华中科技大学伍冬睿团队：PAT | 精准、安全、隐私保护的脑电解码框架

脑机接口（BCI）正在从实验室走向康复医疗、辅助交互、情绪识别、神经监测等真实应用场景。脑电解码模型不仅要“解得准”，还要在噪声、扰动和跨用户差异下“稳得住”，同时不能以牺牲用户脑电隐私为代价。华中科技大学伍冬睿团队2026年6月发表于Fundamental Research的PAT（Privacy-preserving Adversarial Transfer）算法（参考文献[1]）围绕这一需求，把数据对齐、数据增强、对抗训练与隐私保护迁移学习整合到统一流程中，使 EEG 解码模型能同时实现精准、安全和隐私保护。

研究背景：脑电解码三重挑战

在真实应用中，脑电解码面临的关键挑战包括：

准确率受限。EEG 信号个体差异强、非平稳性明显，不同被试、不同会话、不同设备之间的数据分布都可能发生变化，导致模型难以直接泛化。

鲁棒性不足。模型在正常样本上表现良好，并不意味着它能抵抗随机噪声或对抗扰动。

隐私保护难。EEG 信号可能包含身份、情绪、认知能力等敏感信息，跨用户训练和迁移学习如果直接使用源用户数据，就可能带来隐私风险。

迁移学习、对抗防御和隐私保护机器学习通常分别解决单一问题；伍冬睿团队2024年提出的ABAT方法（参考文献[2]）同时解决了准确率和鲁棒性两项问题；隐私保护迁移学习可同时解决准确率和隐私保护两项问题。PAT 的创新点在于把三项需求放在同一训练框架下协同处理，而不是在不同方法之间做取舍。

图1. 脑电解码三大挑战与已有研究覆盖范围（截自原论文 Figure 1）。

算法创新：统一训练流程适配三种隐私保护场景

图2是 PAT 的核心框架图：

图2(a)对应集中式无源数据迁移：源用户可以在源域集中训练模型，但目标用户只能接触训练好的源模型，无法访问原始源数据。

图2(b)对应联邦式无源数据迁移：源用户之间也不共享原始 EEG 数据，而是通过本地更新和全局聚合形成源模型。

图2(c)对应隐私保护源数据迁移：源数据在进入目标训练之前先被用户级扰动处理，以隐藏源用户身份信息。

在三类场景之外，图2(d)到图2(g)展示了 PAT 的共同训练逻辑：目标域校准数据先通过欧氏空间对齐降低跨用户分布差异，再通过数据增强提升样本多样性；随后，模型利用源模型或隐私保护源数据提供的先验，并通过对抗训练优化分类边界。

图2. PAT 统一训练框架：三类隐私保护源信息与目标域对齐、增强、对抗训练流程（截自原论文 Figure 2）。

实验结果：在三类隐私迁移场景下持续领先

表1展示了 PAT 在三个运动想象数据集上的表现。表中同时包含非迁移学习设置、集中式无源数据迁移、联邦式无源数据迁移，以及使用隐私保护源数据的迁移学习。PAT 在三种隐私保护迁移场景中均取得最优综合平均表现。PAT 的优势并不只体现在 benign 样本上，更体现在 adversarial 和 noisy 样本的综合稳健性上。尤其在联邦式无源数据迁移场景下，PAT 的 Average 栏中 benign、adversarial、noisy 和 Avg. 都优于对应基线，说明在更严格的源用户隐私约束下，模型仍能获得更强的鲁棒迁移效果。

表1还表明，仅使用传统机器学习或普通深度学习模型时，模型在 adversarial 样本上的性能下降明显；而 PAT 通过对齐、增强和对抗训练，把正常准确率和扰动鲁棒性放在同一个优化流程中，避免只提升正常样本而牺牲鲁棒性。

表1. 三个运动想象数据集上的分类准确率与鲁棒性结果（截自原论文 Table 3）。

隐私保护方法常见的担忧是“安全性会不会换来性能损失”。表2将 PAT 与一组不包含隐私保护策略的迁移学习方法进行比较。结果显示，PAT 在 三个数据集上均取得最高综合表现。PAT 的隐私保护并不是单纯“加一层限制”，而是通过对齐、增强、源先验和对抗训练的协同设计，把隐私保护、准确率和鲁棒性放在同一目标体系中优化。对于面向真实 BCI 部署的系统来说，这一点非常重要：模型不能只追求开放数据条件下的高分，还需要在数据不可直接共享的现实约束下保持可用性能。

表2. PAT 与无隐私保护迁移学习方法的性能比较（截自原论文 Table 5）。

应用价值：可信、可部署的脑电解码系统

PAT 提供了一条面向可信 BCI 部署的技术路径：当源用户数据不能直接共享时，可通过源模型、联邦学习或隐私保护源数据实现跨用户迁移；当目标用户校准数据较少时，可通过对齐和增强提升数据利用效率；当系统面对噪声和对抗扰动时，可通过对抗训练提升分类边界的稳定性。PAT 让 EEG 解码从单纯追求“更准”，走向同时追求“更准、更稳、更安全”。

未来，PAT 这类框架级思路可进一步扩展到多中心临床 EEG 数据协作、跨设备脑电解码、低校准 BCI 训练和隐私敏感场景下的人机交互系统。对于需要兼顾性能、可靠性和合规要求的脑机接口应用，PAT 提供了一个值得参考的基础框架。

参考：

[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

脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：

宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。

资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。

成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。

活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。

其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。

合作洽谈，请联系微信：ZuoLeiLeiya

（备注：姓名-单位-合作）

投稿丨成为创作者，请联系微信：RoseBCI

不错过每一条脑机前沿进展

一键三连「分享」、「点赞」和「在看」

欢迎在评论区聊聊