Verbesserung der Robustheit von EEG-Signal-Klassifikatoren gegen adversarielle Angriffe unter Verwendung eines generativen adversarialen Netzwerkansatzes

Elektroenzephalogramm (EEG) basierte Gehirn-Computer-Schnittstellen (BCIs) haben besonders von Deep Learning-Modellen profitiert, dank ihrer bemerkenswerten Leistung bei Klassifikationszwecken. Trotz ihres Erfolgs haben diese Modelle gezeigt, dass sie anfällig für adversarielle Angriffe sind, also Angriffe, die EEG-Signale manipulieren, um Fehlklassifizierungen zu verursachen. Adversariales Training, bei dem Modelle sowohl an normalen als auch an adversarialen Beispielen trainiert werden, wurde vorgeschlagen, um dieses Problem anzugehen. Allerdings kann Overfitting an adversarialen Beispielen zu einer verringerten Leistung führen. Um diese Herausforderung zu überwinden, präsentieren wir einen neuen Ansatz des adversarialen Trainings, der auf einem generativen adversarialen Netzwerk (GAN) basiert. Insbesondere erzeugen wir zunächst reale adversarielle Beispiele mittels der Fast Gradient Sign-Methode. Dann generiert unser GAN neue adversarielle EEG-Signale unter Verwendung von realen adversarialen Beispielen als Validierungsset. Durch die Einbeziehung sowohl realer als auch generierter adversarialer Beispiele während des Trainings verbessern wir die Leistung des EEG-Modells. Schließlich bewerten wir unseren Ansatz an dem BCI-Wettbewerb 2a-Datensatz, der zeigt, dass er eine statistisch signifikante Leistungsverbesserung erzielt und die Robustheit gegenüber adversarialen Angriffen erhöht.