[发明专利]轻量级隐私保护外包脑电信号特征提取方法

说明书

本发明提出一种轻量级隐私保护外包脑电信号特征提取方法，其允许边缘服务器在无法获取明文脑电信号数据的前提下对用户上传的脑电信号数据进行特征提取；同时，为了实现对脑电信号的隐私保护，设计了一系列安全外包计算协议，以此来实现对加密脑电信号的特征提取；此外，为了提高脑电信号的信噪比，利用TRCA来对脑电信号进行空间滤波；最后，为了减少用户与服务器之间的响应延迟，引入了边缘计算技术。保证了不泄露原始脑电信号数据有关隐私的信息。该技术方案在确保脑电信号中的相关信息隐私安全性的同时，实现了外包脑电信号的特征提取，且降低了用户本地计算和通信成本。

技术领域

本发明属于脑电信号处理技术领域，尤其涉及一种轻量级隐私保护外包脑电信号特征提取方法。

背景技术

脑电图(EEG)是一种电生理监测方法，通过使用电生理指标来记录大脑活动过程中大量神经元的突触后电位变化。当捕获到脑电信号后，应用程序开发人员可以从这些信号中提取出特征，然后使用它们来训练自己的模型，这些模型可用于各种预测和推理任务。

目前，主流的脑电图采集方法通常分为两种：有创和无创。由于其安全性和实用性，非侵入式获取方法已被广泛使用。但是，以这种方式收集的信号具有信噪比(SNR)低和空间分辨率低的缺点。在这种情况下，提取出的特征无法进行正确分类和识别。因此，如何提高脑电信号的SNR和空间分辨率是多年来脑计算机接口(BCI)研究的关键挑战之一。空间滤波方法在无创BCI的降噪和脑电特征提取中起着重要作用。其中，Tanaka等人开发了一种称为任务相关成分分析(TRCA)的空间滤波方法，其优化了权重系数，以最大化时锁近红外光谱(NIRS)数据的实验间协方差。随后，Masaki等人将TRCA应用于BCI，发现它在改善SNR方面具有巨大应用前景，这有助于从脑电信号中提取出有效特征。

由于脑电图信号含有丰富的信息，其特征提取往往需要大量的计算成本和较高的硬件配置，这对于计算资源有限的普通用户来说是负担不起的。此外，在提取有效特征之前，脑电图信号需要特殊的预处理技术，这对一般用户来说也是一个很大的挑战。随着计算机技术的发展，将特征提取任务直接外包到云上是解决上述挑战的通用方案。然而，云计算技术复杂的集中管理将带来大量的带宽消耗和响应延迟。相比之下，由于边缘计算技术允许存储/计算任务在局域网内执行，因此它可以实时或更快地处理和分析数据，大大减少了带宽消耗和响应延迟。因此，在边缘计算环境下建立脑电信号特征提取模型是一种很好的方法。此外，边缘计算模式要求用户将原始脑电图信号上传到边缘计算中心，这将增加用户隐私数据泄露的风险，而云计算存在同样的问题。

发明内容

有鉴于此，为了弥补现有技术的空白和不足，本发明的目的在于提供一种轻量级隐私保护外包脑电信号特征提取方法，该方案允许边缘服务器在无法获取明文脑电信号数据的前提下对用户上传的脑电信号数据进行特征提取；同时，为了实现对脑电信号的隐私保护，设计了一系列安全外包计算协议，以此来实现对加密脑电信号的特征提取；此外，为了提高脑电信号的信噪比，利用TRCA来对脑电信号进行空间滤波；最后，为了减少用户与服务器之间的响应延迟，引入了边缘计算技术。

本发明主要是针对利用边缘计算进行脑电信号特征提取可能会导致安全威胁问题，即可能会造成上传的脑电信号中隐私信息发生泄露的问题。因此，针对外包的脑电信号提出了一套轻量级隐私保护特征提取框架(LightPyFE)。具体来说，该方案引入加性秘密分享技术设计出一系列安全计算协议。此外，基于任务相关成分分析(TRCA)设计了一种空间滤波方法，可允许服务器在不知道明文脑电信号的情况下对密文数据进行空间滤波，以提高信号信噪比。最后，在外包环境下，为了有效减少用户与服务器之间的交互响应时间，引入边缘计算技术来提高系统的时效性。在上述的所有过程中，我们均保证了不泄露原始脑电信号数据有关隐私的信息。该技术方案在确保脑电信号中的相关信息隐私安全性的同时，实现了外包脑电信号的特征提取，且降低了用户本地计算和通信成本。

具体包括一种轻量级的边缘计算环境下的脑电信号隐私保护外包特征提取框架(LightPyFE)，边缘服务器可以对加密的脑电信号进行数据预处理和特征提取，而不需要获取任何明文信息。