该论文聚焦临床脑电图（EEG）数据的隐私保护与可用性权衡问题。研究背景是：临床 EEG 记录及其衍生特征对医疗健康研究和基于人工智能的临床决策支持系统开发具有重要价值，但其中可能包含患者特异性的敏感信息，在数据复用、分析以及跨临床与科研环境共享时会产生重识别、关联和推断风险。作者指出，传统匿名化方法（如删除姓名、病历号等直接标识符）对高维生物医学信号往往不够充分，因为间接标识仍可导致重识别；而另一方面，过强的隐私保护会扭曲对临床有意义的信号特征，降低数据可用性。 核心方法上，论文提出针对受试者级（subject-level）差分隐私的 EEG 衍生特征表示保护框架，采用高斯（Gaussian）与拉普拉斯（Laplace）两种扰动机制。处理流程为：先进行 EEG 预处理与特征提取，得到患者级特征表示，再对其施加噪声扰动。框架覆盖三种部署场景：客户端侧匿名化、集中式服务器端匿名化，以及去中心化的本地训练（可理解为联邦式场景）。 实验与评估方面，论文针对拉普拉斯机制评估了实际实现的噪声尺度，而满足形式化全向量隐私校准所需的噪声尺度则另行推导。作者使用统计效用度量与下游机器学习任务的效用检验来评估两种扰动的影响。结论显示，差分隐私扰动能够被集成进 EEG 处理工作流，但所选择的机制、隐私参数以及敏感度校准方式会强烈影响数据效用；同时也揭示了在样本量小、类别不平衡的临床 EEG 数据集上维持下游任务效用的现实困难。 该研究适合医疗 AI、隐私增强技术（PET）、联邦学习与临床数据平台方向的研究者和工程师阅读，属于方法探索与工程可行性验证性质的案例研究。

该论文聚焦于 AI 与脑机接口 (BCI) 融合后新出现的、此前缺乏系统研究的攻击面。随着 AI 被广泛嵌入以人为中心的系统，神经信号与物理执行设备之间形成了一条新的信任链：一端是采集到的脑电等神经生理信号，另一端是假肢、外骨骼、轮椅、神经刺激器等可被驱动的物理装置。作者指出，这一链路一旦被滥用，直接威胁认知自主权、精神隐私与人身安全，风险范围从神经数据外泄一直延伸到对 BCI 所连接设备的恶意操控。为把零散的个案研究上升为系统性分析，论文提出 NERVE Attacks 攻击分类学，用五个正交维度覆盖完整 BCI 技术栈：神经模仿式伪造 (Neuro-mimetic Forgery)、基于失同步的规避 (Evasion via Desynchronization)、重放式劫持 (Replay-based Hijacking)、静脉窃听/传感通路窃取 (Vein Tapping) 以及嵌入式后门 (Embedded Backdoors)。为对该分类进行实证评估，作者构建了 EEGle——一个 AI 辅助、可扩展的 BCI 安全分析框架，用于系统化地构造与验证神经域特有的安全问题。评估结果显示 17 个此前未被报道的神经特异性攻击实例，并揭示出 BCI 后门设计中独有的一条“隐蔽性—有效性”权衡谱系，说明在神经信号场景下，隐蔽性与攻击效果之间存在不同于传统软件后门的取舍关系。论文进一步指出，生成式 AI 显著降低了非专业攻击者的入门门槛，使原本需要神经科学与信号处理专业知识的操作变得更容易复现。作者将 EEGle 开放给社区，用于构建和验证这类高度个人化设备的安全性。整体而言，该工作属于面向 BCI 的威胁建模与安全评估方法论贡献，论文视角强调研究问题定义、分类学构建、可复用评估框架，以及为后续防御研究提供基准；适合 BCI/神经工程研发者、医疗设备安全团队、AI 安全与隐私研究人员，以及关注人机融合系统合规与伦理的从业者阅读。

该论文研究了基于脑电信号（EEG）的生物特征识别系统的对抗性脆弱性。随着EEG信号被提议用作生物识别凭据，其安全性评估成为重要问题。以往研究主要针对深度学习分类器，并假设攻击者拥有对模型的完全访问权限（白盒攻击），而忽略了其他更常见的神经特征提取方法以及更现实的黑盒攻击场景。为此，作者提出了一组自适应攻击算法，攻击者仅需黑盒访问认证系统，即可通过有针对性地篡改窃取的EEG记录来欺骗系统，且无需了解认证系统的内部细节。研究在6个公开数据集上进行了测试，覆盖三种记录条件：视觉刺激反应、运动想象和静息状态。实验表明，不同的神经特征提取方法在对抗攻击下的脆弱性差异显著；同时，记录条件（如任务类型）对欺骗攻击的成功率有重要影响。最后，作者基于对抗测试结果，为提升神经特征生物识别系统的安全性提出了改进建议。该工作填补了神经生物识别在黑盒对抗攻击研究方面的空白，为脑机接口和生物认证安全领域提供了系统性的评估框架。适合安全研究人员、生物识别系统开发者和脑机接口领域的学者阅读。

本文针对可穿戴 EEG（脑电图）系统在健康监测之外可能泄露神经隐私的问题展开研究。作者指出，尽管许多系统假设仅传输紧凑的频谱或空间特征而非原始 EEG 数据即可提供足够的隐私保护，但实际这些特征仍可能泄露用户身份和人口统计属性。以 EEGMAT 作为案例，实验表明常用 EEG 特征在实现认知状态分类（平衡准确率 0.788）的同时，也能以较高的平衡准确率推断性别（0.858）、年龄（0.789）和受试者身份（0.692）。为缓解这一风险，作者提出一种基于对抗表示学习的隐私保护方法（NeuroPriv），通过对抗训练引导特征表示去除与隐私属性相关的信息，同时保持任务相关特征。结果表明，所提方法能将认知任务性能保持为 0.781，同时将性别、年龄和身份推断的平衡准确率分别降至 0.563、0.467 和 0.206，显著降低隐私泄露风险。论文的核心贡献是证明了‘目的受限表示’的必要性，并倡导在可穿戴神经健康系统中引入显式隐私审计机制。研究属于人机交互与机器学习交叉领域，适合可穿戴计算、隐私保护机器学习以及神经伦理方向的研究者和安全工程师阅读。

本文提出一种针对临床脑电图（EEG）数据的隐私保护联邦学习框架，核心机制是基于掩码的安全聚合（secure aggregation）。联邦学习虽然允许多个机构在不交换原始临床EEG数据的前提下共同训练模型，但个体模型更新仍可能泄露患者隐私。为解决这一问题，论文将多种技术融合到框架中：基于图的通信拓扑、阈值秘密共享、抗节点掉线（dropout）的聚合协议、局部更新裁剪，以及可选的基于布隆过滤器的隐私保护记录链接初始化模块，并引入辅助公证人（auxiliary notary）机制来实现聚合结果的可验证性。该框架同时支持半诚实（semi-honest）和恶意（malicious）聚合器安全模型，并基于Flower联邦学习框架实现。实验在模拟的跨机构（cross-silo）医疗场景下进行，使用TUH EEG数据集，并配置了不同的客户端数量。结果表明，在既定假设下，安全聚合变体能够对聚合服务器隐藏个体更新，且与联邦模型训练兼容。然而，针对恶意设置的防护机制以及轻量级一致性检查会引入额外的计算、通信和训练轮次耗时。其中，半诚实变体在安全配置中开销最低，而恶意设置和辅助公证人变体以更高成本换取更强的数据一致性、完整性以及轻量级验证支持。该研究为医疗领域中的EEG数据共享与协作建模提供了可落地的隐私保护方案。

本文提出了一种名为 E-MagDiP 的框架，旨在解决基于脑电图（EEG）的社区感知项目中的隐私问题。此类项目通过聚合大量个体的脑电数据来分析学生或员工的专注度等群体特征，但 EEG 信号本身包含敏感的个人神经信息，直接采集和分析会带来隐私泄露风险。差分隐私（DP）是一种常用的隐私保护技术，通过向数据中添加噪声来保护个体信息，同时保留统计规律。然而，将 DP 应用于 EEG 数据面临两大挑战：一是需要在用户级别生成噪声，导致功耗和延迟显著增加；二是大多数商用 EEG 头戴设备无法修改硬件以集成噪声注入模块。为此，作者提出使用外部射频（RF）发射器向 EEG 头戴设备发射无线信号，在信号采集阶段物理性地扰动 EEG 信号，从而等效地实现 DP 噪声注入。该方法无需对用户设备进行任何修改，即可在采集源头实现隐私保护。据作者所述，这是首个将 RF 信号用于隐私保护而非攻击的研究工作，为 EEG 社区感知提供了一种实用的差分隐私实现路径。论文属于人机交互（cs.HC）领域的交叉研究，适合对隐私增强技术、脑机接口安全、边缘计算与无线感知感兴趣的学者和工程师阅读。由于仅基于摘要，尚无法获取实验细节，但该研究为 EEG 隐私保护开辟了新的技术方向。