華中科技大學伍冬睿團隊：PAT | 精準、安全、隱私保護的腦電解碼框架

腦機接口（BCI）正在從實驗室走向康復醫療、輔助交互、情緒識別、神經監測等真實應用場景。腦電解碼模型不僅要“解得準”，還要在噪聲、擾動和跨用戶差異下“穩得住”，同時不能以犧牲用戶腦電隱私為代價。華中科技大學伍冬睿團隊2026年6月發表于Fundamental Research的PAT（Privacy-preserving Adversarial Transfer）算法（參考文獻[1]）圍繞這一需求，把數據對齊、數據增強、對抗訓練與隱私保護遷移學習整合到統一流程中，使 EEG 解碼模型能同時實現精準、安全和隱私保護。

研究背景：腦電解碼三重挑戰

在真實應用中，腦電解碼面臨的關鍵挑戰包括：

準確率受限。EEG 信號個體差異強、非平穩性明顯，不同被試、不同會話、不同設備之間的數據分布都可能發生變化，導致模型難以直接泛化。

魯棒性不足。模型在正常樣本上表現良好，并不意味著它能抵抗隨機噪聲或對抗擾動。

隱私保護難。EEG 信號可能包含身份、情緒、認知能力等敏感信息，跨用戶訓練和遷移學習如果直接使用源用戶數據，就可能帶來隱私風險。

遷移學習、對抗防御和隱私保護機器學習通常分別解決單一問題；伍冬睿團隊2024年提出的ABAT方法（參考文獻[2]）同時解決了準確率和魯棒性兩項問題；隱私保護遷移學習可同時解決準確率和隱私保護兩項問題。PAT 的創新點在于把三項需求放在同一訓練框架下協同處理，而不是在不同方法之間做取舍。

圖1. 腦電解碼三大挑戰與已有研究覆蓋范圍（截自原論文 Figure 1）。

算法創新：統一訓練流程適配三種隱私保護場景

圖2是 PAT 的核心框架圖：

圖2(a)對應集中式無源數據遷移：源用戶可以在源域集中訓練模型，但目標用戶只能接觸訓練好的源模型，無法訪問原始源數據。

圖2(b)對應聯邦式無源數據遷移：源用戶之間也不共享原始 EEG 數據，而是通過本地更新和全局聚合形成源模型。

圖2(c)對應隱私保護源數據遷移：源數據在進入目標訓練之前先被用戶級擾動處理，以隱藏源用戶身份信息。

在三類場景之外，圖2(d)到圖2(g)展示了 PAT 的共同訓練邏輯：目標域校準數據先通過歐氏空間對齊降低跨用戶分布差異，再通過數據增強提升樣本多樣性；隨后，模型利用源模型或隱私保護源數據提供的先驗，并通過對抗訓練優化分類邊界。

圖2. PAT 統一訓練框架：三類隱私保護源信息與目標域對齊、增強、對抗訓練流程（截自原論文 Figure 2）。

實驗結果：在三類隱私遷移場景下持續領先

表1展示了 PAT 在三個運動想象數據集上的表現。表中同時包含非遷移學習設置、集中式無源數據遷移、聯邦式無源數據遷移，以及使用隱私保護源數據的遷移學習。PAT 在三種隱私保護遷移場景中均取得最優綜合平均表現。PAT 的優勢并不只體現在 benign 樣本上，更體現在 adversarial 和 noisy 樣本的綜合穩健性上。尤其在聯邦式無源數據遷移場景下，PAT 的 Average 欄中 benign、adversarial、noisy 和 Avg. 都優于對應基線，說明在更嚴格的源用戶隱私約束下，模型仍能獲得更強的魯棒遷移效果。

表1還表明，僅使用傳統機器學習或普通深度學習模型時，模型在 adversarial 樣本上的性能下降明顯；而 PAT 通過對齊、增強和對抗訓練，把正常準確率和擾動魯棒性放在同一個優化流程中，避免只提升正常樣本而犧牲魯棒性。

表1. 三個運動想象數據集上的分類準確率與魯棒性結果（截自原論文 Table 3）。

隱私保護方法常見的擔憂是“安全性會不會換來性能損失”。表2將 PAT 與一組不包含隱私保護策略的遷移學習方法進行比較。結果顯示，PAT 在 三個數據集上均取得最高綜合表現。PAT 的隱私保護并不是單純“加一層限制”，而是通過對齊、增強、源先驗和對抗訓練的協同設計，把隱私保護、準確率和魯棒性放在同一目標體系中優化。對于面向真實 BCI 部署的系統來說，這一點非常重要：模型不能只追求開放數據條件下的高分，還需要在數據不可直接共享的現實約束下保持可用性能。

表2. PAT 與無隱私保護遷移學習方法的性能比較（截自原論文 Table 5）。

應用價值：可信、可部署的腦電解碼系統

PAT 提供了一條面向可信 BCI 部署的技術路徑：當源用戶數據不能直接共享時，可通過源模型、聯邦學習或隱私保護源數據實現跨用戶遷移；當目標用戶校準數據較少時，可通過對齊和增強提升數據利用效率；當系統面對噪聲和對抗擾動時，可通過對抗訓練提升分類邊界的穩定性。PAT 讓 EEG 解碼從單純追求“更準”，走向同時追求“更準、更穩、更安全”。

未來，PAT 這類框架級思路可進一步擴展到多中心臨床 EEG 數據協作、跨設備腦電解碼、低校準 BCI 訓練和隱私敏感場景下的人機交互系統。對于需要兼顧性能、可靠性和合規要求的腦機接口應用，PAT 提供了一個值得參考的基礎框架。

參考：

[1] Xiaoqing Chen, Tianwang Jia, Yunlu Tu, Dongrui Wu, “PAT: Privacy-Preserving Adversarial Transfer for Accurate, Robust and Privacy-Preserving EEG Decoding,” Fundamental Research, 2026, https://doi.org/10.1016/j.fmre.2026.04.034

[2] Xiaoqing Chen, Ziwei Wang and Dongrui Wu, “Alignment-Based Adversarial Training (ABAT) for Improving the Robustness and Accuracy of EEG-Based BCIs," IEEE Trans. on Neural Systems and Rehabilitation Engineering, 32:1703-1714, 2024. https://ieeexplore.ieee.org/document/10506624

腦機接口社區是國內首家腦機接口(BCI)產業服務平臺、國內腦機接口新媒體開創者與引領者。主要為企業、科研團隊、投資機構和從業者提供以下服務：

宣傳報道：圖文、短視頻、直播形式報道企業動態、技術解讀、產品介紹等內容，提升曝光和行業影響力。

資源對接：根據需求匹配資本、供應鏈、臨床機構、渠道方等資源，完成真實對接，促進合作。

成果轉化：協助技術團隊尋找產業方、投資人及落地場景，推動技術到產品的轉化。

活動策劃執行：承接線上線下路演、沙龍、論壇等活動的策劃與執行。

其他定制需求：包括報告定制、市場調研、人才招聘支持等個性化服務。

合作洽談，請聯系微信：ZuoLeiLeiya

（備注：姓名-單位-合作）

投稿丨成為創作者，請聯系微信：RoseBCI

不錯過每一條腦機前沿進展

一鍵三連「分享」、「點贊」和「在看」

歡迎在評論區聊聊