提升腦機介面安全性：輕量級CNN增強對抗魯棒性

研究論文提出，基於腦電圖的腦機介面在機器學習發展下已有顯著進步，但過去研究多著重於分類準確性，對安全與魯棒性關注較少。近期研究顯示，EEG-based BCI 容易受到對抗性攻擊，這些微小但精心設計的擾動可能導致誤診。因此，評估模型對抗此類擾動的魯棒性至關重要。本研究提出一個輕量級自訂卷積神經網路架構，用於探討 EEG-based BCI 的對抗魯棒性。方法使用兩個 EEG 數據集進行評估，並與 EEGNet、DeepConvNet 和 SleepEEGNet 等新穎 CNN 模型對比。實驗結果表明，所提模型在對抗擾動下的分類性能持續優於基線模型，顯示出改進的魯棒性。這些發現突顯了輕量級架構在對抗條件下增強 EEG-based BCI 系統可靠性的潛力。