该论文针对临床脑电图（EEG）数据在联邦学习场景中的隐私泄露问题，提出了一种基于掩码安全聚合（masking-based secure aggregation）的隐私保护联邦学习框架。传统联邦学习虽然允许医疗机构在不共享原始EEG数据的情况下协作训练共享模型，但攻击者仍可能从模型更新中推断敏感信息。为此，作者将安全聚合作为核心保护机制，并结合多种技术构建完整方案：基于图的通信架构、阈值秘密共享、抗掉线（dropout-resilient）聚合、本地更新裁剪（clipping）、可选的基于布隆过滤器的隐私保护记录链接初始化模块，以及基于辅助公证人（auxiliary notary）的可验证性机制。该框架同时支持半诚实（semi-honest）和恶意（malicious）聚合设置，并基于Flower联邦学习框架实现。实验采用TUH EEG衍生数据，在模拟的跨机构（cross-silo）医疗环境中，对不同客户端配置下的安全聚合变体进行评估。结果表明，在既定假设下，安全变体能够对聚合服务器隐藏个体更新，并且与联邦模型训练保持兼容；然而，恶意设置下的防护机制和轻量级一致性检查机制会带来额外的计算、通信和轮次延迟开销。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虽然成本更高，但提供了更强的一致性、完整性和轻量级验证支持。该研究适用于医疗AI隐私保护、联邦学习安全加固以及需要跨机构协作但高度敏感的数据场景。

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。