机构名称：
¥ 1.0
摘要 目的。已提出了用于基于脑电图 (EEG) 的脑机接口 (BCI) 的多个卷积神经网络 (CNN) 分类器。然而，研究发现，CNN 模型容易受到通用对抗性扰动 (UAP) 的攻击，这些扰动很小且与示例无关，但当添加到良性示例中时，其威力足以降低 CNN 模型的性能。方法。本文提出了一种新颖的总损失最小化 (TLM) 方法来生成基于 EEG 的 BCI 的 UAP。主要结果。实验结果证明了 TLM 对三种流行的 CNN 分类器针对目标攻击和非目标攻击的有效性。我们还验证了 UAP 在基于 EEG 的 BCI 系统中的可迁移性。意义。据我们所知，这是首次对基于 EEG 的 BCI 中 CNN 分类器的 UAP 进行研究。UAP 易于构建，并且可以实时攻击 BCI，从而暴露出 BCI 的一个潜在的关键安全问题。
EEG 中 CNN 分类器的通用对抗扰动......
主要关键词
相关文件推荐
