Легковесная нейросеть повышает защиту интерфейсов мозг-компьютер от атак

Развитие интерфейсов мозг-компьютер (BCI) на основе электроэнцефалограмм (EEG) достигло значительных успехов благодаря машинному обучению. Однако до сих пор основное внимание уделялось точности классификации, а вопросы безопасности и устойчивости оставались на втором плане.

Последние исследования показали, что EEG-системы уязвимы для adversarial-атак: злоумышленники могут добавлять малозаметные возмущения в сигнал, приводя к ошибочной диагностике или неверной интерпретации команд. Это особенно критично для медицинских применений, таких как управление протезами или диагностика эпилепсии.

Группа учёных предложила лёгкую архитектуру свёрточной нейросети (CNN), которая сохраняет высокую точность даже при наличии таких атак. Модель сравнили с тремя современными аналогами: EEGNet, DeepConvNet и SleepEEGNet.

Эксперименты проводились на двух наборах данных EEG. Под градиентными атаками новая модель неизменно показывала лучшие результаты классификации, чем базовые архитектуры, что свидетельствует о её повышенной устойчивости.

Авторы подчёркивают: лёгкие нейросети могут стать основой для надёжных BCI-систем, работающих в реальном времени и на портативных устройствах. Результаты открывают путь к внедрению защиты от кибератак в нейроинтерфейсы.

Работа опубликована на arXiv и привлекла внимание специалистов по безопасности машинного обучения. Дальнейшие исследования должны сосредоточиться на тестировании против более широкого спектра атак и внедрении в реальные прототипы.