联邦学习在开环与闭环EMG解码中的隐私与性能视角

侵入式和非侵入式神经接口作为下一代技术的高带宽输入设备具有广阔前景。然而，神经信号本身编码了关于个人身份和健康的敏感信息，这使得用于解码器训练的数据共享成为关键的隐私挑战。联邦学习（FL）作为一种分布式、隐私保护的学习框架，提供了一个有前景的解决方案，但它在闭环自适应神经接口中的应用尚未被探索。

本文介绍了基于联邦学习的神经解码方法，并系统评估了其在开环和闭环场景中使用高维肌电信号的性能和隐私表现。在开环模拟中，联邦学习显著优于本地学习基线，展示了其在高性能、隐私敏感的神经解码中的潜力。相比之下，闭环用户研究需要调整联邦学习方法以适应单用户实时交互，这是标准联邦学习不支持的场景。这种修改导致本地学习解码器在闭环性能上超过了调整后的联邦学习方法，但本地学习仍然具有更高的隐私风险。

我们的研究结果强调了实时自适应应用中关键的性能-隐私权衡，并表明需要专门为协同自适应单用户应用设计的联邦学习方法。