados indetectável. Apesar da adequação teórica do blockchain para fornecer proveniência imutável e auditável, a interseção da tecnologia blockchain com sistemas BCI baseados em EEG recebeu atenção negligenciável.

Metodologia
Este estudo é uma revisão sistemática em conformidade com o PRISMA 2020. Os autores registraram um protocolo no Open Science Framework (OSF) e conduziram uma busca em múltiplas bases de dados em cinco fontes: IEEE Xplore, PubMed, Scopus, SciSpace e Google Scholar/arXiv.

• Escopo da Busca: A busca cobriu literatura de janeiro de 2017 a fevereiro de 2026, focando em tarefas de imagética motora em adultos saudáveis ou populações clínicas (AVC, lesão medular, ELA).
• Critérios de Elegibilidade (PICOS): A revisão incluiu estudos utilizando métodos de aprendizado profundo (CNNs, RNNs, transformers, GNNs) e/ou mecanismos de blockchain/privacidade aplicados a pipelines de EEG-BCI. Foram excluídos registros invasivos (ECoG), paradigmas não motores (P300, SSVEP) e aprendizado de máquina tradicional sem análise de segurança.
• Processo de Seleção: De um conjunto inicial de 729 registros, 678 registros únicos foram triados após a deduplicação. Após a triagem de título/resumo e revisão do texto completo, 64 artigos de alta qualidade foram selecionados para análise aprofundada.
• Avaliação de Qualidade: Foi utilizada uma ferramenta de avaliação crítica JBI modificada para pontuar os estudos em dez critérios, incluindo justificativa do conjunto de dados, métodos de validação e prevenção de overfitting.

Principais Contribuições

1. Quantificação da Lacuna de Proveniência: A revisão fornece a primeira quantificação multibase de dados sobre a lacuna de pesquisa em blockchain na BCI. Apenas 4 de 729 artigos revisados (<1%) abordaram a proveniência baseada em blockchain para sistemas EEG-BCI. Notavelmente, a busca no IEEE Xplore (67 registros) retornou zero resultados para implementações de blockchain em imagética motora BCI.
2. Caracterização de Vulnerabilidades de Segurança: Os autores analisaram sistematicamente quatro classes de vulnerabilidades de segurança introduzidas pelas arquiteturas dominantes de aprendizado profundo:
   • Vulnerabilidade Adversária: Suscetibilidade de CNNs e transformers a perturbações de entrada imperceptíveis que alteram as previsões.
   • Riscos de Privacidade: Vulnerabilidade a Ataques de Inferência de Pertencimento (MIAs) e inversão de modelo, onde adversários podem determinar a participação no conjunto de treinamento ou reconstruir atributos sensíveis a partir dos pesos do modelo.
   • Envenenamento de Dados: A falta de integridade criptográfica em conjuntos de dados públicos permite ataques de cadeia de suprimentos onde dados modificados corrompem silenciosamente modelos subsequentes.
   • Risques de Aprendizado Federado: Embora o aprendizado federado reduza a exposição de dados brutos, ele permanece vulnerável a ataques de inversão de gradiente sem garantias formais de privacidade diferencial.
3. Arquitetura de Referência NeuroChain: Com base nas lacunas e vulnerabilidades identificadas, os autores propõem uma arquitetura de referência conceitual "NeuroChain". Esta arquitetura não é uma implementação de software específica, mas um conjunto de requisitos de design, incluindo:
   • Integridade na fase de aquisição: Ancoragem de hash de dados brutos de EEG antes do pré-processamento para evitar envenenamento.
   • Geração de Proveniência: Registros assinados em cada transição de pipeline.
   • Federação Preservadora de Privacidade: Integração de privacidade diferencial formal na etapa de agregação para combater a inversão de gradiente.
   • Consentimento Controlado pelo Paciente: Contratos inteligentes revogáveis permitindo que pacientes auditem quem treinou modelos com seus dados.
   • Restrições de Latência: Armazenamento e inferência off-chain para atender ao requisito de latência <300 ms para controle BCI em tempo real, com apenas os hashes ancorados on-chain.

Resultos

• Tendências de Publicação: Os 64 artigos analisados foram predominantemente publicados entre 2021 e 2025. Os veículos mais comuns foram IEEE TNSRE e o Journal of Neural Engineering.
• Desempenho Arquitetural:
  • Dentro do Sujeito (Within-Subject): Modelos de última geração como RNN-LSTM alcançaram até 98% de acurácia no BCI IV-2a, enquanto o TCFormer atingiu 96,27% no HGD.
  • Entre Sujeitos/Sessões (Cross-Subject/Session): O desempenho cai significamente em cenários entre sujeitos (ex: 51–89%), com o EEGSym mostrando resultados robustos entre sujeitos (88,6±9,0%).
  • Qualidade Metodológica: Problemas comuns incluíram justificativa insuficiente de tamanho de amostra (65%), falta de conjuntos de teste independentes (38%) e ausência de reporte de hiperparâmetros (42%).
• Status de Implementação de Blockchain: Os quatro estudos de blockchain identificados foram considerados conceitualmente limitados. Nenhum abordou especificamente a imagética motora, nenhum relatou impacto de latência no desempenho da BCI e nenhum se integrou com frameworks principais de BCI (ex: MNE-Python, OpenViBE).

Significância e Alegações
O artigo afirma que o cenário atual da pesquisa em BCI baseada em EEG é caracterizado por um "desequilíbrio quantitativo gritante" entre a proliferação de arquiteturas de aprendizado profundo e a quase total ausência de mecanismos de proveniência e segurança. Os autores alegam que a lacuna identificada não é um artefato da seleção de bases de dados, mas uma deficiência genuína em todo o campo, confirmada através de cinco fontes de indexação independentes.

A significância deste trabalho reside na derivação da arquitetura NeuroChain, que traduz necessidades abstratas de segurança em requisitos de design concretos para sistemas futuros. Os autores enfatizam que alcançar a tradução clínica para sistemas BCI — particularmente para neuroreabilitação em pacientes com AVC e ELA — requer abordar essas lacunas de segurança e privacidade. Eles argumentam que, sem logs de auditoria imutáveis, integridade criptográfica de conjuntos de dados e consentimento controlado pelo paciente, a implantação de BCIs em ambientes de missão crítica permanece prematura. A revisão conclui que a pesquisa futura deve priorizar a avaliação de latência em tempo real da integração de blockchain, robustez adversária certificada e o desenvolvimento de registros de conjuntos de dados criptograficamente seguros.