腦機接口（Brain-Computer Interface，BCI）是一種用于大腦與外部設備（如計算機、機器人）直接交互的技術，能夠研究、輔助、增強或恢復人類的認知或感覺運動功能。本文聚焦于基于腦電圖（Electroencephalogram，EEG）的運動想象（Motor Imagery，MI）分類，這是BCI中的經典范式之一。MI通過想象身體某部位的運動而不實際操作，引發EEG信號中的能量分布變化。

要訓練具有良好泛化能力的MI分類器，通常需要大量受試者的EEG數據。然而，研究發現基于EEG的BCI存在隱私風險，如EEG數據可能泄露用戶的私人信息，包括個人偏好、健康狀況和精神狀態等。由于法律法規的要求和用戶的隱私顧慮，BCI中的隱私保護機器學習變得至關重要。

聯邦學習（Federated Learning，FL）是一種潛在的解決方案。用于隱私保護BCI的FL系統如圖1所示：中央服務器（無法訪問本地客戶端的私人EEG數據）維護并發送全局模型給各客戶端進行更新；每個客戶端根據自己的本地數據更新全局模型參數，并將更新結果發送回服務器進行匯總。通過這種方式，無需在服務器與客戶端之間或客戶端之間共享EEG數據，即可完成全局模型的訓練。FL通過防止其他設備訪問存儲在本地客戶端的原始數據，有效地保護了用戶隱私，避免了集中式數據集帶來的隱私風險。

圖 1 隱私保護BCI的FL系統

由于腦電數據中不同用戶之間差異較大，常規的聯邦學習算法在BCI應用中表現不佳。本文作者提出了FedBS方法，其框架如圖2所示。具體而言，FedBS通過使用本地特定批次歸一化（batch-specific BN），為BN層計算特定批次數據的統計值，并對該數據進行歸一化，從而減少不同客戶端之間的特征偏移（即不同用戶數據的差異）。此外，FedBS在客戶端的本地訓練中引入了銳度感知最小化（Sharpness-aware Minimization，SAM）優化器，以促使模型收斂到更平坦的損失最小值，從而提高模型的泛化能力。

圖 2 FedBS算法

本文在三個MI公開數據集中，使用三個常用的深度神經網絡進行了實驗，并分別對比了集中式訓練（CT，有隱私泄露風險）與六種常用的FL方法。未使用歐氏對齊（Euclidean Alignment，EA）的結果如表1所示，使用EA的結果如表2至表4所示。實驗結果表明：

• FedBS的表現優于其他六種常用FL方法，甚至在絕大多數情況下優于未考慮隱私保護的集中式訓練方法。這表明，FedBS不僅有效保護了隱私，還提升了解碼精度。

• EA 提高了包括 FedBS 在內的所有方法的性能。平均而言，當使用 EA 后，FedBS 的表現比 CT 高出 1.97%，比排名第二的 FL 方法高出 3.08%。

表1 未使用EA三個數據集跨被試準確率

表2 使用EA后MI1數據集跨被試準確率

表3使用EA后MI2數據集跨被試準確率

表4 使用EA后MI3數據集跨被試準確率

圖3展示了在MI2數據集中，使用CT、FedAvg（FL中最典型的方法）和FedBS對一位測試受試者提取特征的t-SNE可視化效果。表5則列出了CT、FedAvg和FedBS從三個數據集中的各個測試受試者提取特征后計算的平均廣義判別值。該指標的范圍為[-1, 0]，用于量化神經網絡特征的可分離性，數值越低表示特征的可分離性越好。結果顯示，FedBS的特征分離度明顯優于其他方法。這是因為FedBS通過本地特定批次歸一化對不同受試者的樣本進行對齊，減少了分布差異，從而提升了測試受試者的分類性能。

圖 3 MI2 數據集測試被試提取特征的 t-SNE 可視化。(a) CT；(b) FedAvg；(c) FedBS

表5 三個數據集 CT、FedAvg 和 FedBS 提取特征計算的平均廣義判別值。

本文提出了在基于EEG的MI分類中保護隱私的FedBS方法。實驗結果表明，FedBS的性能優于多種先進的FL方法以及未考慮隱私保護的集中式訓練方法。FedBS 可以保護用戶的數據隱私，讓多個 BCI用戶參與大規模機器學習模型訓練，從而提升BCI解碼的準確性，這對推動BCI在現實世界中的應用具有重要價值。

參考文獻：

T. Jia, L. Meng, S. Li, J. Liu and D. Wu, “Federated Motor Imagery Classification for Privacy-Preserving Brain-Computer Interfaces”, IEEE Trans. on Neural Systems and Rehabilitation Engineering, early access, 2024.

開源代碼：https://github.com/TianwangJia/FedBS

僅用于學術分享，若侵權請留言，即時刪侵！

歡迎加入腦機接口社區交流群，

探討腦機接口領域話題，實時跟蹤腦機接口前沿。

加微信群：

添加微信:RoseBCI【備注：姓名+行業/專業】。

歡迎來稿

1.歡迎來稿。投稿咨詢，請聯系微信：RoseBCI

點擊投稿：

2.加入社區成為兼職創作者，請聯系微信：RoseBCI

一鍵三連「分享」、「點贊」和「在看」

不錯過每一條腦機前沿進展