基于分层卷积神经网络的对抗鲁棒脑机接口研究：提升运动意图解码安全性新策略

《Scientific Reports》：Adversarial robust EEG-based brain–computer interfaces using a hierarchical convolutional neural network

本研究针对脑机接口系统易受对抗攻击的安全隐患，提出了一种三级分层卷积神经网络架构。通过层级化解码运动想象与运动执行任务，该研究在BCI Competition IV-2a数据集上实现了91.2%的准确率，并显著提升了对FGSM、PGD等对抗攻击的鲁棒性，为安全关键型神经康复应用提供了新技术路径。

　　

随着脑机接口技术在神经康复和辅助控制领域的快速发展，基于脑电图的运动意图解码系统正面临严峻的安全挑战。研究表明，即便是微小的数据扰动也可能导致分类器决策错误，这种被称为"对抗攻击"的脆弱性在控制义肢或康复设备的应用场景中可能造成严重后果。

为应对这一挑战，科研团队开发了具有三层结构的层次卷积神经网络新框架。该模型采用阶梯式解码策略：第一层级区分运动想象与运动执行这两种基本神经活动模式；第二层级辨识单侧与双侧运动任务；最终层级实现精细化的动作分类。研究团队采用BCI Competition IV-2a公开数据集进行验证，该数据集包含9名健康受试者的多类运动想象脑电图记录。

在技术方法层面，研究主要涉及：1）分层卷积神经网络架构设计；2）基于梯度对抗攻击（FGSM、PGD、DeepFool）的鲁棒性评估；3）对抗训练策略的实施。所有实验数据均来源于健康受试者的脑电图记录。

研究结果显示，该分层模型在原始数据上取得91.2%的分类准确率。在对抗攻击测试中，相较于传统卷积神经网络，新模型表现出更强的稳定性。随着扰动强度的增加，其性能下降幅度显著低于基线模型，特别是在应对投影梯度下降攻击时优势最为明显。

通过系统实验验证，分层神经网络架构能有效提升脑机接口系统的对抗鲁棒性。这种结构化解码策略不仅增强了模型对恶意干扰的抵抗能力，还为安全关键型神经技术应用提供了新的设计思路。该研究成果对推动脑机接口在临床康复领域的可靠应用具有重要价值。